CN113780056B 基于振动信号的滚动轴承故障诊断方法 （山东科技大学）

A,2021.01.05A,2020.09.11A,2021.04.20A,2012.08.01A,2021.06.11本发明涉及一种基于振动信号的滚动轴承故障诊断方法，采用CEEMDAN算法对振动信号进主导的IMF分量进行去噪处理；能够更好地去除的IMF分量进行信号重构，并对重构信号进行希到训练好的支持向量机中进行滚动轴承故障识2步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关ε1E1i3针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判去趋势波动分析是一种衡量非平稳序列长程相关性的方法，通过(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系根据求取出来的标度函数值α进行判断IMF分量中的噪4dj,k＝uj,k+ej,kj,k为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，u在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理后的各层小5为实现滚动轴承故障类型自动识别，在构建故障特征集输入到支持向量机中进行识这时就对随意的一个时间序列x(i)进行重构，就得到重构矩阵T种时间序列x(i)表示为下式(28)；多尺度排列熵的理论基础是建立在多尺度分析和排(1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列计算公式如(29)所6经过计算发现，求取出来的MPE熵值受初始参数而导致无法区789ε1E1i去趋势波动分析(DFA)引入到IMF分量临界[0043]DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来[0050](3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲[0062]在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理T种时间序列x(i)表示为下式(28)；[0097]多尺度排列熵[62-64]的理论基础是建立在多尺度分析和排列熵上的。其核心就是[0098](1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列计算公式如[0128]本发明基于振动信号的滚动轴承故障诊断方法，CEMDN渠道是将含有噪声分量比然后对这个分量进行一个小波的渠道，对于还有的噪声分量比较少的那个MF分量就不用征提取以及故障类型识别，将去噪之后的振动信号再次进行CEEMDAN算法分解，计算各阶选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机确率为97.5较未优化之前故障识别准确率提高了11.67单纯的MPE-SVM识别，存在[0130]图1是基于振动信号的滚动轴承故障诊断方法的灰狼算法+MPE+SVM故障识别流程ε1E1i去趋势波动分析(DFA)引入到IMF分量临界[0173]DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来[0180](3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲[0192]在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理T种时间序列x(i)表示为下式(28)；[0227]多尺度排列熵[62-64]的理论基础是建立在多尺度分析和排列熵上的。其核心就是[0228](1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列计算公式如[0259](2)对滚动轴承振动信号进行故障特征提取以及故障类型识别，将去噪之后的振故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。[0262]滚动轴承发生不同故障时的特征频率是不一样的，特征频率值与轴承的参数相分量进行标度函数α值计算。按照DFA算法相关性的判别，认为前四阶IMF分量是以噪声为[0274]分析表3可以发现前五阶IIMF分量的相关系数和峭度数值较大所以在这里选取前以清晰的看出正弦滚轴筛滚动轴承内圈故障频率为39.55Hz与理论计算值40.143Hz相差无[0276]在上文重构信号进行多尺度排列熵值计算，其中MPE算法的初始参数设置为N=共为160组，其中100组做训练样本，剩余60组做测试样本。对比对象分别为未经优化的MPE-SVM故障识别方法对原始信号进行故障识别(A)和经灰狼算法优化后的MPE-SVM故障识别方法对原始信号进行故障识别(B)以及对原始信号进行去噪处理之后分别使用MPE-SVM10个，识别正确率上升为83.33较未去噪之前正确率有大幅的提升；[0297]本发明基于振动信号的滚动轴承故障诊断方法，CEMDN渠道是将含有噪声分量比然后对这个分量进行一个小波的渠道，对于还有的噪声分量比较少的那个MF分量就不用选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机确率为97.5较未优化之前故障识别准确率提高了11.67单纯的MPE-SVM识别，存在