[发明专利]一种基于改进AFD的滚动轴承故障诊断方法

说明书

本发明公开了一种基于改进AFD的滚动轴承故障诊断方法；通过融合信噪比、均方根差百分比和质量分数指标，构建组合权重指标SPQ，用于AFD分解层数的自适应选取，以准确提取轴承故障特征信号；本发明构建的联合指标SPQ可以实现AFD分解层数的自适应选取，并且避免了因人为设置分解层数而导致信号的误分解，提升了轴承故障判断准确率。

技术领域

本发明属于轴承故障诊断技术领域，具体涉及一种基于改进AFD的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械设备中应用较为广泛且易发生故障的核心零部件，其故障会导致设备性能下降，造成巨大的经济损失。因此，采取有效方法提取出滚动轴承的故障特征，对提高滚动轴承故障诊断的准确性至关重要。振动分析技术被广泛应用于轴承的故障检测，然而，轴承的振动信号具有非平稳、非线性等特性，因此，如何有效提取出滚动轴承的故障特征变得尤为重要。

自适应傅里叶分解(Adaptive Fourier decomposition，AFD)算法是Qian等人提出的一种新的信号分解方法，它通过使用自适应基函数将信号分解成只包含正频率的基本片段。此外，AFD根据信号的能量分布对信号进行分解，将给定的信号分解为一系列单分量之和的形式，并通过能量最大选择原则与原始信号进行匹配，使得重构信号能够较好地保留原始信号中的振动特征。因此，它的分解分量不仅具有良好的收敛性，而且遵循能量从高到低提取，适用于非平稳、非线性的信号分析。ZeWang将AFD算法应用于减少心电图中的肌肉和电极运动伪影，通过对MIT-BIH心律失常数据库的测试显示AFD算法在ECG真实噪声去噪中的有效性；ZeWang[发现肺音(LS)和心音(HS)之间经常发生干扰并且频谱重叠，基于此，提出了一种基于AFD算法的分离器，能够以最小能量损失分离HS和LS；梁瑜等人将AFD算法与峭度相结合，并应用于轴承故障特征的提取，对分解得到的单一分量信号求取峭度，然后对求取的峭度进行由大到小排序，通过选取峭度较大的单分量信号进行信号重构并作包络解调，有效地提取出了故障信号的频谱特征。

但是，上述方法中分别采用估计的信噪比、峭度作为分解层数选取的判定依据，需要提前设置参数，选取不当容易导致信号过分解或欠分解，无法准确有效的提取轴承故障信号的频率特征。

发明内容

为了解决上述技术问题，本发明提供了一种基于改进AFD的滚动轴承故障诊断方法；通过融合信噪比、均方根误差百分比和质量分数指标，构建组合权重指标SPQ，实现了AFD分解层数的自适应选取，以准确提取轴承故障特征信号；

为了解决上述技术问题并达到上述技术效果，本发明是通过以下技术方案实现的：一种基于改进AFD的滚动轴承故障诊断方法，其特征在于，具体包括以下步骤：

Step1、参数初始化设置，分解层数N＝1，SPQ为无穷大，使用传统AFD将振动信号分解为单一分量和一个残余分量r，AFD具体分解方法：

采用AFD算法分解振动信号得到一系列单一分量信号f_k，这些单一分量信号之和逼近振动信号的误差可以任意小。因此，用AFD算法分解故障信号不会丢失振动信息。分解振动信号G得到一系列单一分量f_k，为

f_k＝(G_kgc_k)B_k(z)   (1)

其中，

b_k＝G_kgc_k   (3)