[发明专利]一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法

权利要求书

1.一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，包括如下步骤：

S1、数据采集：对转子出现故障时的振动信号进行采集，并记录；

S2、信号分解：将采集到的转子振动信号通过变分模态分解，得到一系列固有模态函数分量；

S3、选取分量：根据相应选取准则，从步骤S2中的固有模态函数分量中，选取一系列的敏感固有模态函数分量；

S4、模型建立：根据所得数据建立二阶Volterra自适应预测模型，并获取相应参数；

S5、建立向量矩阵：根据步骤S4所得参数，建立初始特征向量矩阵；

S6、奇异值计算：计算初始特征向量矩阵的奇异值，并根据计算出的数据构建奇异值特征向量；

S7、数据选取：选取步骤S6中奇异值特征向量的一部分作为标准样本；

S8、代入检测：根据步骤S7中选取的样本数据，通过模糊C均值聚类算法进行计算；

S9、故障诊断：根据步骤S8中模糊C均值聚类算法计算出的结果，分析出转子故障原因。

2.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S1中，转子出现故障时，转子的振动信号出现非平稳性，对振动信号进行采集，同时会对转子的对中情况、平衡情况、轴承座固定情况和摩擦情况进行数据化采集，并与振动信号一同进行记录。

3.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S2中，转子出现故障时，采集到的振动信号数据会通过变分模态进行分解，分解为一系列固有模态函数分量，并对得出的固有模态函数分量进行记录。

4.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S3中，根据能量熵增量-频域互相关系数准则，从步骤S2中的得到的固有模态函数分量中，选出多个可有效表征转子工作状态的敏感固有模态函数分量。

5.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S4中，根据选出的各敏感固有模态函数分量的嵌入位数和时间延迟参数进行估计，并对其相空间进行重构，建立出二阶Volterra自适应预测模型，并获取模型参数向量，进行记录。

6.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S5中，根据步骤S4中获取的模型参数向量，建立初始特征向量矩阵A＝[W₁,W₂,…,W_k]^T，式中，W₁,W₂,…,W_k为模型参数向量。

7.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S6中，根据步骤S5得出的初始特征向量矩阵，对奇异值进行归一化处理，得出奇异值熵，计算初始特征向量矩阵的奇异值p＝{p₁,p₂,…,p_k}，并根据计算出的数据，构建奇异值特征向量式中，为归一化奇异值，P_i＝p_i，H为奇异值熵。

8.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S7中，根据步骤S6中得出的奇异值向量数据，选取其中一部分作为标准样本，并计算出标准样本的均值进行记录。

9.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S8中，选取步骤S7中计算出的标准样本的均值，作为模糊C均值聚类算法的初始聚类中心，剩余样本作为检测样本，采用模糊C均值聚类算法进行计算，得出数据并进行记录。

10.根据权利要求1所述的一种基于变分模态分解Volterra模型奇异值熵的转子故障诊断方法，其特征在于，所述步骤S9中，根据步骤S8中模糊C均值聚类算法计算得出的数据，进行数据分析比对，得出转子故障原因，并对数据进行记录。