[发明专利]基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法

权利要求书

1.基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，其特征在于：首先，采用最大相关峭度解卷积对采集到的轴承原始振动信号进行降噪处理，用于增强信号的故障特征；其次，利用变分模态分解方法对降噪后的信号进行分解，得到一系列的本征模态函数；再次，计算每个本征模态函数的多尺度散布熵值，构成故障特征向量；最后，采用训练好的变量预测模型分类器进行故障识别和分类。

2.根据权利要求1所述的基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，其特征在于：所述方法的具体步骤如下：

Step1、采集滚动轴承4种状态下的振动信号，4种状态分别为正常、内圈故障、外圈故障、滚动体故障；

Step2、采用最大相关峭度解卷积对采集到的滚动轴承振动信号进行降噪处理；

Step3、利用变分模态分解方法对降噪后的信号进行分解，得到K个本征模态函数；

Step4、对步骤Step3所分解的K个本征模态函数计算多尺度散布熵的值，构成故障特征向量；

Step5、将步骤Step4中的故障特征向量输入到变量预测模型中进行训练，使所有故障类别下的所有特征值都分别建立预测模型时，代表故障的不同的类别，g表示类别个数，i＝1,2,…,p时，代表不同的特征参数，p表示特征参数个数，按照步骤Step4，得到测试样本的故障特征向量，利用建立好的预测模型确定轴承的工作状态和故障类型。

3.根据权利要求2所述的基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，其特征在于：所述步骤Step2采用最大相关峭度解卷积对采集到的滚动轴承振动信号进行降噪处理，具体包括如下步骤：

首先求出最大相关峭度，目标函数表达式如下：

式中：f＝[f₁,f₂,…,f_L]^T为长度为L的滤波器系数，M为位移数，m＝0,1,…,M，T为信号的周期，N为采样点数，n＝0,1,…,N，y_n为滤波后的信号，且n≠1,2,…,N时，y_n＝0；

为了得到使CK_M(T)取最大值的滤波器，令

求得的滤波器系数的结果以及矩阵的表示形式如下：

其中，y＝f*x，x为采集的振动信号，x_n-k+1为第n-k+1个采样点采集到的振动信号；

其中，

4.根据权利要求2所述的基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，其特征在于：所述步骤Step 3的具体包括如下步骤：

变分模型的构造函数表达式如下所示：

式中，{u_k}＝{u₁,u₂,…,u_k}为分解得到的k个模态函数，{ω_k}＝{ω₁,ω₂,…,ω_k}为各模态中心频率，k＝1,2,…,K，为对函数求时间t的偏导数，δ(t)为单位脉冲函数，j为虚数单位，ω_k为u_k(t)的中心频率，*为卷积，u_k(t)为调频-调幅的模态函数，f(t)为输入信号；

求上式的约束变分问题转化为非约束变分问题，需要引入增广拉格朗日函数，其函数表达式为:

式中：α为二次惩罚因子，λ(t)为拉格朗日乘子；

为求解变分问题的最优解，需要通过交替乘子方向法更新λⁿ⁺¹，寻求增广拉格朗日表达式的鞍点，交替寻优迭代后的表达式如下：

式中：为频域状态的模态函数，为频域状态的拉格朗日乘子；

给定判别精度e＞0，若则停止迭代。

5.根据权利要求2所述的基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，其特征在于：所述步骤Step 4对步骤Step3所分解的K个本征模态函数计算多尺度散布熵的值，具体包括如下步骤：

对于初始信号的时间序列{u(i),i＝1,2,3,…,Q}，对该序列进行复合粗粒化处理，在设定尺度因子τ下的第k个粗粒化序列为序列的具体计算公式如下：

式中，为粗粒化序列中的第j个元素，u(i)为信号中第i个信号，Q为信号的长度，τ为尺度因子；

在各个尺度因子τ下，根据散布熵原理计算各个粗粒化序列的散布熵则将多尺度散布熵定义为：

式中：X_i为第i段信号，m₁为嵌入维数，c为类别个数，d为时延。