[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

说明书

本发明涉及基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，属于机械设备故障诊断技术领域。本发明首先，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。本发明能有效解决故障特征难以提取，以及识别精度偏低这一问题，提高故障识别的准确率。

技术领域

本发明涉及基于多尺度散布熵(Multi-scale Dispersion Entropy,MDE)和VPMCD的滚动轴承故障诊断方法，属于机械设备故障诊断技术领域。

背景技术

旋转机械设备广泛应用于航空航天、机械制造、高速列车等领域。滚动轴承作为其零部件之一是不可或缺的，因此在旋转机械设备中发挥着重要作用。但由于滚动轴承在恶劣的环境和高强度的工作等因素下很容易发生故障诊断，故利用有效的方法提取故障特征并进行故障诊断具有研究价值。

采用加速度传感器采集的振动信号易淹没在背景噪声中，在信号预处理时使用最大相关峭度解卷积对信号进行降噪，可以增强信号的故障特征；传统的信号分解方法存在端点效应和模态混叠问题，针对此问题采用变分模态分解方法来有效克服；为有效提取故障特征向量，将“熵”应用于滚动轴承故障领域，多尺度散布熵作为一种新的衡量时间序列不规则程度指标的算法，具有计算速度快且考虑幅值间关系的优点。变量预测模型利用各个特征值之间的相互内在关系，针对不同的类别，对各个特征值建立反映特征值之间相互内在关系的变量预测模型，通过预测误差平方和构建判别函数对滚动轴承进行故障诊断。

发明内容

本发明提供了基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，解决了滚动轴承故障特征难以提取，以及识别精度偏低这一问题。

本发明的技术方案是：基于多尺度散布熵和VPMCD的滚动轴承故障诊断方法，首先，采用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)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(Variational Modal Decomposition,VMD)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(Intrinsic Mode Function,IMF)；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。

作为本发明的进一步方案，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。

作为本发明的进一步方案，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：