[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

说明书

本发明公开了一种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，用于通过振动信号分析滚动轴承故障。首先采用EEMD对加速度传感器采集的轴承原始振动信号进行分解获得一系列不同频率的模态函数(IMFs)，通过标准化模量的累计均值(MSAM)对IMFs进行多尺度划分，进而得到高频和低频的IMFs。然后通过小波变换(WT)对高频的IMFs进行降噪，并将降噪的高频IMFs与低频的IMFs进行叠加重构。最后将叠加重构信号通过MSB分离调制成分，从而提取出故障特征频率。对滚动轴承故障特征的成功提取验证了该方法的有效性与可行性。该发明适用于机械设备的状态监测以及故障诊断等领域。

技术领域

本发明涉及到机械设备状态监测和故障诊断技术领域，具体是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。

背景技术

滚动轴承是旋转机械的重要组成部分，它的状况好坏将直接影响到整机的运行，对其进行故障诊断具有重要的理论价值和现实意义。经验模态分解(EMD)是最新发展起来的非平稳信号处理的方法，且该方法具有很强自适应性，已经在很多方面得到广泛的应用。但是EMD分解存在着端点效应和模态混叠等现象。因此WU等(WU Z H, HUANG N E.Ensembleempirical mode decomposition:a noise assisted data analysis method[J].Advances in adaptive data analysis, 2009,1(1):1-41.)在EMD方法的基础上引入噪声辅助分析，提出了集成经验模态分解方法(EEMD)可有效抑制模态混叠现象。沈长青等(沈长青,谢伟达,朱忠奎,等.基于EEMD和改进的形态滤波方法的轴承故障诊断研究[J].振动与冲击,2013,32(2):39-43.)提出EEMD和改进的形态学滤波器提高了滚动轴承故障诊断的可靠性。彭畅等(彭畅, 柏林,谢小亮.基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法[J].振动与冲击,2012,31(20):143-146.)提出基于EEMD、度量因子和快速谱峭度相结合成功实现了对轴承的故障诊断。刘永强 (刘永强，李翠省，廖英英.基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J].振动与冲击,2017,36(2):111-116.)提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法，通过轴承故障的仿真和实验研究，验证了该方法的有效性和可行性。以上研究表明了 EEMD在轴承故障特征提取中具有重要价值和明显优势，然而EEMD 分解的每个固有模态函数(IMF)仍然含有大量的噪声，其降噪效果并不明显。

发明内容

为了提高EEMD的降噪效果，提出MSAM(累积均值)进行降噪，其降噪效果得到了很好的改善，但原始信号中存在的非线性调制成分仍保留在相应IMFs中。为了克服IMFs中存在非线性调制成分，提出MSB(调制双谱分析)来分离调制成分，从而提取故障特征频率。从而提出了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。

本发明解决所述技术问题的技术方案是，设计一种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。

与现有技术相比，本发明有益效果在于：