[发明专利]自适应变分模式分解的机械微弱故障诊断方法

摘要

本发明公开了一种自适应变分模式分解的机械微弱故障诊断方法。首先利用振动信号传感器收集机械设备动态信号；然后给定一个初始平衡参数以及设定变分模式分解方法提取分量的个数为一个；然后，利用变分模式分解方法对设备动态信号进行迭代分解，并以峭度或稀疏度等故障特征敏感参数为衡量指标计算分解出的模式分量，直到确定变分模式分解方法分解出含有故障信息的分量停止迭代分解；其次，将迭代分解出的干扰分量从原始设备动态信号中剔除。该发明克服了传统变分模式分解方法中最优平衡参数以及合理的分解模式分量的数目自适应选择的难题，能够自适应地提取出机械设备动态信号中的故障成分，且易操作，具有广泛应用的前景。

主权项

1.一种自适应变分模式分解的机械微弱故障诊断方法，其特征在于，包括：步骤1，利用振动信号传感器收集旋转机械设备动态信号X₀；步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X₀进行迭代分解，得到待优化的目标分量X_I；步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量X_I进行双向优化分析，以获取包含最丰富故障信息的成分步骤5，对提取的包含最丰富故障信息的成分进行包络分析，得到其包络谱F；步骤6，比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率，最终确定旋转机械的健康状态；所述变分模式分解方法为：采用交替乘子法求解变分约束模型：其中，x(t)代表输入的信号，*代表卷积算子，表示对时间t求偏导数，δ(t)是狄利克雷分布函数，指数调节项用于平移各分量频谱，信号x(t)被分解为K个模式分量u_k(k＝1,…,K)，每个模式分量u_k都紧密围绕其中心频率ω_k；所述机械设备动态信号X₀迭代分解过程为：步骤3.1：利用设定初始分解参数的变分模式分解方法对信号X_i(i＝0)进行分解，提取模式分量U_i；步骤3.2：判断上一步中提取的分量U_i是否为包含故障信息的分量；步骤3.3：若分量U_i不是故障分量，则令i＝i+1，并将提取分量U_i‑1从X_i‑1中剔除，即X_i＝X_i‑1‑U_i‑1，然后返回上一步；若U_i为故障分量，则迭代停止，令X_I＝X_i，输出X_I为待优化的目标分量；所述判断提取的分量U_i是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度故障特征敏感的特征指标来确定，其中，对于峭度值而言，其值小于3的分量为干扰成分；所述的对待优化的目标分量X_I进行双向优化分析包括：步骤1：给定平衡参数α＝α₀+Δα，Δα为平衡参数α变化的步长，模式分量个数K＝1；α＝α₀‑Δα，模式分量个数K＝1两组变分模式分解方法使用的分解参数；步骤2：利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量X_I，分别得到模式分量Vr₁、Vl₁；步骤3：分别计算模式分量Vr₁、Vl₁的峭度值Kur₁、Kul₁；步骤4：如果Kur₁＞Kul₁那么执行右向优化策略，否则执行左向优化策略；所述右向优化策略为：步骤1.1：令变分模式分解方法使用的分解参数：平衡参数α＝α₀+iΔα，其中i＝2，模式分量个数K取值为1；步骤1.2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量X_I，得到模式分量Vr_i，并计算模式分量Vr_i的峭度值Kur_i；步骤1.3：如果Kur_i＞Kur_i‑1，那么令i＝i+1，返回步骤1.1；否则令输入作为包含最丰富故障信息的成分；所述左向优化策略为：步骤2.1：令变分模式分解方法使用的分解参数：平衡参数α＝α₀‑iΔα，其中i＝2，模式分量个数K取值为1；步骤2.2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量X_I，得到模式分量Vl_i，并计算模式分量Vl_i的峭度值Kul_i；步骤2.3：如果Kul_i＞Kul_i‑1，那么令i＝i+1，返回步骤2.1；否则令输入作为包含最丰富故障信息的成分。