[发明专利]基于Duffing振子和本征模式分量的滚动轴承故障诊断方法

说明书

本发明公开了一种基于Duffing振子和本征模式分量的滚动轴承故障诊断方法，首先，采集正常运行信号，然后对正常运行信号进行分析处理，再建立标准的Duffing振子阵列模型，通过标准的Duffing振子阵列模型对待测信号进行运算，进而判断滚动轴承是否故障。本发明基于Duffing振子和本征模式分量的滚动轴承故障诊断方法，不仅可以区分出滚动轴承体故障、外圈故障、内圈故障的类型，还可以识别不同故障的信号；且检测精准率高、检测过程简单，并具有工程应用价值。

技术领域

本发明属于滚动轴承故障诊断技术领域，涉及基于Duffing振子和本征模式分量的滚动轴承故障诊断方法。

背景技术

目前，对轴承故障的诊断方法通常有两大类：(1)基于数学模型的故障诊断方法，如采用经典信号处理方法中的傅里叶变换、相关分析等。但是以上处理方式都是针对信号中最明显的成分，即信号中幅值最高的频率，而对于信号中的其它频率信息并不能很好处理，而且很难体现不同信号频率间的关联性，所以检测的准确度较低。(2)基于人工智能的故障诊断方法，如支持向量机、神经网络和深度学习等。所采用的经验模式分解(EMD)方法是一种广泛的信号分析方法，它具有极强的自适应性，适用于各类非线性\非平稳信号，而且通常需要对经验模式分解(EMD)方法进行改进并完善本征模式分量(IMF)，进而判断故障信息。例如抑制端点效应、优化滤波效果等。但这类方法仍需要通过特征分析来表征信号，不仅如此，还需要引入决策手段，如支持向量机、神经网络等；且信号分析的过程比较复杂，运算较大。

在非线性信号分析与检测中，Duffing振子具有幅值参数的敏感性和对白噪声的免疫特性，可以充分体现本征模式分量本身的非线性规律，进而直接检测出异常信号，从而达到摆脱对特征集和人工智能方法的依赖，大幅简化分析过程的目的。

发明内容

本发明的目的是提供一种基于Duffing振子和本征模式分量的滚动轴承故障诊断方法，解决了现有技术中存在的滚动轴承故障诊断准确率低、对信号分析的过程复杂的问题。

本发明所采用的技术方案是，一种基于Duffing振子和本征模式分量的滚动轴承故障诊断方法，首先，采集正常运行的加速度信号，然后对正常运行的加速度信号进行分析处理，再建立标准的Duffing振子阵列模型，通过标准的Duffing振子阵列模型对待测信号进行运算，进而判断滚动轴承是否故障。

本发明的特点还在于：

具体按照以下步骤实施：

步骤1、采集轴承的加速度信号x(t)；

步骤2、对加速度信号x(t)进行EMD处理，至少选取加速度信号的两个局部最大值，构建最大值序列，对最大值序列进行三次样条插值，并建立上包络函数x_max；至少选取加速度信号的两个局部最小值，构建最小值序列，对最小值序列进行三次样条插值，并建立下包络函数x_min；对上包络函数和下包络函数的平均值序列进行计算，公式如下：

m(t)＝(x_max+x_min)/2 (1)，

式(1)中，m(t)表示上包络函数和下包络函数的平均值序列；

步骤3、计算筛分序列，公式如下：

h_i(t)＝x(t)-m(t) (2)，

若h_i(t)满足IMF分量定义，则将h_i(t)定义为一个IMF分量，否则，令x(t)替换h_i(t)，并重复步骤2～步骤3，直至h_i(t)满足IMF分量定义，并定义为新的IMF分量，记为c_i(t)，再建立信号筛分序列；

步骤4、采用如下公式对x(t)进行筛分，