[发明专利]一种基于解卷积和包络谱的滚动轴承故障诊断方法

说明书

本发明公开了一种基于解卷积和包络谱的滚动轴承故障诊断方法，为研究不同损伤程度情况下，对滚动轴承工作状态分类识别结果的影响，对滚动轴承滚动体故障信号进行分析，转轴转速1800r/min，采样频率12000Hz，损伤程度按损伤点直径分为轻微、中等和重度，本发明结构科学合理，使用安全方便，该方法首先对滚动轴承振动信号利用MCKD算法进行故障特征增强，对增强后信号进行VMD分解，通过基于能量熵增量、峭度准则选取包含主要故障特征信息的IMF分量，提取各敏感IMF分量的包络谱特征幅值比和包络谱熵以更好地反映和量化故障特征信息，并采用模糊C均值聚类算法对故障状态识别，实现滚动轴承工作状态和故障类型的诊断。

技术领域

本发明涉及滚动轴承故障诊断术领域，具体为一种基于解卷积和包络谱的滚动轴承故障诊断方法。

背景技术

滚动轴承是机械设备中最为常用的零件，它为机械结构提供了可靠支撑，其运行状态将直接影响设备的运行安全和相关性能，由于工作环境恶劣，滚动轴承在工作周期早期极易产生磨损、擦伤和点蚀等局部缺陷故障，然而，机械设备运转时其工况复杂，产生的振动信号常混有强烈的外部噪声，导致故障特征信息淹没其中，不易识别和提取，如何在强背景噪声环境下有效提取反映滚动轴承的微弱故障特征已成为故障诊断领域研究的热点和难点；

滚动轴承振动信号具有非线性和非平稳性特点，针对此类信号，时频分析方法具有更好地适用性，其中以经验模态分解(Empirical Mode Decomposition，EMD)和局部均值分解(Local Mean Decomposition，LMD)的应用最为广泛，但由于缺乏坚实的理论基础且分解时受噪声、采样频率等因素的限制，EMD和LMD存在严重的端点效应和模态混叠问题，鉴于此，Dra等于2014年提出了一种非递归式信号分解方法—变分模态分解(Variational ModeDecomposition，VMD)，同EMD和LMD相比，VMD实质为一组自适应维纳滤波器，以此有效解决了由于包络问题和递归运算而在分解过程中所产生的端点效应和模态混叠问题，当滚动轴承产生故障时，其振动信号为多分量调制信号且故障特征信息微弱，若直接对该信号进行VMD分解，会使某些固有模态函数(Intrinsic Mode Function，IMF)分量受噪声影响而特征不明显，为增强故障信号的有效信噪比、突显故障特征信息，对滚动轴承故障信号降噪是一个重要的过程，滚动轴承的故障信息主要以脉冲形式存在，最大相关峭度解卷积(MaximumCorrelated Kurtosis Deconvolution，MCKD)以相关峭度为评价指标，在充分考虑信号内所含周期冲击成分特性的基础上，由迭代过程实现解卷积，可有效突出淹没在强噪声内的连续脉冲，同最小熵解卷积(Minimum Entropy Deconvolution，MED)相比，具有更高算法鲁棒性和更好的故障特征增强效果，滚动轴承故障信号的调制特性使其包络集中地携带了故障信息，因此包络分析法是目前最有效的诊断方法之一，但传统基于包络分析的诊断方法多以直接观察包络谱，根据包络谱峰值及特征频率来识别故障，缺乏相关量化参数，无法实现故障诊断的自动化，同时，研究表明，滚动轴承故障信号具有“故障渐变的模糊性”，导致故障特征存在很强的相似性，常用故障识别方法难以对其故障类型进行精确诊断。

发明内容

本发明提供一种基于解卷积和包络谱的滚动轴承故障诊断方法，可以有效解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于解卷积和包络谱的滚动轴承故障诊断方法，包括如下步骤：

S1、在滚动轴承故障模拟实验台上按特定采样频率分别采集正常状态、内圈故障、外圈故障和滚动体故障状态下的试验数据；

S2、将步骤S1中的试验数据采用MCKD算法对四种状态下的振动信号进行降噪处理，突显信号的故障特征；

S3、对步骤S2中振动信号去噪后进行VMD分解，并通过能量熵增量、峭度准则得到不同状态下可有效表征信号自身特性的模态分量；