[发明专利]变分模态分解的变参信息融合方法

说明书

本发明涉及一种变分模态分解的变参信息融合方法，包括：取分解模态个数K＝1，设定带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个IMF分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤N次，获得N个具有不同带宽的故障模态分量。上述变分模态分解的变参信息融合方法，本发明方法利用流形学习对变参数下VMD处理得到的多维故障模态分量进行信息融合，获得信噪比高的故障瞬态成分。

技术领域

本发明涉及旋转机械故障诊断，特别是涉及变分模态分解的变参信息融合方法。

背景技术

旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。滚动轴承在旋转机械设备中承担着关键的角色，其健康状态会影响整个机械系统的工作状态，因此对滚动轴承的监测和诊断具有重要的意义。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，不同位置的故障会表现出不同的故障特征周期，如何有效提取信号中的瞬态冲击响应成分从而得出故障特征周期，是轴承故障诊断的关键问题。但是，由于工作环境的复杂性，从机械设备现场采集的振动信号往往具有非线性和非平稳性的特征，大量的窄带脉冲干扰以及环境噪声会淹没故障特征信号，严重影响了故障特征信号的识别。

变分模态分解(VMD)方法是一种针对多分量非平稳信号进行准正交分解的方法，其实质是以经典维纳滤波、希尔伯特变换和频率混合这三个概念为基础的变分问题求解方法。在确定了分解模态个数K和带宽平衡参数α的情况下，该方法采用频域迭代方法搜寻变分模型的最优解来确定每个调幅调频分量的中心频率和带宽，并且通过对频域的剖分将原始信号分解为K个有限带宽的本征模态函数(IMF)。通过VMD方法得到的各个IMF包含了原信号的不同频带的局部特征信息，包括与故障相关的瞬态周期成分，因此可以应用于故障冲击特征的提取与识别。与经验模态分解(EMD)相比，VMD具有严格的数学模型和坚实的理论基础，并且分解精度高，分解层数少，不存在模态混叠现象，所以VMD在机械振动信号瞬态成分检测中得到了广泛的应用。但是，VMD方法分解的效果依赖于分解模态个数K和带宽平衡参数α这两个参数。K值太小则不能提取出含故障信息的IMF，即故障模态分量，过大则会把一个故障模态分量分解在多个IMFs中，且计算量较大；α的取值增加会减小故障模态分量的带宽，从而减少噪声含量，但是同时也会减少故障信息。对于在不同环境下测得的轴承振动信号，需要人工选择不同的参数值以获得受干扰较少的故障瞬态成分，因此VMD方法缺乏自适应性。

为了解决VMD方法存在的非自适应性问题，现有的研究主要是围绕参数优化展开。该类方法的原理为将VMD需要预设的参数K和α设置为自变量，分解得到的分量的优化指标为因变量，通过算法改变自变量K与α，根据优化指标得到最优参数和最优分量，实现VMD的自适应信号处理。参数优化算法和优化指标的选取是该类方法的核心。常用的参数优化算法有穷举法、人工鱼群算法和粒子群优化算法等，这些算法的主要区别在于运算速度和运算精度。常用的优化指标包括峭度值、排列熵、最大李雅普诺夫指数以及分量与原始信号的互相关系数等，优化指标的选择依据在于能否准确找出故障模态分量。基于参数优化的VMD方法的实现步骤为：首先确定一个对故障信息敏感的优化指标；接着确定参数优化算法以及参数的变化区间；然后运行算法，寻找指标最优的参数和分量；最后对最优分量进行分析，寻找故障特征周期。

传统技术存在以下技术问题：