一种基于改进变分模态分解的滚动轴承故障诊断方法

摘要

本发明公开了一种基于改进变分模态分解的滚动轴承故障诊断方法，其特征在于，首先基于改进变分模态分解将振动信号分解为一系列固有模态函数；计算各IMF分量的能量占比，依据能量占比原则选择有效IMF分量，重构有效IMF分量获得新的分析信号x_new(t)；利用MOMEDA方法对重构的分析信号x_new(t)进行解析，提取滚动轴承故障信号中被噪声淹没的周期冲击成分，并计算周期冲击信号的Teager能量谱；依据Teager能量谱提取滚动轴承的故障特征。本发明引入基于尺度分割的MVMD方法，解决了VMD分解模态参数K自适应选择的问题；MOMEDA法解决了MCKD存在的预先选定输入参数的问题；MVMD‑MOMEDA‑TEO结合的故障特征提取的方法解决了在随机噪声和其他信号严重干扰的情况下，轴承故障特征难以提取的问题。

说明书

技术领域

本发明属于机械故障诊断技术领域，具体涉及一种基于改进变分模态分解的滚动轴承故障诊断方法。

背景技术

旋转机械是工业生产中的重要设备，在冶金、电力、石化、制造、航空航天等多个工业生产领域应用较广。滚动轴承是旋转机械的核心部件，然而44％以上旋转机械的故障均是由滚动轴承引起的，其健康状态对机械设备的安全运行具有重大影响。为确保旋转机械设备的正常工作，开展滚动轴承的运行状态监测和故障诊断方法研究，具有重要理论研究价值及经济意义。

由于轴承工况的不稳定和零部件的损伤等引起的非线性振动，导致采集到的信号大多表现出非线性、非平稳的特征；同时不可避免地受到各种噪声与信号调制干扰的影响，较难从时域或频域直接判断出故障特征。因此，如何从非平稳的振动信号中提取故障特征信息是轴承故障诊断的关键。

为提取轴承故障特征，经验模态分解 (EmpiricalModeDecomposition,EMD)、局域均值分解 (LocalMeanDecomposition,LMD)、小波变换(WaveletTransform， WT)等方法被引入故障诊断领域并取得了一定的成果，但都存在一定的局限性。小波变换需要预先设定小波基和分解尺度，得到的结果是某一固定频带的信号，不具有自适应性。EMD和LMD方法虽可以自适应得将复杂的信号分解为一系列的分量，但是在理论上仍存在一些问题，如过包络、欠包络、模态混叠、端点效应、IMF判据。

结合模态带宽求解和约束优化的思想，Dragomiretskiy提出了变分模态分解(VariationalModeDecomposition,VMD)，该方法采用迭代方式搜寻变分模型最优解来确定每个分量的中心频率及带宽，从而能够自适应地实现信号频域的有效分离。相比于EMD和LMD，VMD 其本质是一组自适应的维纳滤波器，因此不存在由于包络问题和递归运算产生的模态混叠和端点效应。VMD方法自提出以来，已被广泛应用于滚动轴承故障特征提取中。但VMD也存在两个局限：一是分解模态分量数必须给定，二是VMD控制参数选择缺乏理论依据。由于滚动轴承受强噪声等影响，预设的分解模态可能导致信息丢失或过分解等问题，影响后续特征提取。因此，如何快速自适应确定VMD的分解模态数，提高信号分析处理速度，是亟需解决的关键问题之一。因此本文引入文献中提出的改进的VMD方法 (ModifiedVariationalModeDecomposition,MVMD)，满足快速、准确自适应确定VMD分解模态数，提高方法的在线使用能力。

利用MVMD法得到的各个IMF分量中依然残留一定量的噪声，为提高故障特征提取的精度，对分解后的重构信号进行去噪处理。为了对振动信号进行降噪，进一步提取振动信号的周期性有效脉冲。 Wiggins提出了最小熵解卷积(MinimumEntropyDeconvolution,MED)。 H.Endoet等人最先将MED用于旋转机械的故障检测。但是，该迭代方法不仅运算复杂并且得到的滤波器未必是全局最优滤波器。由于该方法仅适用于单脉冲冲击信号，为此GLMcdonald等人提出MCKD针对 MED方法存在的问题进行改进，该方法能从噪声中提取出一系列周期冲击成分。但是，该迭代方法需要预先设置故障周期及滤波器长度，不具有自适应性。为解决以上问题，McDonaldetal.提出了多点最优最小熵反褶积 (Multipointoptimalminimumentropydeconvolution,MOMEDA)方法，定义了目标向量和D-范数，有效解决了最优滤波器的设计问题。该算法不需要设置故障周期也不需要进行迭代，仅通过多点峭度谱图就可以准确提取冲击成分。

为降低噪声的影响，精确提取滚动轴承故障特征信息，任学平等提出基于VMD和MED相结合的滚动轴承故障特征提取方法。采用VMD 方法对滚动轴承故障信号进行分解，然后对分解后的重构信号进行 MED降噪处理，从在包络谱中准确提取到故障特征信息。王建国和夏均忠等提出了基于VMD和MCKD相结合的轴承故障诊断方法，对故障信号进行VMD分解后，对各个IMF分量进行MCKD降噪，突出故障冲击成分，以获得准确的轴承故障特征频率，但MCKD存在需要预先设置输入参数，重采样等问题，故障周期T、迭代次数N等参数如果选取不当，则产生降噪效果不加等问题。

因此，为了解决上述问题，本文提出一种基于改进变分模态分解的滚动轴承故障诊断方法。

发明内容

为了解决上述技术问题，本发明设计了一种基于改进变分模态分解的滚动轴承故障诊断方法，针对复杂运行工况下滚动轴承故障特征难以提取的问题，提出了一种改进的变分模态分解 (ModifiedVariationalModeDecomposition,MVMD)与多点最优最小熵反褶积 (Multipointoptimalminimumentropydeconvolution,MOMEDA)相结合的滚动轴承故障特征提取方法。方法首先基于改进变分模态分解 (ModifiedVariationalModeDecomposition,MVMD)将振动信号分解为一系列固有模态函数(IntrinsicModefunction,IMF)；其次，计算各IMF分量的能量占比，依据能量占比原则选择有效IMF分量，重构有效IMF分量获得新的分析信号x_new(t)；再次，利用MOMEDA方法对重构的分析信号x_new(t)进行解析，提取滚动轴承故障信号中被噪声淹没的周期冲击成分，并计算周期冲击信号的Teager能量谱；最后，依据Teager能量谱提取滚动轴承的故障特征。

1、为了达到上述技术效果，本发明是通过以下技术方案实现的：一种基于改进变分模态分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

Step1：计算滚动轴承的故障特征频率fch，进而获得尺度参数

Step2：获取滚动轴承振动信号x(t)，计算信号x(t)傅里叶频谱的尺度空间表示L(f,n)，获得信号频谱的支撑边界数m，得到信号单一分量数模作为VMD分解模态数K＝m(

Step3：VMD的给定惩罚因子α和带宽τ使用默认值：α＝2000，τ＝0.001；

Step4：根据Step2和Step3给定参数对信号x(t)进行VMD分解，获得K个IMF分量uk(t)；

Step5：根据能量谱图对分解IMF分量进行筛选，得到故障特征所在敏感的IMF分量；筛选IMF分量重构获得待分析信号xrec(t)；

Step6：对待分析信号xrec(t)进行MOMEDA解卷积，增强重构信号中的周期性冲击成分，降低噪声的干扰，得到解卷积故障特征信号 xcov(t)；

Step7：对信号xcov(t)进行Teager能量算子解调，得到信号的能量谱，完成故障特征提取。

本发明的有益效果是：

(1)引入基于尺度分割的MVMD方法，解决了VMD分解模态参数 K自适应选择的问题；

(2)引入MOMEDA法解决了MCKD存在的预先选定输入参数的问题。

(3)提出了MVMD-MOMEDA-TEO结合的故障特征提取的方法解决了在随机噪声和其他信号严重干扰的情况下，轴承故障特征难以提取的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1MVMD-MOMEDA-TEO的实现流程及对比实验流程；

图2原始正常信号时频分析图；

图3原始故障信号频谱分割图；

图4尺度频谱分割边界；

图5MVMD分解后有效分量图；

图6IMFs分量能量谱图；

图7原始信号时频分析图；

图8原始信号频谱分割图；

图9VMD分解图；

图10MOMEDA去噪后得到的时频图；

图11Teager能量谱图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

参阅图1至图11所示，一种基于改进变分模态分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

Step1：计算滚动轴承的故障特征频率fch，进而获得尺度参数

Step2：获取滚动轴承振动信号x(t)，计算信号x(t)傅里叶频谱的尺度空间表示L(f,n)，获得信号频谱的支撑边界数m，得到信号单一分量数模作为VMD分解模态数K＝m(

Step3：VMD的给定惩罚因子α和带宽τ使用默认值：α＝2000，τ＝0.001；

Step4：根据Step2和Step3给定参数对信号x(t)进行VMD分解，获得K个IMF分量uk(t)；

Step5：根据能量谱图对分解IMF分量进行筛选，得到故障特征所在敏感的IMF分量；筛选IMF分量重构获得待分析信号xrec(t)；

Step6：对待分析信号xrec(t)进行MOMEDA解卷积，增强重构信号中的周期性冲击成分，降低噪声的干扰，得到解卷积故障特征信号 xcov(t)；

Step7：对信号xcov(t)进行Teager能量算子解调，得到信号的能量谱，完成故障特征提取。

实施例2

本发明引入基于尺度分割的MVMD方法，解决了VMD分解模态参数K自适应选择的问题；引入MOMEDA法解决了MCKD存在的预先选定输入参数的问题；提出了MVMD-MOMEDA-TEO结合的故障特征提取的方法解决了在随机噪声和其他信号严重干扰的情况下，轴承故障特征难以提取的问题。

实施例3

基于MVMD-MOMEDA-TEO外圈故障特征提取

图2所示为滚动轴承正常运行状态和外圈故障状态振动信号时域、频域波形结果。通过图2的时域、频域波形对比分析可知，随着轴承的持续运行，其振动信号时域波形出现了明显带有一定规律的冲击成分，频谱也多了许多未知成分，由此可判断轴承发生了异常。但通过图4的时域和频域分析无法直接获得与故障位置相关的信息，需要进一步分析以确定故障特征频率及位置等细节信息。需采用新的分析手段或方法，提取滚动轴承特征，进而判别滚动轴承运行状态。为此，利用MVMD-MOMEDA-TEO、MVMD-TEO、MOMEDA-TEO等3种方法开展后续的分析。

实施例4

基于MVMD-MOMEDA-TEO方法的外圈故障特征提取实验

对振动信号频谱进行自适应频谱分割如图5所示，依据频谱分割支撑边界，可利用VMD方法将信号分解为10个IMF分量。分别计算 10个IMF分量的能量占比E(t)，如表1所示。按照能量占比从高到低选取各IMF分量能量占比总和Esum(t)≥90％的分量作为有效分量重构后续的分析信号x_new(t)。基于此准则，表2所示的IMF1-4、IMF6 五个分量被筛选为有效分量，其有效分量时域波形如图5所示。

表1各IMF分量能量占比

5个分量重构的分析信号x_new(t)及其利用MOMEDA提取x_new(t) 的周期性脉冲信号如图5所示。最后，对输出周期性脉冲信号进行 Teager能量算子解调，计算其Teager能量谱如图6所示。由图6可以看出，Teager能量谱中存在与外圈故障特征频率107.36Hz非常接近的频率105.5Hz，还存在明显倍频特征频率2～9fch，由此可判定轴承发生外圈故障。

实施例5

基于MVMD-MOMEDA-TEO方法的内圈故障特征提取实验

图7所示为轴承运行状态时的振动信号时域、Teager能量谱频域波形分析结果。从图7可知，时域和频域波形均发生了明显变化，可以初步判断轴承可能存在异常。但故障成分并不突出，无法确认是否是由于其它部件干扰或噪声污染引起的频率干扰。需采用新的分析手段或方法，提取到明显异常于滚动轴承正常运行的频率特征及其倍频特征，进而提取轴承故障特征。

表3各IMF分量能量占比

对轴承振动信号频谱进行自适应频谱分割如图8所示，依据频谱分割支撑边界，可利用VMD方法将信号分解为12个IMF分量，分别计算12个IMF分量的能量占比e(t)，如表2所示，故选取IMF2～3、 IMF8、IMF12等4个分量作为有效分量，如图9所示，重构后获得新的分析信号xnew(t)。

基于信号xnew(t)进行后续的MOMEDA滤波去噪，得到周期性脉冲信号。图11为信号xnew(t)去噪后的时域图。最后，对输出信号进行Teager能量算子解调分析，如图11所示，获得其Teager能量谱。由图11可以看出，存在与内圈故障特征频率164.10Hz非常接近的频率162.19Hz，还存在明显倍频特征频率2～6fch。由于受外圈参数误差等影响，实测值与理论计算的内圈故障特征频率之间存在小范围的误差，由此可判定轴承发生内圈故障。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。