[发明专利]基于变分模态分解-传递熵的轴承退化状态识别预测方法

说明书

本发明涉及一种基于变分模态分解‑传递熵的轴承退化状态识别预测方法，属于齿轮故障分析技术领域。技术方案是：通过系统非线性和复杂程度的参数有效地反映旋转机械故障的严重程度；将变分模态分解与基于非线性动力学参数的信号复杂性的传递熵理论相结合，实现滚动轴承退化状态识别；建立基于变分模态分解‑传递熵的滚动轴承状态评价指标，应用模型对滚动轴承全寿命试验数据进行预测。本发明为旋转机械的故障诊断、性能退化状态识别和趋势预测提供新的有效手段；建立变分模态分解‑传递熵和SVR的滚动轴承故障演化趋势预测模型，应用该模型对滚动轴承全寿命试验数据进行预测，提高准确性和有效性。

技术领域

本发明涉及一种基于变分模态分解-传递熵的轴承退化状态识别预测方法，属于齿轮故障分析技术领域。

背景技术

齿轮和滚动轴承等旋转机械是机械系统中常用的重要部件，其运行状态的好坏直接关系到系统运行的平稳和安全。因此，对旋转机械的运行状态进行状态监测和预测具有极其重要的意义。如果能够在其性能演化的过程中提取到定量的退化程度信息，就可以有针对性地组织和制定有效的维修计划，确保机械设备的安全运转，大幅提高关键部件的服役性能。故障预测方法需要具有检测早期故障、确定当前故障严重程度以及预测故障未来状态的能力。主要包括3个步骤：(1)早期微弱的故障提取；(2)退化状态识别即确定当前故障严重程度；(3)预测故障未来发展状态。

近年来，旋转机械故障诊断技术得到了快速的发展，国内外专家学者基于振动信号的旋转机械故障状态评估和诊断进行了大量的研究工作。EMD(Empirical ModeDecomposition)和局部均值分解(Local Mean Decomposition,LMD)是用来表示非平稳信号零均值固有模式函数(IMF)的数据驱动的算法。算法将非平稳信号表示为零均值固有模式函数(IMFS)的总和。EMD和LMD实际上将信号表示为通过递归筛选迭代过程信号相关的基函数，非常适合描述信号的非线性和非平稳过程。近年来EMD和LMD作为非线性和非平稳信号的自适应分解方法，虽然EMD在旋转机械故障诊断领域取得了广泛的应用，但EMD仍然是一种经验算法，没有坚实的数学基础，在对信号分解时容易出现断点效应、过包络、欠包络等问题。从而影响到复杂运行工况下机械传动系统振动信号的降噪效果和故障状态识别。

传递熵是马尔可夫过程之间信息流的度量，最近的研究已经证实了转移熵可用于分析结构动力学中的耦合程度。传递熵比相互信息更恰当地量化了时间序列数据之间的动态关系，转移熵能够捕获信息在两个不同的动态过程之间共享的方式的不对称性。传递熵是近期的刻画两个时间序列间的信息传递量，传递熵可以量化出两系统间的信息交换强度，更可以计算出信息的流向，除了物理通信领域的广泛应用外，传递熵以及相关传递熵是能够分析系统之间信息相互作用的一种有效工具，而且能够同时解决非线性和不对称系统的问题。

发明内容

本发明目的在于提供一种基于变分模态分解-传递熵的轴承退化状态识别预测方法，定量描述轴承时间序列信号频段间非线性的耦合及信息传递特征，建立基于变分模态分解-传递熵的滚动轴承状态评价指标，为旋转机械的故障诊断、性能退化状态识别和趋势预测提供新的有效手段；建立变分模态分解-传递熵和SVR的滚动轴承故障演化趋势预测模型，应用该模型对滚动轴承全寿命试验数据进行预测，提高准确性和有效性，解决已有技术存在的上述问题。

本发明的技术方案是：

基于变分模态分解-传递熵的轴承退化状态识别预测方法，包含如下步骤：当机械设备发生故障时，系统的动力学行为表现出强非线性和非稳定性，通过系统非线性和复杂程度的参数有效地反映旋转机械故障的严重程度；将变分模态分解与基于非线性动力学参数的信号复杂性的传递熵理论相结合，实现滚动轴承退化状态识别；