[发明专利]一种多尺度均值变分模态分解的轴承振动信号降噪方法

说明书

本发明公开了一种多尺度均值变分模态分解的轴承振动信号降噪方法，首先，搭建机械振动模拟试验台采集滚动轴承故障振动信号，得到滚动轴承内圈与外圈故障的振动信号；其次，对原始信号进行变分模态分解获得K个IMF分量；之后，设立尺度因子Ssubgt;v/subgt;，对分量进行多尺度均值重构；然后，计算各重构序列的多尺度排列熵值进行筛选重构；最后，设置信噪比指标，对重构信号进行判别，输出降噪信号完成降噪。本发明提出的多尺度均值变分模态分解降噪方法，通过多尺度均值重构有效解决了因参数选取或特征微弱导致的特征分裂问题，同时引入对信号平稳性及周期性敏感的自相关系数解决了特征定位不准确的问题，能够针对非平稳非线性信号达到滚动轴承故障信号良好的降噪效果。

技术领域

本发明属于机械旋转部件振动信号智能故障诊断技术领域，具体涉及一种多尺度均值变分模态分解的轴承振动信号降噪方法。

背景技术

随着社会生产力的发展，机械设备越来越广泛地被应用于生活生产中去。而作为机械设备中非常重要的部件，滚动轴承经常处于高转速、高负载等恶劣的工况环境，极易出现损伤，甚至发生故障，造成经济损失。因此，采用先进的技术处理振动信号，进行故障诊断，对维护成本，避免安全事故的发生有着重大的现实意义。

在实际工况中，信号在采集的过程中不可避免地会夹杂着工程噪声与环境噪声，这些噪声大大地增加了信号的非平稳与非线性特征，如果直接对这类信号进行特征提取容易造成冗余信息干扰使得特征提取不准确等问题；同时，如果用传统针对平稳线性的信号处理方法进行降噪处理，这容易将信号中一些重要的故障特征一同滤掉。在针对实际工况中非平稳非线性信号的降噪方法中，变分模态分解展现出了良好的性能，但变分模态分解一方面其结果优劣会受到参数选取的影响，另一方面，分解分量中仍然容易存在信息混叠现象，造成特征遗失现象。

多尺度均值变分模态分解基于对降噪难度、特征遗失和非线性非平稳信号特殊性等方面的考虑，先通过变分模态分解将非平稳非线性信号进行分解，再通过设置尺度因子对分量进行多尺度均值化重构，并利用自协方差对信号平稳性的敏感性，构建自相关系数，对重构分量进行初步筛查，保证其中特征的多量完整性，然后借助MPE将两种故障信号重构分量中的高频噪声分量剔除后进行重构同时设置了信噪比评价指标，对变分模态分解降噪方法进行良好的改进，能对滚动轴承故障的非平稳非线性信号进行良好地降噪。

发明内容

发明目的：本发明提供一种多尺度均值变分模态分解的轴承振动信号降噪方法，能够针对非平稳非线性信号达到滚动轴承故障信号良好的降噪效果。

技术方案：本发明提供了一种多尺度均值变分模态分解的轴承振动信号降噪方法，具体包括以下步骤：

(1)预先获取滚动轴承不同故障下的振动信号；

(2)基于变分模态分解方法对信号进行分解，获得不同状态下的IMF分量；

(3)设置多尺度均值化的尺度因子S_v，根据尺度因子S_v，对分量进行不同尺度下的重新排列，并对其均值化，计算同尺度下多尺度均值重构分量的自相关系数，按照自相关序列的大小顺序进行排序及剔除；

(4)计算剩余重构分量的MPE熵值，筛选重构信号；

(5)设置信噪比评价指标，计算重构信号的信噪比进行比对，当小于预设评价指标时则输出重构信号完成降噪，大于预设评价指标则重复上述步骤(2)至(4)进行迭代，直至完成降噪。

进一步地，步骤(1)所述故障振动信号包含滚动轴承内圈故障及外圈故障的振动信号。

进一步地，所述步骤(2)实现过程如下：

设置VMD中分解层数K及惩罚参数α，截取不同状态下信号数据并分解，获取不同故障信号的IMF分量；将模拟试验台上采集的原始信号进行分解：