[发明专利]基于优化变分模态分解的滚动轴承故障诊断方法

说明书

本发明提供一种基于优化变分模态分解的滚动轴承故障诊断方法，包括：选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化；以优化后的参数对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；以峭度、相关系数、边际谱熵作为筛选准则对分量进行筛选，求取保留分量的主频分布特征；将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。本发明通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于优化变分模态分解的滚动轴承故障诊断方法。

背景技术

滚动轴承在机械设备中有至关重要的作用，一旦出现故障，可能直接造成机械设备异常甚至停机，研究滚动轴承故障诊断方法是近年来机械设备故障诊断的热点内容。当滚动轴承发生故障时，它的振动信号包含了大量的故障信息，但是它的振动信号是非线性非平稳的，通过传统的频谱分析难以准确提取故障特征频率，而且也不能判断故障的严重程度。

基于以上的问题，Huang提出了经验模态分解法(EMD，Empirical ModeDecomposition)，区别于传统的信号处理方法，EMD无需设置基函数，通过自适应方法将信号分解为若干频率分量和一个残余分量，每个分量均包含信号在不同时间段的局部特征，但EMD方法存在端点效应以及模态混叠的问题。

相关技术中，提出变分模态分解，该法有可靠的数学理论基础，引入变分框架求解约束变分模型最优解，将原信号分解为一系列调幅调频信号。虽能有效避免模态混叠及端点效应，但在变分模态分解中，模态数和二次惩罚因子需要人工选取，效率低且若选取不当会对最后的分解效果产生影响，进而影响故障诊断的识别率。

发明内容

本发明为解决上述技术问题，提供了一种基于优化VMD(Variational ModeDecomposition，变分模态分解)的滚动轴承故障诊断方法，通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。

本发明采用的技术方案如下：

一种基于优化变分模态分解的滚动轴承故障诊断方法，包括以下步骤：步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化；步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征；步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。

根据本发明的一个实施例，根据以下公式(1)定义所述平均包络熵：

其中，a(j)表示第i个分量的包络线，K表示模态数，N表示采样点数， P_ij表示第i个分量的归一化包络线，E_ij表示第i个分量的包络熵，Ep表示平均包络熵，i和j为正整数。

根据本发明的一个实施例，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化，包括：