[發(fā)明專利]經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)特征的滾動(dòng)軸承故障智能識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910298913.9
• 申請(qǐng)日: 2019-04-15
• 公開(kāi)（公告）號(hào): CN110044623B
• 公開(kāi)（公告）日: 2020-09-22
• 發(fā)明（設(shè)計(jì)）人: 劉永葆;李俊;余又紅;賀星
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍海軍工程大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045
• 代理公司: 武漢宇晨專利事務(wù)所 42001
• 代理人: 王敏鋒

本發(fā)明經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)特征的滾動(dòng)軸承故障智能識(shí)別方法，所述方法是結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)的能量特征和振動(dòng)信號(hào)的時(shí)域特征，利用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的網(wǎng)絡(luò)模型進(jìn)行滾動(dòng)軸承故障模式進(jìn)行智能識(shí)別。本發(fā)明結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)的能量特征和振動(dòng)信號(hào)的時(shí)域特征，利用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的網(wǎng)絡(luò)模型用于軸承故障診斷，實(shí)驗(yàn)結(jié)果表明在小樣本情況的基礎(chǔ)上，能夠更加精準(zhǔn)地識(shí)別滾動(dòng)軸承的故障類型，為滾動(dòng)軸承故障的模式識(shí)別和智能診斷提供了幫助。

技術(shù)領(lǐng)域

本發(fā)明涉及一種滾動(dòng)軸承故障診斷方法，更具體地說(shuō)它是一種經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)特征的滾動(dòng)軸承故障智能識(shí)別方法。

背景技術(shù)

旋轉(zhuǎn)機(jī)械設(shè)備中各零部件組成結(jié)構(gòu)復(fù)雜而且緊密，滾動(dòng)軸承作為其中一種定位與支承元件被廣泛使用，是設(shè)備中很普通但很關(guān)鍵的一類機(jī)械元件。旋轉(zhuǎn)機(jī)械設(shè)備的工作特點(diǎn)是：轉(zhuǎn)子高速運(yùn)轉(zhuǎn)并且運(yùn)行環(huán)境惡劣，另外轉(zhuǎn)子本身結(jié)構(gòu)較為復(fù)雜，容易發(fā)生損壞，引發(fā)故障甚至失效，從而導(dǎo)致機(jī)械設(shè)備故障或非計(jì)劃性停機(jī)。相關(guān)研究也同時(shí)表明，在旋轉(zhuǎn)機(jī)械常見(jiàn)的故障中，與滾動(dòng)軸承相關(guān)的故障占將近70％。為保證機(jī)械設(shè)備的良好運(yùn)行，減少甚至避免事故的發(fā)生，滾動(dòng)軸承故障診斷技術(shù)已經(jīng)成為機(jī)械設(shè)備故障診斷技術(shù)的重要分支，研究滾動(dòng)軸承故障診斷技術(shù)具有非常重要的意義。

滾動(dòng)軸承故障診斷關(guān)鍵技術(shù)包括：信號(hào)預(yù)處理、故障特征提取和故障特征分類三個(gè)部分。由于滾動(dòng)軸承故障發(fā)生的初期，因故障導(dǎo)致的振動(dòng)不明顯，故障信號(hào)很容易被淹沒(méi)在整個(gè)振動(dòng)信號(hào)或者噪聲信號(hào)中，并且其故障振動(dòng)信號(hào)大部分是非線性和非平穩(wěn)信號(hào)，目前常見(jiàn)的故障信號(hào)特征提取方法有短時(shí)傅里葉變換、Wigner-Ville分布、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)等等，同時(shí)，由于實(shí)際工作條件和數(shù)據(jù)采集設(shè)備的限制，采集到的軸承工作數(shù)據(jù)實(shí)際上是有限的，并且滾動(dòng)軸承大部分時(shí)間處于正常工作狀態(tài)，綜合各種因數(shù)，實(shí)際上采集到的滾動(dòng)軸承故障樣本一般較少，制約了診斷的準(zhǔn)確性和穩(wěn)定性。針對(duì)類似上述小樣本的分類問(wèn)題，目前常見(jiàn)的方法有人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)、決策樹(shù) (Decision Tree,DT)、支持向量機(jī)(SupportVector Machine,SVM) 等等。

但是上述方法的實(shí)驗(yàn)過(guò)程很復(fù)雜，針對(duì)性不強(qiáng)。

發(fā)明內(nèi)容

本發(fā)明的目的是為了克服上述現(xiàn)有背景技術(shù)的不足之處，而提供一種基于經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)能量特征的滾動(dòng)軸承故障模式智能識(shí)別方法，本發(fā)明在小樣本情況的基礎(chǔ)上，能夠精準(zhǔn)地識(shí)別滾動(dòng)軸承的故障類型，為滾動(dòng)軸承故障的模式識(shí)別和智能診斷提供了幫助。

本發(fā)明的目的是通過(guò)如下措施來(lái)達(dá)到的：經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)特征的滾動(dòng)軸承故障智能識(shí)別方法，它是結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)的能量特征和振動(dòng)信號(hào)的時(shí)域特征，利用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的網(wǎng)絡(luò)模型進(jìn)行滾動(dòng)軸承故障模式智能識(shí)別。

具體包括如下步驟：

通過(guò)實(shí)驗(yàn)分別獲取滾動(dòng)軸承的外圈故障、內(nèi)圈故障、滾動(dòng)體故障以及正常情況四種類別的振動(dòng)信號(hào)，

步驟一：振動(dòng)信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解剩余信號(hào)的能量特征提取；

經(jīng)驗(yàn)?zāi)B(tài)分解假設(shè)任何信號(hào)都由不同的特征模態(tài)函數(shù) (Intrinsic ModeFunction，IMF)組成，且IMF必須滿足以下兩個(gè)條件：(1)在整個(gè)時(shí)間歷程內(nèi)，穿越零點(diǎn)的次數(shù)與極值點(diǎn)數(shù)相等或至多相差一個(gè)；(2)信號(hào)上任意一點(diǎn)，由局部極大值定義的上包絡(luò)線和由局部極小值定義的下包絡(luò)線的均值為零或近似為零，即信號(hào)關(guān)于時(shí)間軸局部對(duì)稱；

這樣任何一個(gè)信號(hào)就可以分解為有限個(gè)IMF分量和一個(gè)剩余信號(hào)的和；其中，剩余信號(hào)提取過(guò)程如下：