[发明专利]一种基于实测信号的滚动轴承故障检测方法

说明书

本发明公开了一种基于实测信号的滚动轴承故障检测方法，首先，采用阶比跟踪技术将滚动轴承故障时域振动信号转换到角域；然后，利用天牛须搜索算法对变分模态分解进行参数优化，对滚动轴承各状态振动信号进行分解，得到一系列固有模态函数，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化；然后，从包含有主要故障信息的模态分量中提取Renyi熵特征，构建特征子集；最后，使用易于获取的正常状态振动信号训练，提取了故障特征量并建立了故障数据样本与增量学习数据样本，采用单类支持向量机增量学习算法训练得到了故障识别模型，准确判断滚动轴承是否发生故障，实现故障预警。

技术领域

本发明属于电气故障检测技术领域，具体涉及一种基于实测信号的滚动轴承故障检测方法。

背景技术

滚动轴承作为风电机组的核心部件，由于机组的工作环境恶劣，不断受到冲击力和负载的影响，同时由于风速具有间歇性以及强波动性，导致风电机组面临复杂的工况条件。变工况场景下风机滚动轴承振动信号故障特征不稳定、工况复杂、故障样本数据少，导致轴承故障分析困难。经长期运行，使风电机组轴承容易易发生故障，一旦轴承出现问题，轻则产生噪音、异响，重则会造成传动系统的崩溃，严重影响风力机组的运行。由于风力机组的高空、低速、重载工况的制约，轴承不易观察和拆卸，在故障分析判断上往往给工作人员带来困难和不便，给风电装备的运行维护带来了极大困难，推高了机组的维护成本，对轴承早期故障诊断及故障趋势预测可以尽早发现故障并安排检修，对保障风电机组安全、可靠运行与风场经济性具有重要意义。

风机轴承故障诊断通常对轴承振动信号进行分析处理，常见的轴承振动信号时频分析方法有小波变换、经验模态分解、局部均值模态分解与变分模态分解。小波变换继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，但在处理复杂振动信号时，需选择不同基函数才能获得最佳效果，且参数选取无统一标准。经验模态分解将非平稳振动信号分解为一系列具有不同特征尺度的本征模函数，并将其能量作为神经网络输入，但存在包络拟合不准确、边界处发散等问题。局部均值模态分解是对经验模态分解的改进，优化了抑制端点的能力，但容易出现模态混淆现象，降低信号分解的准确性。变分模态分解是多分量信号自适应分解方法，在处理主轴承信号时具有良好的抗噪性能，但模态数需根据先验知识进行预估，如模态数选择不合理则易造成较大分解误差。

发明内容

本发明的目的是提供一种基于实测信号的滚动轴承故障检测方法，解决现有技术基于变工况非平衡小样本的轴承信号的故障特征提取困难以及识别准确率低的问题。

本发明所采用的技术方案是，一种基于实测信号的滚动轴承故障检测方法，具体按照以下步骤实施：

步骤1、采集滚动轴承时域振动信号，采用阶比跟踪技术将时域振动信号转换为角域平稳信号；

步骤2、利用天牛须搜索算法对变分模态分解算法进行参数优化，对滚动轴承各状态角域平稳信号进行分解，得到固有模态函数分量；

步骤3、根据Renyi熵的公式从固有模态函数分量中提取Renyi熵特征，构建特征子集；

步骤4、利用提取特征子集建立故障数据样本，通过单类支持向量机增量算法训练，构建新的单类支持向量机；

步骤5、采用新的单类支持向量机对轴承振动信号进行故障识别。

本发明的特点还在于：

步骤1具体过程为：

步骤1.1、通过恒定的采样率对振动信号和转速信号分两路进行等时间间隔Δt采样，振动信号设为x(n)，转速信号设为s(n)；