[发明专利]一种基于EEMD和K-GDE的滚动轴承故障特征的提取方法

说明书

本发明公开了一种基于EEMD和K‑GDE的滚动轴承故障特征的提取方法，S1.利用加速度传感器与采集器测量滚动轴承振动；S2.对滚动轴承振动信号进行EEMD分解；S3.计算各本质模函数自身的峭度指标；S4.计算各本质模函数与原始信号之间的相关系数；S5.选择所有本质模函数中峭度指标与相关系数最大的本质模函数作为下一步分析的敏感单分量；S6.在取值范围内选取k值，基于k‑GDE方法计算敏感单分量的包络幅值；S7.对包络幅值进行Fourier变换得到k‑GDE包络谱，通过匹配峰值频率与滚动轴承故障特征频率，实现故障诊断。由此，本发明的基于EEMD和K‑GDE的滚动轴承故障特征的提取方法在计算幅值包络上，达到算法精确可靠，计算简便高效。

技术领域

本发明涉及故障特征提取领域，尤其涉及一种基于EEMD和K-GDE的滚动轴承故障特征的提取方法。

背景技术

滚动轴承作为旋转机械最常用零件之一，其运行质量往往决定整个系统的工作性能。运行过程中产生的振动信号往往具有多分量与非平稳特性，同时伴随典型的调制作用，频谱表现为对共振频率的调制形成共振频率两侧的边带，而且实际轴承振动信号频谱中边带往往是非对称分布的。另外，实际工程测试中的多源噪声及振动传递路径的不稳定性等等都给滚动轴承故障诊断带来困难。

工程中对于滚动轴承诊断的方法多种多样，例如：振动信号分析法、声发射法、磁性法和铁谱法等等。诸多方法各有千秋，其中振动信号分析法以其简单高效得到广泛应用。在此基础上，近年来发展出了如下轴承故障诊断方法：通过先分解多分量然后提取故障特征，例如基于EMD(经验模态分解)和相关系数的希尔伯特振动分解的滚动轴承早期检测方法，基于EMD和Teager能量算子的滚动轴承故障诊断研究。这些方法为滚动轴承诊断的发展提供了更多的途径。但是上述等方法还有一些缺陷，首先EMD方法在分解多分量时可能会产生模态混叠和端点效应等问题，其次，此类分解往往只选择第一个分解出来的本质模函数进行下一步分析，而没有考虑从分解后的多个单分量中优先选择包含有最大故障特征信息的单分量作为敏感分量来进行下一步分析，因此上述各种方法在实际应用中可能会出现误判甚至诊断错误等等，另外其具体的诊断计算过程也相当的繁琐，效率较低。

发明内容

本发明的目的：在分解多分量方面，消除传统EMD带来的模态混叠的问题；在选择分析对象上，选择包含有最大故障特征信息的分量作为敏感分量进行下一步分析；在计算幅值包络上，达到算法精确可靠，计算简便高效。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于EEMD和K-GDE(K值生成微分方程)的滚动轴承故障特征的提取方法，包括：

S1.利用加速度传感器与采集器测量滚动轴承振动，获得滚动轴承振动信号；

S2.对滚动轴承振动信号进行EEMD分解，得到若干个本质模函数(英文缩写为IMF)和一个残余分量；

S3.计算各本质模函数自身的峭度指标；

S4.计算各本质模函数与原始信号之间的相关系数；

S5.选择峭度指标与相关系数都优于其他IMF，具体地，选择峭度指标与相关系数之和最大的IMF作为下一步分析的敏感单分量；这是由于滚动轴承局部损伤故障会产生冲击，冲击越明显则峭度指标越高，故利用峭度指标可以衡量其中包含冲击量的多少；而本质模式函数与原始信号间的相关系数反映其中包含信号真实成分的多少。因此，可根据各本质模式函数峭度指标及相关系数的大小，优选出对故障敏感的本质模函数。

S6.在取值范围内选取k值，基于k-GDE方法计算敏感单分量的包络幅值；K取值范围为其中f_s为采集滚动轴承振动信号时采取的采样频率，f为载波频率；

S7.对包络幅值进行Fourier变换得到k-GDE包络谱，通过匹配峰值频率与滚动轴承故障特征频率，实现故障诊断。