[发明专利]基于改进EMD分解与敏感特征选择的轴承故障诊断方法

权利要求书

1.一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法，其特征在于，该方法通过以下步骤实现：

步骤1：对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解，获得若干个IMF分量；

步骤2：通过定量计算各IMF分量与原始信号的相关性大小，选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象，并且分别提取IMF分量中的特征参数构成原始特征集；

步骤3：根据距离评估方法分别确定原始特征集中每个特征的敏感度因子，并且构造敏感特征集；

步骤4：将轴承的故障样本分为训练和测试样本，并将训练样本的敏感特征向量输入到支持向量机SVM中进行训练，根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化，通过训练好的轴承故障诊断模型对测试样本进行故障识别；

所述步骤1具体为：对轴承不同故障状态下的原始振动信号进行降噪预处理，选择合适的小波基函数和信号分解层数，根据斯坦因无偏似然估计原则确定各层高频系数的阈值，然后采用软阈值函数处理高频系数，通过小波逆变换重构信号，获得降噪后的信号；

所述步骤1中对降噪后的信号进行EMD分解，其具体步骤为：

步骤1.2.1：将降噪后的时域信号作为待分解序列x(t)，并提取其所有的极大值点和极小值点，分别用三次样条曲线连接极大值点和极小值点，形成上包络线和下包络线，上下包络线之间应包含全部原始数据，求取包络均值m₁，得到信号差值序列h₁＝x(t)-m₁；

步骤1.2.2：h₁不满足本征模态函数的两个条件：(1)在整个数据集合中，极值点的数目和过零点的数目必须相等或最多相差一个；(2)由局部极大值和极小值所形成的包络均值都等于零；重复执行步骤1.2.1，将h₁作为待分解序列，直到第k次处理所得到的结果h_1k满足本征模态函数的条件为止；

步骤1.2.3：将第一个本征模态函数记作c₁＝h_1k，得到剩余项r₁＝x(t)-c₁，将r₁作为新的原始数据，重复上述步骤，直到第n个剩余项r_n小于给定值或成为单调函数则EMD分解过程结束，最后得到原始信号由这n个不同尺度下的本征模态函数和剩余项组成；

所述步骤2具体为：

步骤2.1：根据定量计算EMD分解产生的各IMF分量与原始信号的相关性大小；

式中x(t)为原始信号，c_i(t)为第i个IMF分量，为第i个IMF分量与原始信号的相关系数；

步骤2.2：根据上述计算所得的结果，在前h个IMF分量的基础上分别提取其能量值、奇异值和包络样本熵值。

2.根据权利要求1所述的基于改进EMD分解与敏感特征选择的轴承故障诊断方法，其特征在于，所述步骤2.2具体为：

步骤2.2.1：根据分别计算各IMF分量的能量值；

式中x(i)为IMF分量各离散点的幅值，i＝1,2,…n为IMF分量离散点的个数，构成的能量特征向量为E＝{E₁,E₂,…,E_h}；

步骤2.2.2：对由前h个IMF分量组成的矩阵进行奇异值分解，得到奇异值特征向量S＝{S₁,S₂,…,S_h}；

步骤2.2.3：提取IMF分量中包络信号的样本熵值Y＝{Y₁,Y₂,…,Y_h}作为特征指标；

步骤2.2.4：通过上述步骤提取的能量值、奇异值和包络信号的样本熵值，构造包含多个特征的原始特征集FV＝{E₁,E₂,…,E_h,S₁,S₂,…S_h,Y₁,Y₂,…Y_h}。