[发明专利]一种机械设备故障诊断方法及系统

说明书

本发明公开了一种机械设备故障诊断方法及系统，该方法包括计算不同噪声幅值所对应的模态混沌指标，并选择最小的模态混沌指标所对应的噪声幅值作为最优噪声幅值；基于期望分解误差和最优噪声幅值计算最优总体平均次数；采用配置参数后的总体经验模态分解算法对振动信号进行分解，得到各个模态函数；配置参数后的总体经验模态分解算法为在总体经验模态分解算法的基础上，将添加的噪声的幅值设置为最优噪声幅值，将总体平均次数设置为最优总体平均次数后得到的总体经验模态分解算法；对各个所述模态函数进行包络解调谱分析，以提取目标机械设备的特征频率，进而对目标机械设备进行故障诊断。本发明能够提高机械设备故障诊断准确度。

技术领域

本发明涉及机械设备故障诊断领域，特别是涉及一种基于自适应配置最优参数的总体经验模态分解算法的机械设备故障诊断方法及系统。

背景技术

随着现代工业、科技、经济的不断发展，工业已经成为衡量一个国家综合实力的重要标准。工业的发展离不开稳定的机械设备，大量的机械设备在运行初期具有良好的稳定性，但是它们的性能会随着时间的推移而降低甚至失效。且出现故障的机械设备严重影响生产的性能与安全。因此，在生产过程中，对可靠性、安全性以及降低制造成本的需求，极大的推动了对机械设备故障诊断技术的发展。

由于机械设备工作环境多样化，故机械故障复杂度也非同以往，往往呈现非线性、非平稳特征，现有的机械设备故障诊断方法已不适用。经验模态分解技术已经广泛用于处理非线性、非平稳信号，故在机械设备故障诊断领域，可以采用经验模态分解技术。

经验模态分解方法是一种基于信号分解的自适应方法，分解步骤为：使用三次样条函数对信号的局部极大值(极小值)点进行拟合，得到上(下)包络，计算上下包络的均值；将信号减去包络均值，迭代上述步骤直到筛选出来的函数符合本征模态函数条件；再将信号减去筛选出来的本征模态函数以进行下一轮筛选，如此循环筛选，直到残余信号是一个常值或单调函数，分解结束。在经验模态分解EMD中，存在分解局限性和模态混叠等问题。

针对以上问题，Wu等提出了总体经验模态分解EEMD方法，该EEMD方法将N组幅值为ε的白噪声分别加入信号进行分解，白噪声的添加可以改变信号的极值点分布，填充信号中的高频间歇，有效减少模态混叠等问题。但是添加白噪声的幅值ε和组数N需要人为选择，并且针对不同的待分解信号，所对应的最优的噪声幅值可能也不同，过大或过小的噪声幅值可能导致不同程度的模态混叠。

显然，现在总体经验模态分解技术在一定程度上仍然存在分解局限性和模态混叠等问题，若将此总体经验模态分解技术应用于机械设备故障诊断领域，必然存在故障诊断准确度过低的缺陷。

发明内容

本发明的目的是提供一种基于自适应配置最优参数的总体经验模态分解算法的机械设备故障诊断方法及系统，通过对总体经验模态分解算法中的添加噪声的幅值参数和总体平均次数参数进行自适应选择，以提高机械设备故障诊断的准确度。

为实现上述目的，本发明提供了如下方案：

一种机械设备故障诊断方法，包括：

确定目标机械设备的振动信号；

计算不同噪声幅值所对应的模态混沌指标，并选择最小的模态混沌指标所对应的噪声幅值作为最优噪声幅值；其中，所述模态混沌指标是通过计算总体经验模态分解算法的分解结果得到的；

确定期望分解误差，并基于所述期望分解误差和所述最优噪声幅值，计算最优总体平均次数；

采用配置参数后的总体经验模态分解算法，对所述振动信号进行分解，得到各个模态函数；所述配置参数后的总体经验模态分解算法为在总体经验模态分解算法的基础上，将添加的噪声的幅值设置为最优噪声幅值，将总体平均次数设置为最优总体平均次数后得到的总体经验模态分解算法；