[發(fā)明專利]一種基于改進(jìn)VMD的滾動軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202010973616.2
• 申請日: 2020-09-16
• 公開（公告）號: CN112200015B
• 公開（公告）日: 2023-02-07
• 發(fā)明（設(shè)計）人: 吳建德;楊瀟誼;馬軍
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G06F18/24
• 分類號: G06F18/24;G01M13/045
• 代理公司: 昆明明潤知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 53215
• 代理人: 王鵬飛

本發(fā)明涉及一種基于改進(jìn)VMD的滾動軸承故障診斷方法，屬于旋轉(zhuǎn)類機(jī)械故障診斷技術(shù)領(lǐng)域。本發(fā)明采集滾動軸承在不同工作狀態(tài)下的多組原始數(shù)據(jù)；通過散布熵最小值原則對VMD參數(shù)進(jìn)行優(yōu)化，利用參數(shù)優(yōu)化后的VMD對振動信號進(jìn)行分解，得到多個模態(tài)分量；綜合皮爾遜相關(guān)系數(shù)、肯德爾相關(guān)系數(shù)和峭度值得到集成指標(biāo)，選取集成指標(biāo)最大的模態(tài)分量，對其包絡(luò)解調(diào)分析，通過包絡(luò)譜提取出滾動軸承故障特征，并與理論軸承故障頻率進(jìn)行對比，判斷軸承故障類型。本發(fā)明解決了VMD參數(shù)需人為預(yù)先設(shè)定的問題，使結(jié)果更具理論依據(jù)，可靠性更高；集成指標(biāo)在選取模態(tài)分量時，可以全面評估模態(tài)分量信息，選取合適分量，提高結(jié)果的準(zhǔn)確性和有效性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于改進(jìn)VMD的滾動軸承故障診斷方法，屬于旋轉(zhuǎn)類機(jī)械故障診斷技術(shù)領(lǐng)域。

背景技術(shù)

滾動軸承是旋轉(zhuǎn)機(jī)械中最重要的部件之一，其運(yùn)行狀態(tài)是否正常往往直接影響到整個機(jī)械系統(tǒng)的性能，如果發(fā)生故障可能會導(dǎo)致巨大的經(jīng)濟(jì)損失。因此，為保證旋轉(zhuǎn)機(jī)械設(shè)備正常運(yùn)行，有效提取滾動軸承故障特征以評估軸承運(yùn)行狀態(tài)至關(guān)重要。

近年來，基于振動信號自適應(yīng)分解的故障特征提取方法得到了廣泛的應(yīng)用。經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD)分解是一種典型的自適應(yīng)時頻分解方法，已被廣泛應(yīng)用于滾動軸承故障診斷及性能退化評估領(lǐng)域。但EMD存在模態(tài)混疊和端點效應(yīng)的問題。為改進(jìn)其缺陷，提高分解性能，集成經(jīng)驗?zāi)B(tài)分解(ensemble empirical modedecomposition, EEMD)、完備集成經(jīng)驗?zāi)B(tài)分解(complete ensemble empirical modedecomposition with adaptive noise,CEEMDAN)等方法相繼被提出。但是，由于遞歸分解原理的局限性，上述方法只能在某種程度上改善模態(tài)混疊和最終分解效果，而不能從根本上解決上述問題。VMD與上述方法的遞歸模式不同，其引入變分模型，將信號的分解轉(zhuǎn)換為約束模型最優(yōu)解的尋優(yōu)問題，從而避免端點效應(yīng)、抑制模態(tài)混疊，并且具有較高的分解效率。但是，VMD的參數(shù)懲罰因子和模態(tài)數(shù)需人為預(yù)先設(shè)定，且分解結(jié)果對參數(shù)敏感性高，極大地限制了VMD的分解精度。

此外，篩選有效分量對后續(xù)軸承的故障特征提取至關(guān)重要，峭度、相關(guān)系數(shù)等指標(biāo)被廣泛應(yīng)用于該步驟。但是，單一指標(biāo)難以全面評估分量信息，可能導(dǎo)致選擇的分量無法有效表征軸承故障信息。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于改進(jìn)VMD的滾動軸承故障診斷方法，用以解決上述問題。

本發(fā)明的技術(shù)方案是：一種基于改進(jìn)VMD的滾動軸承故障診斷方法，具體步驟為：

Step1：采集滾動軸承在不同工作狀態(tài)下的原始數(shù)據(jù)。

Step2：通過散布熵最小值原則優(yōu)化VMD中的參數(shù)模態(tài)數(shù)K和懲罰因子α，并對采集的振動信號進(jìn)行VMD分解。

Step3：用綜合皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient,PCC)、肯德爾相關(guān)系數(shù) (Kendall correlation coefficient,KEN)和峭度值(kurtosis,KUR)作為模態(tài)分量選擇集成指標(biāo)，選擇集成指標(biāo)最大的模態(tài)分量用于后續(xù)分析。

Step4：對選取的模態(tài)分量進(jìn)行包絡(luò)解調(diào)分析，通過其包絡(luò)譜提取出滾動軸承故障頻率，并與理論軸承故障頻率進(jìn)行對比，判斷軸承故障類型。

所述滾動軸承的原始數(shù)據(jù)包括滾動軸承正常數(shù)據(jù)、內(nèi)圈故障數(shù)據(jù)、外圈故障數(shù)據(jù)及滾動體故障數(shù)據(jù)。

所述Step 2具體為：

Step2.1：優(yōu)化模態(tài)數(shù)K。