[发明专利]一种基于渐进式VMD的滚动轴承早期复合故障特征提取方法

说明书

一种基于渐进式VMD的滚动轴承早期复合故障特征提取方法。步骤1，在滚动轴承附近安装加速度传感器采集轴承运行时的振动信号；步骤2，利用渐进式VMD对采集到的振动信号进行分解，得到一系列分解后的模态；步骤3，利用基于峭度和能量波动因子的双重筛选准则对分解后得到的模态进行筛选以确定故障模态，并实现故障模态的重构；步骤4，初始化平衡参数α的范围及搜索步长，对于不同的α值，重复步骤2和步骤3，并计算重构模态的EFF值，其中最大的EFF值对应最优的α值，而后确定最优α值下的重构模态；步骤5，利用TEO对重构模态进行解调得到TEO谱，并结合轴承相关故障特征频率得出诊断结果。本申请在EEMD递归思想的基础上，提出一种渐进分解的VMD方法。

技术领域

本发明属于旋转机械设备状态监测与故障诊断技术领域，特别是涉及到一种基于渐进式VMD的滚动轴承早期复合故障特征提取方法。

背景技术

轴承作为旋转机械的重要组成构件，由于长期在高转速、交变载荷的恶劣工况下工作导致易发生故障，从而造成故障停机或灾害性的事故，所以对滚动轴承的故障诊断研究有着重要的现实意义。实际工程中滚动轴承振动信号具有非平稳性且掺杂强烈的背景噪声和多干扰源，同时早期的复合故障信号微弱，这给故障特征提取带来了巨大的挑战，因此增强故障信号特征对提高诊断精度至关重要。

针对滚动轴承故障信号的非平稳性，国内外学者对轴承早期故障信号的特征提取展开了大量的研究，目前主要有集合经验模态分解(EEMD)、变分模态分解(VMD)、小波变换(WT)、快速谱峭图(FK)、和共振解调等方法。VMD是近年新提出的算法，其是在经典维纳滤波、频率混合和Hilbert变换三个理论基础上提出的，与传统的递归算法EEMD不同，VMD是非递归的，各模态是同时被提取出来的。VMD在提出不久后被大量引入旋转机械故障诊断中，但VMD性能严格受制于分解模态数K和平衡参数α，针对此问题，一些如布谷鸟搜索算法(CSA)、粒子群优化算法(PSO)、基因遗传算法(GA)陆续被国内学者提出，但是参数寻优过程过于耗时，很难在实际工程中得以很好的应用和推广。同时，对于故障模态的筛选，常用的指标有峭度和互相关系数，但是滚动轴承故障信号中常含有随机冲击，这使得峭度指标有时会失效；另外对于微弱故障信号，其含有的故障模态与原始信号的互相关系数较低，利用传统的互相关系数很容易将故障模态剔除而导致错误判断。

国内涉及VMD方法在故障诊断中应用的专利有“基于PSO-VMD-MCKD的滚动轴承微弱故障诊断”(201810610048.2)，以包络谱峰值因子作为适应度函数，利用PSO对VMD中关键参数K和α进行寻优，但是寻优过程过于耗时，同时以包络谱峰值因子作为适应度函数很难鉴别低频信号和故障冲击信号。国家发明专利“基于参数自适应VMD的机械故障诊断方法”(201810259122.0)，通过初步设定K与α的范围，而后通过网格搜索算法确定最优的关键参数(K和α)，同样的，两个参数的网格搜索会极大的增加优化时长，很难实际应用。

发明内容

为了解决上述存在问题。本发明提供一种基于渐进式VMD的滚动轴承早期复合故障特征提取方法。本发明在EEMD递归思想的基础上，提出一种渐进分解的VMD方法；同时，提出能量波动因子(EFF)指标，利用峭度和EFF双重筛选准则对VMD分解得到的模态进行筛选以获得故障模态并实现重构，接着利用Teager能量算子(TEO)对重构的故障模态进行解调，从而实现早期轴承复合故障模态准确的提取，为达此目的：

本发明提供一种基于渐进式VMD的滚动轴承早期复合故障特征提取方法，具体步骤如下：

步骤1，在滚动轴承附近安装加速度传感器采集轴承运行时的振动信号；

步骤2，利用渐进式VMD对采集到的振动信号进行分解，得到一系列分解后的模态；

步骤3，利用基于峭度和EFF的双重筛选准则对分解后得到的模态进行筛选以确定故障模态，并实现故障模态的重构；