[发明专利]基于EEMD自适应消噪的轴承故障诊断方法

摘要

本发明涉及一种基于EEMD自适应消噪的轴承故障诊断方法。首先，采用EEMD对加速度传感器采集的轴承原始振动信号进行分解；然后通过互相关系数筛选出包含主要故障信息的IMF分量，以主要故障信息的IMF能量值作为BP神经网络的输入参数训练，建立轴承故障诊断BP神经网络模型。该方法的分类诊断精度高、速度快、效率高，有效提升了轴承故障诊断的效果，并且便于工程实践应用。

主权项

本发明基于EEMD自适应消噪的轴承故障诊断方法技术方案，其特征在于步骤如下：步骤1，利用加速度传感器采集轴承振动信号，得到的信号包括内圈故障、外圈故障、正常状态3种状态；步骤2，对原始信号进行EEMD分解，通过互相关系数筛选包含主要故障信息的IMF分量，计算其能量特征值；步骤3，以其能量特征值作为BP神经网络的输入量，构造BP神经网络，采用已知样本对网络进行训练以建立基于BP神经网络的故障诊断模型，采用该故障诊断模型对机械设备的健康状态进行诊断识别；所述步骤2中采用EEMD对传感器测量的轴承对传感器测量的轴承原始振动信号x(t)进行分解：(1)分别对滚动轴承的三种状态(内圈故障、外圈故障和正常)进行采样；(2)对原始信号进行EEMD分解，得到各个IMF分量；(3)分别计算第i个IMF分量c_i(t)与原始信号x(t)和正常状态信号x′(t)之间的互相关系数α_i、β_i，筛选包含主要故障信息的IMF分量：α_i＝c_i(t)/x(t)      (2)β_i＝c_i(t)/x′(t)(3)${\stackrel{\‾}{\mathrm{\λ}}}_i={\mathrm{\α}}_i-{\mathrm{\β}}_i---\left(4\right)$${\mathrm{\λ}}_i=\stackrel{\‾}{{\mathrm{\λ}}_i}/\underset{i=1}{\overset{n}{\Σ}}\stackrel{\‾}{{\mathrm{\λ}}_i},(i=1,2,...,n)---\left(5\right)$以上可以看出，α_i、β_i突出了故障特征信息，抑制了原始信号中的正常状态信息等无关信息，与正常状态相差越大、与故障状态相差越近的IMF，其对应的λ_i越大，以λ_i作为权重系数筛选包含主要故障信息的IMF分量；各频带能量的变化表征了滚动轴承故障情况，因此，取IMF的能量作为网络的特征向量来识别轴承状态；IMF分量能量$E_i=\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}|c_i\left(t\right){|}^{2}dt,(i=1,2,...8)---\left(6\right)$考虑到能量数值较大，为便于后续分析处理，对其进行归一化处理：令$E=\underset{i=1}{\overset{8}{\Σ}}{\left(\right|E_i^2\left|\right)}^{1/2}---\left(7\right)$构造一个特征向量T：T＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]       (8)(4)将特征向量T作为神经网络的输入，以内圈故障、外圈故障、正常状态3种模式作为输出，确定网络结构，对网络进行训练；(5)神经网络输出中的神经元数由故障模式数决定；因此，输出矩阵的状态编码分别为：内圈故障轴承[0，0，1]；外圈故障轴承[0，1，0]；正常轴承[1，0，0]；在上述BP网络训练完毕后，用训练好的网络对测试样本进行检验识别：即把测试样本的特征参数作为网络输入，根据网络输出确定测试样本的状态类别。