[發明專利]基于SVD和CEEMDAN的故障軸承診斷方法

在審

• 申請號: 202110594638.2
• 申請日: 2021-05-28
• 公開（公告）號: CN113375940A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 王林軍;劉洋;李立軍;徐洲常;蔡康林
• 申請（專利權）人: 三峽大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 成鋼

本發明涉及基于SVD和CEEMDAN的故障軸承診斷方法，包括：采集軸承振動信號；計算時頻分布，初步判斷軸承是否產生故障；對原始故障軸承信號進行奇異值分解去噪重構；對初步降噪信號進行自適應噪聲完備集合經驗模態分解，得到多個本征模態分量；計算各個本征模態分量與原信號之間的KL散度，剔除無效分量；對有效本征模態分量進行重構；對重構信號進行自相關去噪，再對其畫包絡譜，提取清晰的故障特征頻率，診斷軸承故障類型。本發明利用奇異值分解去噪后重構，進行模態分解，并剔除無效分量，再利用重構信號的包絡譜進行故障診斷，有效提高了軸承故障診斷的準確性；本發明消除了模態混疊，極大地降低了計算資源的消耗，提高了信號分解效率。

技術領域

本發明屬于機械故障診斷領域，具體涉及一種基于SVD和CEEMDAN的故障軸承診斷方法。

背景技術

目前，故障診斷技術已成為保障機械設備安全可靠運行的重要手段。滾動軸承作為旋轉機械中的重要部件，當其發生故障時，不僅會產生振動噪聲，而且還會影響旋轉機械的運行效率。如果不能及時發現軸承故障，可能會造成重大的安全事故和經濟損失。因此有必要進行滾動軸承故障診斷研究。滾動軸承發生故障時，其實測信號伴有噪聲和故障信號，如何提取這些故障信號，在實際工業生產中具有重要意義。

近些年，為了提高信號處理質量，相關學者采用小波分解、小波包分解、奇異值分解(Singular Value Decomposition，SVD)等方法對原始振動信號進行預處理。其中奇異值分解可用于非平穩、非線性信號的處理，具有著操作簡潔、去噪結果不存在偏移等優點，被廣泛用于信號處理中。

針對故障信號提取，主要問題在于如何自適應地從非線性振動信號中提取有效信號。常用的方法如經驗模態分解(empirical mode decomposition,EMD)、集合經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)、完備集合模態分解(ComplementaryEnsemble Empirical Mode Decomposition,CEEMD)等分解方法都存在模態混疊問題。

當信號分解為若干本征模態分量(Intrinsic Mode Function,IMF)后，如何衡量這些本征模態分量中包含故障信息的程度，從中選取包含故障信息較多的本征模態分量也是機械故障信號分析的難點。

發明內容

本發明的技術問題是現有的從振動信號中提取故障特征信息的方法如EMD、EEMD、CEEMD等都存在模態混疊并帶有噪聲，影響軸承故障診斷效果。

本發明的目的是針對上述問題，提供一種基于SVD和CEEMDAN的故障軸承診斷方法，該方法有效地剔除軸承原始振動信號中含有的干擾噪聲，得到清晰的反映實際故障信息的信號后，對降噪信號進行自適應噪聲完備集合經驗模態分解(Complete EnsembleEmpirical Mode Decom-position With Adaptive Noise,CEEMDAN)以消除模態混疊，剔除分解得到的無效模態分量后重構，利用重構信號的包絡譜進行故障診斷。

本發明的技術方案是基于SVD和CEEMDAN的故障軸承診斷方法，包括以下步驟：

步驟1：采集軸承振動信號；

步驟2：計算軸承振動信號的Wigner-Ville時頻分布，初步判斷軸承是否產生故障；

步驟3：對原始故障軸承信號進行奇異值分解后重構，得到初步降噪信號y；

步驟4：對初步降噪信號y進行自適應噪聲完備集合經驗模態分解，得到n個本征模態分量IMF₁，IMF₂，……，IMF_n；