[发明专利]基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法

权利要求书

1.基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，具体步骤如下：

步骤一：通过振动传感器测量被检测的滚动轴承的振动信号，所得振动信号为原始信号y(t)；

步骤二：对原始信号y(t)进行EEMD分解，获得一系列不同频率的IMFs；

步骤三：计算EEMD不同分解尺度的MSAM值；

步骤四：对步骤三中计算所得的MSAM值进行判断，若在第m尺度的MSAM值明显偏离零值，则认为在m尺度之前的IMFs为高频并对其进行进一步的WT降噪处理；在m尺度之后的IMFs和残余信号均为低频；将其余低频的IMFs、残余信号和降噪后高频IMFs分量进行信号叠加重构，得到叠加重构信号x(t)；

步骤五：将叠加重构信号x(t)进行MSB分离调制成分，提取故障特征频率。

2.根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤二具体包括：

步骤101：给原始信号y(t)设定平均处理次数N，初始i＝1,2,...,N；

步骤102：给原始信号y(t)添加一定幅值的随机白噪声n_i(t)，组成新的一系列噪声信号y_i(t)；

y_i(t)＝y(t)+n_i(t)

式中，i＝1,2,...,N

步骤103：对一系列噪声信号y_i(t)进行EMD分解；

式中，n是分解的IMF数量，c_i,n(t)是分解的IMFs，r_i,n(t)是残余分量；

步骤104：重复步骤102～103N次，每次加入一定不同幅度的白噪声，分解出一系列IMFs；对IMFs的集合做均值处理得到EEMD分解的IMF分量c_n(t)；

式中，i＝1,2,...N；n＝1,2,...N,c_i,n(t)为第i次EMD所得到的第n个IMF。

3.根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤三具体为：利用EEMD进行信号的多尺度分解后，按如下定义标准化模量的累计均值MSAM：

式中：mean为均值函数；std为标准差函数。

4.根据权利要求1所述的基于集合经验模式分解和调制双谱分析的滚动轴承故障特征提取方法，其特征在于，所述步骤五具体包括如下步骤：

步骤105：以离散傅立叶变换X(f)的形式表示的叠加重构信号x(t)的MSB可以被定义为：

B_MS(f_c，f_x)＝E＜X(f_c+f_x)X(f_c-f_x)X^*(f_c)X^*(f_c)＞

其中B_MS(f_c，f_x)表示叠加重构信号x(t)的双谱，E<>表示期望，f_c为调制频率，f_x为载波频率，(f_c+f_x)和(f_c-f_x)分别为上、下边带频率；

步骤106：对步骤105所得的MSB进行改善，通过消除实质影响来修改载波频率的f_c分量，以便精确地量化边带幅度；改进后的MSB为MSB-SE，定义如下：

其中B_MS(f_c，0)表示f_x＝0时的平方功率谱；

步骤107：计算在f_x增量方向上MSB的平均值，以得到f_c切片：

其中Δf表示f_x的分辨率；

步骤108：计算多个最优的MSB切片的平均值，即得滚动轴承的故障特征频率，其表示为：

其中N是选定的f_c切片的总数。