[发明专利]基于经验模态分解和核相关的滚动轴承故障诊断方法

说明书

本发明公开了一种基于经验模态分解和核相关的滚动轴承故障诊断方法。该方法首先采用经验模态分解方法将获取到的单通道信号分解为虚拟的多通道信号，然后采用贝叶斯信息准则对多通道信号进行选择，接着基于核相关最大化提取滚动轴承故障信号，最后采用包络分析方法对提取的信号进行故障诊断。本发明还进一步分析了核宽度的变化对故障信号提取效果的影响。为了验证提出方法的有效性和先进性，本发明使用轮对轴承信号对方法进行了验证，取得了良好的实验结果。

技术领域

本发明属于机械工程领域。本发明涉及一种基于经验模态分解和核相关的滚动轴承故障信号提取方法。

背景技术

滚动轴承在机械工程领域内应用十分广泛，在高强度和高密度的工作条件下，滚动轴承具有很高的故障率。因此，通过故障诊断方法对滚动轴承的状态进行监测，实时更换故障轴承以保证机械设备的正常运转就显得尤为重要。

盲源分离算法是众多经典故障诊断算法的分支之一，用于将混合信号的不同组成成分分开。但由于源信号和混合矩阵都是未知的，所以分离出来的信号顺序无法确定。在现场实践中，混合信号中的重要信息是由一个信号源承载的，其他多位干扰信号或噪声信号。因此，盲源提取算法被提了出来，该算法只提取混合信号中的特定信号成分，避免了盲源分离算法带来的大计算量。

盲源提取和盲源分离算法的一个前提条件是要获取不同监测位置的多通道源信号。然而，由于实际工业生产条件的影响，很难获取多通道的源信号，与之相比，单通道信号更易获取，基于单通道信号进行盲源提取更符合现场应用的实际情况。

发明内容

本发明的目的是对滚动轴承的状态监测，根据不同轴承故障类型所具有的特征频率对轴承的内圈，外圈或滚动体故障进行区分和诊断。本发明可以在滚动轴承信号被冲击噪声干扰的条件下，准确地对滚动轴承的故障类型进行区分。本发明具体采用如下技术方案：

一种基于经验模态分解和核相关的滚动轴承故障信号提取方法，包括以下步骤：

1)获取实验数据：分别采集滚动轴承处于不同故障状态下的振动加速度数据，所述不同故障状态包括滚动体故障，内圈故障，外圈故障，根据轴承的技术参数计算轴承的故障频率；

2)原始信号通过经验模态分解的方法分解为多通道信号；

3)获取多通道信号的协方差矩阵，进行奇异值分解；

4)基于贝叶斯信息准则获取源信号数目，确定用于故障信号提取的通道信号；

5)对获取到的通道信号进行预处理，预处理方法包括零均值化方法去除均值和主成分分析法去除相关性特征；

6)确定时延参数和核宽度的大小，基于核相关最大化获取提取向量，再提取滚动轴承故障信号；

7)获取提取轮对轴承故障信号的包络谱图并确定轮对轴承故障类型。

优选地，所述步骤1)中根据轴承的技术参数计算轴承的故障频率的具体方式为：

确定外圈故障频率：

确定内圈故障频率：

确定滚动体故障频率：

其中，f_r表示转轴的旋转频率，n表示轴承的滚动体数目，φ表示载荷径向面夹角，d表示滚动体的直径，D表示轴承内径。

优选地，所述步骤2)具体采用如下方式：