[发明专利]基于总体经验模式分解与分形盒维数的轴承故障诊断方法

说明书

技术领域

本发明涉及机械故障诊断领域，特别涉及大型发电机、电机等电力设备的 轴承故障诊断。

背景技术

轴承是旋转机械设备中的关键部件，其运行状态直接影响设备的稳定性、可 靠性以及工作寿命等，准确及时的识别轴承故障对轴承工作状态的监测以及故障 的早期预警具有重要意义。为了对滚动轴承的状态进行监测，人们探索了很多方 法，主要有振动监测、声发射技术、温度测量、磨损颗粒分析等，其中振动监测 应用最为广泛。目前基于静电感应原理的传感器已应用于轴承工作状态的检测， 为滚动轴承的状态监测提供了一种新的方法。

由于静电信号的非线性非平稳特性，需要时频信号分析方法对信号进行分 析。经验模式分解是N.EHuang提出的一种非线性非平稳信号的时频分析方法， 但该方法有模态混叠效应，使其在机械故障信号分析应用上具有一定的瓶颈。总 体经验模式分解是N.EHuang提出的又一种非线性非平稳信号的时频分析方法， 该方法能够利用噪声在不同时间尺度上的连续性对不同时间尺度进行弥补，消除 模态混叠。分形理论是一种认识事物由粗到细的一个过程，这与总体经验模式分 解对信号进行分解获得位于不同时间尺度下本征模式函数的过程是一致的，从而 启发将总体经验模式分解与分形盒维数相结合应用于轴承静电信号的故障诊断。

发明内容

本发明的目的是提供一种将总体经验模式分解与盒维数相结合的信息处理 方法，用于旋转机械的轴承故障诊断。

基于总体经验模式分解与分形盒维数的轴承故障诊断方法，包括下述步骤：

(1)在轴承内设置静电传感器，静电传感器利用轴承工作过程中产生的电 荷，通过静电感应检测旋转机械转轴工作时的静电信号，传感器的输出接信号调 理电路后经数据采集卡与一台计算机相连，计算机作为数据处理平台；

(2)信号调理电路中设有电荷放大电路，该电荷放大调理电路把静电传感 器输入的检测电荷信号变成电压信号，放大电路后接抗混叠滤波电路，通过数据 采集卡送入计算机进行处理；

(3)对采集的静电信号进行特征提取：计算机对采集到的不同故障类型下 以及正常情况下的静电信号分别进行总体经验模式分解求取本征模式分量，然后 对各阶本征模式分量求取能量以及分形盒维数，将能量与分形盒维数作为信号的 特征量；

(4)神经网络分类器的训练：将不同故障类型下以及正常情况下静电信号 的特征量用于神经网络分类器训练，用特征量相对应的转轴工作状态作为神经网 络的输出量，从而通过训练样本对神经网络分类器进行训练；

(5)把待辨识的静电信号送入计算机，提取带辨识信号的能量与盒维数作 为特征量输入训练好的神经网络分类器，即可通过输出得到该信号对应的转轴工 作状态。

所述的不同故障类型包括轴承内圈故障、轴承外圈故障、滚动体故障，保持 架故障。

所述神经网络分类器的参数设定为：隐层的神经元个数选为10，隐层传递函 数选为输出范围为0到1的具有任意阶导数的非线性函数logsig，输出层传递函 数为线性函数purelin，训练函数为trainlm，允许误差为10-6和训练步数为200 步。

静电信号特征提取过程具体步骤如下：

(1)对信号进行总体经验模式分解，获取本征模式函数分量，其中所加噪 声幅值为信号标准差的0.2倍，加入白噪声的次数为50次，分量个数k与信号 长度L有如下关系：

k＝log₂L-1

(2)对每一个本征模式分量求取能量与盒维数，这样每一路信号能获取一 列长度为k的能量向量以及一列长度为k的分形盒维数向量。

本发明的优点是，通过已有的静电传感器技术检测轴承工作时的静电信号， 利用总体经验模式分解对非线性非平稳信号的时频分析能力，以及分形盒维数对 信号复杂度的反映,对分解获得的本征模式函数求取能量与盒维数，结合神经网 络的技术应用于轴承故障诊断。

附图说明

图1为静电传感器结构示意图；

图2基于总体经验模式分解与分形盒维数的轴承故障诊断方法系统框图；

图3特征提取流程图；

图4基于总体经验模式分解与分形盒维数的轴承故障诊断方法流程图。

具体实施方式