[发明专利]基于VMD与多重分形相结合的轴承故障识别方法

说明书

本发明公开了基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：滚动轴承故障信号的采集的步骤；对信号进行去噪预处理的步骤，采用VMD法对故障信号进行预处理；对预处理后的信号进行特征提取的步骤，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；选取适当的分类器对故障信号仿真求取准确率的步骤。能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度。

技术领域

本发明涉及轴承故障诊断技术领域，具体来说，是一种轴承故障识别方法。

背景技术

滚动轴承的故障主要发生在轴承滚道和滚动体中，其产生原因主要为轴承工作中的异常侵袭、载荷冲击以及润滑故障等。除了正常状态，还存着三种典型的故障状态：内圈故障、外圈故障和滚动体故障，在产生故障时，会产生高频率的机械振动，往往这些高频率机械振动的波形并不规则，且较为复杂。随着现代设备精密性和复杂性的不断增加，传统的机械故障诊断技术面临着故障的特征信息提取不完全、分类器识别精度不高的问题。

发明内容

本发明的目的是提供基于VMD与多重分形相结合的轴承故障识别方法，能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度。

本发明的目的是这样实现的：基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：

滚动轴承故障信号的采集的步骤S1；

对信号进行去噪预处理的步骤S2，在步骤S2中，采用VMD法对故障信号进行预处理；

对预处理后的信号进行特征提取的步骤S3，在步骤S3中，采用以多重分形去趋势波动分析法为主的分形维数方法对预处理后的故障信号进行特征提取，从谱分析、波形分析、瞬时信息特征方面对非线性信号进行有效识别；

选取适当的分类器对故障信号仿真求取准确率的步骤S4；

其中，上述步骤S1-S4均在分析软件系统中进行。

进一步地，在步骤S4中，采用随机森林分类器仿真方法对特征向量进行分类，求取其仿真时间和识别准确率，以区分不同轴承故障状态。

进一步地，在步骤S2中，使用VMD法时，通过迭代更新模型中的最优解来确定每个模态分量的中心频率和带宽，从而自适应地实现将各个分量从频域分离。

进一步地，在步骤S4中，由分析软件系统生成关系图，根据广义Hurst指数H_q(_q)随_q增大而减小的趋势展示出故障信号的多重分形特征。

本发明的有益效果在于：

1、能够清晰地获得故障信号特征频率，从而诊断故障的类型，对传统的机械故障诊断技术加以改进，提高诊断精度；

2、对于滚动轴承故障信号具有良好的去噪效果和较强的关键特征信号提取能力，极大地改善了模态混叠问题，提高了对噪声的鲁棒性。

附图说明

图1是本发明的方法流程图。

图2是不同故障下广义赫斯特指数H_q(_q)与_q的关系图。

具体实施方式

下面结合附图和具体实施例对本发明进一步说明。

如图1所示，基于VMD与多重分形相结合的轴承故障识别方法，包括如下步骤：

滚动轴承故障信号的采集的步骤S1；