[发明专利]基于信号分解与复杂网络的滚动轴承未知故障检测方法

说明书

本发明公开了基于信号分解与复杂网络的滚动轴承未知故障检测方法，涉及机械设备故障诊断技术领域。本发明包括信号处理、网络转换、特性提取与故障诊断检测四部分内容；信号处理：利用辛几何模态分解剔除采集到轴承工作数据中干扰成分；网络转换：对增强后信号以样本内数据点为节点、利用幅度差构建序列周期网络；特性提取：提取网络信号中包含全局及局部微观特征作为分类依据；故障诊断及检测：依照标准故障集，利用复杂网络社团结构探索实现典型故障诊断及未知故障检测。本发明克服现有信号处理方法存在模态混淆等不足，采用复杂网络从全局分析观测值间关系以提供更优良分类依据，增加诊断准确。

技术领域

本发明属于机械设备故障诊断技术领域，特别是涉及基于信号分解与复杂网络的滚动轴承未知故障检测方法。

背景技术

随着现代工业生产设备结构复杂性、功能完备性以及自动化程度的增加，设备更加整体化，从而导致设备各环节之间性能影响程度增加，当某一部分出现故障时，可能会使整套设备无法维持稳定输出，甚至导致整个生产过程失效。滚动轴承作为机械设备中承担并传递载荷的通用零件，同时也是易受损零件，滚动轴承损坏或表面出现缺陷时，会增加生产噪声及工作阻力，轻则机器受阻或卡死，重则整体系统失效造成经济损失乃至人员伤亡。因此对滚动轴承进行故障诊断以确保设备在可控范围内安全生产，避免不必要的停机维修和重大安全事故的发生，提高企业的生产效率。

目前轴承故障诊断方法主要是从其振动信号出发，以信号处理方法及智能诊断方法为主，合理分析信号中包含有效特征信息，从而对轴承性能进行判定。由于时域统计特性类别可分性较低、频域特性提取方法如傅里叶变换(FFT)及其增强变换方法则对轴承转速等额外信息存在需求，因此从信号处理角度多以时频域信号特性为主进行轴承故障类型的识别检测等。

但时频域分析方法如小波变换(Wavelet Transform,WT)、经验模态分解(Empirical Mode Mecomposition,EMD)、局部均值分解(Local Mean Decomposition,LMD)及变分模态分解(Variational Mode Decomposition,VMD)等信号分解方法在应用时均存在一定缺陷：WT尽管能够自适应表征时间及频域定位信息，但其基函数选择不当引起频率遗失这一不足仍需要改进；EMD作为一种基于信号局部变化特征获得反映信号波动本质的单分量的模态分解方法，避免构造基函数，但其在分解过程中会由数值拟合引起虚假分量、模态混淆等问题，尽管如EEMD等改进方法尝试解决上述问题但其本身同样缺乏数学理论支持；LMD采用数据平滑乘积模式获得包含更多波动信息的单分量信号，除存在模态混淆问题，算法中数据平滑方式及其移动步长均对分解结果产生较大影响。与前几种分解方式相比，VMD具有严密的数学基础，对噪声及采样频率具有更强自适应能力，但其分解结果严格取决于算法参数选择。

因此本发明首先采用辛几何模态分解(Symplectic Geometric ModeDecomposition,SGMD)进行信号处理，以在降低信号噪声等干扰、增强包含特性属性的同时，利用SGMD能在不改变原时间序列本质特征基础上获得信号模态分量，且具有相应的数学理论支撑的特点，规避以上信号分解方法存在缺陷，接着引入复杂网络理论，试以小数量样本网络特性实现轴承典型故障诊断，从网络拓扑结构特性出发解决未知故障状态识别问题。

发明内容

本发明的目的在于提供一种基于信号分解与复杂网络的滚动轴承未知故障检测方法，利用辛几何模态分解、网络拓扑等理论以解决现有信号分解方法存在如模态混淆、受参数影响程度大，信号时域、频域等分类特性存在应用局限性等问题。

为解决对应技术问题，本发明采用以下技术方案实现：

基于信号分解与复杂网络的滚动轴承未知故障检测方法，包括以下步骤：

步骤1：信号处理：利用辛几何模态分解方法，选取主要分量以剔除其干扰成分；

步骤2：网络转换：对增强后信号以样本内数据点为节点，利用幅度差构建序列周期网络；