[发明专利]一种基于VMD参数优化的轴承故障特征提取方法

说明书

本发明涉及一种基于VMD参数优化的轴承故障特征提取方法，该方法包括如下步骤：(1)获取轴承原始振动信号；(2)对轴承原始振动信号进行模态分解并重构得到重构信号；(3)根据轴承原始振动信号获取VMD分解的模态数和二次惩罚参数；(4)利用获取的模态数和二次惩罚参数对重构信号进行VMD分解得到轴承故障特征频率。与现有技术相比，本发明能够减小噪声和振动频带的影响，有效提取故障特征频率。

技术领域

本发明涉及一种轴承故障特征提取方法，尤其是涉及一种基于VMD参数优化的轴承故障特征提取方法。

背景技术

轴承是旋转机械中重要的机械部件，它的运行状态直接影响着这个设备的性能。当轴承发生故障时，其振动信号由于受到环境噪声和结构形变等因素的影响，一般表现为非平稳、非线性特征，如何从这些信号中提取特征故障信息成为轴承故障诊断的关键。

目前，对于信号处理的方法主要包括时域、频域和时频域分析。由于兼顾时间和频率，时频域分析被广泛应用，如短时傅里叶变换、小波变换和S变换等。这些方法需要预先选择窗函数或小波基函数，而且分析函数一旦确定下来其分解尺度就保持不变，是一种非自适应分解过程。1998年，Norden E.Huang等提出经验模态分解(Empirical ModeDecomposition,EMD)，根据信号的极值点自适应的分解为一系列的固有模态函数(Intrinsic Mode Functions,IMFs)。但分解中存在端点效应和模态混叠，以及样条插值存在“过冲”和“欠冲”问题。随后Huang和WU提出集合经验模态分解(Ensemble EmpiricalMode Decomposition,EEMD)，解决了模态混叠问题，但是迭代筛选以及样条插值拟合耗时较长，计算效率较低。2005年，Smith提出了局部均值分解(Local Mean Decomposition,LMD)，其仍然是在EMD的基础上进行的改进，将信号分解为若干个瞬时频率具有物理意义的PF分量。尽管EMD能将信号有效地分解为调幅-调频信号，但其缺乏理论分析和推导，在算法方面很难分析与定义。

2014年，Dragomiretskiy通过理论推导提出变分模态分解(Variational ModeDecomposition,VMD)方法，可以将不同中心频率的各个模态估计出来，其本质是一组自适应维纳滤波器，VMD方法区别于EMD和LMD采用的非递归模式分解，避免了递归模式下包络线估计误差的不断累加。但对VMD所需的模态数与惩罚项参数依赖于经验获得，且参数的选择对分解的效果影响较大。遗传算法、粒子群算法等群优化算法，能够达到快速准确的参数优化效果。但是，对同一信号进行VMD时，分解时间随着模态数的增大而增大，因此模态数给定的范围既不能太大又不能过小。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VMD参数优化的轴承故障特征提取方法。

本发明的目的可以通过以下技术方案来实现：

一种基于VMD参数优化的轴承故障特征提取方法，该方法包括如下步骤：

(1)获取轴承原始振动信号；

(2)对轴承原始振动信号进行模态分解并重构得到重构信号；

(3)根据轴承原始振动信号获取VMD分解的模态数和二次惩罚参数；

(4)利用获取的模态数和二次惩罚参数对重构信号进行VMD分解得到轴承故障特征频率。

步骤(2)采用快速局部均值经验模态分解法对轴承原始振动信号进行模态分解。

步骤(2)对轴承原始振动信号进行快速局部均值经验模态分解具体为：

(a1)获取轴承原始振动信号s(t)的所有极值点，构成极值点序列e(τ)和时间序列τ；

(a2)对相邻的极值点利用积分中值定理求得邻域均值，构建均值序列m(t_τ)：