[發明專利]經驗模態分解剩余信號特征的滾動軸承故障智能識別方法

有效

• 申請號: 201910298913.9
• 申請日: 2019-04-15
• 公開（公告）號: CN110044623B
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 劉永葆;李俊;余又紅;賀星
• 申請（專利權）人: 中國人民解放軍海軍工程大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 武漢宇晨專利事務所 42001
• 代理人: 王敏鋒

1.經驗模態分解剩余信號特征的滾動軸承故障智能識別方法，其特征在于：所述方法是結合經驗模態分解剩余信號的能量特征和振動信號的時域特征，利用遺傳算法優化支持向量機參數的網絡模型進行滾動軸承故障模式智能識別；

具體由如下依次執行的步驟組成：

首先通過實驗分別獲取滾動軸承的外圈故障、內圈故障、滾動體故障以及正常情況四種類別的振動信號，

步驟一：振動信號經驗模態分解剩余信號的能量特征提取

經驗模態分解假設任何信號都由不同的特征模態函數IMF組成，且IMF必須滿足以下兩個條件：(1)在整個時間歷程內，穿越零點的次數與極值點數相等或至多相差一個；(2)信號上任意一點，由局部極大值定義的上包絡線和由局部極小值定義的下包絡線的均值為零或近似為零，即信號關于時間軸局部對稱；

這樣任何一個信號就可以分解為有限個IMF分量和一個剩余信號的和，其中，剩余信號提取過程如下：

(1)對任意一個已知信號，首先確定出原始數據X(t)上的所有極值點，用三次樣條曲線連接所有極大值點形成上包絡線，同樣的方法形成下包絡線；數據X(t)與上下包絡線的均值m₁(t)的差記為h₁(t)，則

h₁(t)＝X(t)-m₁(t) (1-1)

將h₁(t)作為新的數據X(t)，重復上述步驟，直到h₁(t)滿足IMF的兩個條件時，則其成為從原始信號篩選出的第一階IMF，記為C₁；

(2)將C₁從X(t)中分離出來，得到一個去掉高頻分量的差值信號r₁(t)，有

r₁(t)＝X(t)-C₁ (1-2)

把r₁(t)作為新信號，重復(1-1)的篩分步驟，直到第n階的剩余信號成為單調函數，不能再篩分出IMF分量；

(3)數學上，信號X(t)可表示為n個IMF分量和一個剩余項的和，即

式中：C_i(t)為第i個IMF分量，其中i＝(0,1···N)；r_n(t)為經驗模態分解的剩余信號，代表信號中的平均趨勢，反映的是原始信號的均值信息；然后，計算剩余信號的能量為E_j(j＝0,1···N)，其中，r_j(t)為剩余信號離散點的幅值；

步驟二：振動信號的時域特征提取

采用的振動信號時域特征參數有峰值因子X_cf、脈沖因子X_if、裕度因子X_cif、波形因子X_sf、峭度因子X_kv和偏度X_sk；

步驟三：組成振動信號的特征向量

將步驟一與步驟二中所得到的能量特征和振動信號的時域特征參數作為輸入特征向量的組成元素T'，同時，為了方便后續數據處理以及使收斂速度加快，對提取的特征向量進行歸一化處理；則

T'＝(X_cf,X_if,X_cif,X_sf,X_kv,X_sk,E_j) (1-4)

步驟四：遺傳算法優化支持向量機參數的故障模式識別

依據支持向量機算法，核函數K(x,x')和懲罰因子需要進行參數選擇，其中，x為樣本的特征向量；選取高斯核函數，即：

使用遺傳算法對支持向量機尋求最優高斯核參數σ和懲罰因子；將四種類型的振動信號特征向量送入遺傳算法優化的支持向量機模型，進行網絡模型的訓練和測試，最后完成滾動軸承故障分類。

2.根據權利要求1所述的經驗模態分解剩余信號特征的滾動軸承故障智能識別方法，其特征在于，在步驟一中，將提取了振動信號經驗模態分解剩余信號的能量特征：

其中：r_j(t)為剩余信號離散點的幅值；E_j為剩余信號的能量值。

3.根據權利要求1所述的經驗模態分解剩余信號特征的滾動軸承故障智能識別方法，其特征在于，在步驟四中，使用遺傳算法對支持向量機尋求最優高斯核參數σ和懲罰因子，將結合了振動信號經驗模態分解剩余信號能量值的特征向量送入遺傳算法優化的支持向量機模型，進行網絡模型的訓練和測試，最后完成在小樣本情況基礎上的滾動軸承故障模式智能識別。