[发明专利]基于改进EMD分解与敏感特征选择的轴承故障诊断方法

摘要

本发明公开了一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法，对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解，获得若干个IMF分量；通过定量计算各IMF分量与原始信号的相关性大小，选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象，并且分别提取IMF分量中的特征参数构成原始特征集；根据距离评估方法分别确定原始特征集中每个特征的敏感度因子，并且构造敏感特征集；将轴承的故障样本中的训练样本的敏感特征向量输入到支持向量机SVM中进行训练，根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化，对测试样本进行故障识别。本发明能够减小故障特征向量的维数和分类器的计算规模，提高滚动轴承故障诊断的准确率。

主权项

一种基于改进EMD分解与敏感特征选择的轴承故障诊断方法，其特征在于，该方法通过以下步骤实现：步骤1：对轴承不同故障状态下的原始振动信号进行小波降噪与EMD分解，获得若干个IMF分量；步骤2：通过定量计算各IMF分量与原始信号的相关性大小，选取包含轴承主要故障信息的前h个IMF分量作为提取故障特征信息的对象，并且分别提取IMF分量中的特征参数构成原始特征集；步骤3：根据距离评估方法分别确定原始特征集中每个特征的敏感度因子，并且构造敏感特征集；步骤4：将轴承的故障样本分为训练和测试样本，并将训练样本的敏感特征向量输入到支持向量机SVM中进行训练，根据遗传算法对SVM的核函数参数g和惩罚因子c进行优化，通过训练好的轴承故障诊断模型对测试样本进行故障识别；所述步骤1具体为：对轴承不同故障状态下的原始振动信号进行降噪预处理，选择合适的小波基函数和信号分解层数，根据斯坦因无偏似然估计原则确定各层高频系数的阈值，然后采用软阈值函数处理高频系数，通过小波逆变换重构信号，获得降噪后的信号；所述步骤1中对降噪后的信号进行EMD分解，其具体步骤为：步骤1.2.1：将降噪后的时域信号作为待分解序列x(t)，并提取其所有的极大值点和极小值点，分别用三次样条曲线连接极大值点和极小值点，形成上包络线和下包络线，上下包络线之间应包含全部原始数据，求取包络均值m1，得到信号差值序列h1＝x(t)‑m1；步骤1.2.2：h1不满足本征模态函数的两个条件：(1)在整个数据集合中，极值点的数目和过零点的数目必须相等或最多相差一个；(2)由局部极大值和极小值所形成的包络均值都等于零；重复执行步骤1.2.1，将h1作为待分解序列，直到第k次处理所得到的结果h1k满足本征模态函数的条件为止；步骤1.2.3：将第一个本征模态函数记作c1＝h1k，得到剩余项r1＝x(t)‑c1，将r1作为新的原始数据，重复上述步骤，直到第n个剩余项rn小于给定值或成为单调函数则EMD分解过程结束，最后得到原始信号由这n个不同尺度下的本征模态函数和剩余项组成；所述步骤2具体为：步骤2.1：根据定量计算EMD分解产生的各IMF分量与原始信号的相关性大小；式中x(t)为原始信号，ci(t)为第i个IMF分量，为第i个IMF分量与原始信号的相关系数；步骤2.2：根据上述计算所得的结果，在前h个IMF分量的基础上分别提取其能量值、奇异值和包络样本熵值。