[发明专利]一种基于多岛遗传和变分模态分解的轴承故障诊断方法

说明书

本发明提供一种基于多岛遗传和变分模态分解的轴承故障诊断方法，包括以下步骤：采集滚动轴承振动信号，并采用经多岛遗传算法优化的变分模态分解方法对滚动轴承振动信号进行分解，得到本征模态分量；计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行解调得到包络谱；采用最小熵卷积MOMEDA算法对包络谱进行信号增强，得到增强后的包络谱；根据增强后的包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。本发明能够有效将轴承信号的故障信息与噪声信息分离，抑制噪声对滚动轴承故障特征提取精度的影响，使滚动轴承故障特征的提取精度大大提高。

技术领域

本发明涉及滚动轴承检测技术领域，具体涉及一种基于多岛遗传和变分模态分解的轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械设备中最常用和最重要的部件之一，其运行状态与设备系统的安全运行有着直接的关联。在实际工程应用中，更期望在故障发生阶段，即对早期故障进行有效检验，并在早期故障阶段对轴承的损伤部位进行判断，为现场工作人员提供维修决策参考。滚动轴承在早期故障阶段，往往存在冲击成分微弱、周围环境噪声干扰大等特点，这使得一方面难以识别轴承是否已经出现早期故障，另一方面增大了轴承早期故障类型诊断的难度。

因此，存在着对于能够在早期有效地识别出轴承等设备的不同类型故障的方法的需求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多岛遗传和变分模态分解的轴承故障诊断方法，能够有效将轴承信号的故障信息与噪声信息分离，抑制噪声对滚动轴承故障特征提取精度的影响，使滚动轴承故障特征的提取精度大大提高。

为达到上述目的，本发明提出如下技术方案，本发明提供一种基于多岛遗传和变分模态分解的轴承故障诊断方法，包括以下步骤：

采集滚动轴承振动信号，并采用经多岛遗传算法优化的变分模态分解方法对滚动轴承振动信号进行分解，得到本征模态分量；

计算各个模态分量的敏感参数SP，并选取敏感参数SP值最大的两个本征模态分量进行重构，并对重构信号进行解调得到包络谱；

采用最小熵卷积MOMEDA算法对包络谱进行信号增强，得到增强后的包络谱；

根据增强后的包络谱识别滚动轴承故障频率特征，进行滚动轴承故障诊断。

优选地，所述本征模态分量的计算过程为：设置多岛遗传算法的参数并初始化种群，得到个体的参数组合[K,α]；将种群中不同的个体代入变分模态分解算法对振动信号进行分解，得到K个本征模态分量；计算K个本征模态分量的包络熵和Renyi熵，并以局部最小包络熵和局部最小Renyi熵的平均值作为个体的适应度值；根据每个个体的适应度值得到优化后的适应度值；当多岛遗传算法的迭代次数达到最大设定值时，输出最佳适应度值及其相应的最优参数组合[K₀,α₀]；将最优参数组合[K₀,α₀]作为变分模态分解算法的输入参数，得到滚动轴承振动信号的本征模态分量。

优选地，所述敏感参数SP的计算过程为：根据所述本征模态分量及所述滚动轴承振动信号得到Holder系数；根据所述本征模态分量得到本征模态分量的峰度；根据所述Holder系数及所述峰度得到敏感参数SP。

优选地，采用Teager能量算子对重构信号进行解调得到包络谱。

优选地，所述采用最小熵卷积MOMEDA算法对包络谱进行信号增强的过程为：根据包络谱最大峰值所在频率计算并设置最小熵卷积MOMEDA算法的解卷积周期，采用最小熵卷积MOMEDA算法增强重构信号的周期冲击成分。

优选地，所述滚动轴承振动信号包括正常信号、内圈故障信号、滚珠故障信号及外圈故障信号。

本发明公开了以下技术效果：