[发明专利]经验模态分解剩余信号特征的滚动轴承故障智能识别方法

权利要求书

1.经验模态分解剩余信号特征的滚动轴承故障智能识别方法，其特征在于：所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征，利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式智能识别；

具体由如下依次执行的步骤组成：

首先通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，

步骤一：振动信号经验模态分解剩余信号的能量特征提取

经验模态分解假设任何信号都由不同的特征模态函数IMF组成，且IMF必须满足以下两个条件：(1)在整个时间历程内，穿越零点的次数与极值点数相等或至多相差一个；(2)信号上任意一点，由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为零或近似为零，即信号关于时间轴局部对称；

这样任何一个信号就可以分解为有限个IMF分量和一个剩余信号的和，其中，剩余信号提取过程如下：

(1)对任意一个已知信号，首先确定出原始数据X(t)上的所有极值点，用三次样条曲线连接所有极大值点形成上包络线，同样的方法形成下包络线；数据X(t)与上下包络线的均值m₁(t)的差记为h₁(t)，则

h₁(t)＝X(t)-m₁(t) (1-1)

将h₁(t)作为新的数据X(t)，重复上述步骤，直到h₁(t)满足IMF的两个条件时，则其成为从原始信号筛选出的第一阶IMF，记为C₁；

(2)将C₁从X(t)中分离出来，得到一个去掉高频分量的差值信号r₁(t)，有

r₁(t)＝X(t)-C₁ (1-2)

把r₁(t)作为新信号，重复(1-1)的筛分步骤，直到第n阶的剩余信号成为单调函数，不能再筛分出IMF分量；

(3)数学上，信号X(t)可表示为n个IMF分量和一个剩余项的和，即

式中：C_i(t)为第i个IMF分量，其中i＝(0,1···N)；r_n(t)为经验模态分解的剩余信号，代表信号中的平均趋势，反映的是原始信号的均值信息；然后，计算剩余信号的能量为E_j(j＝0,1···N)，其中，r_j(t)为剩余信号离散点的幅值；

步骤二：振动信号的时域特征提取

采用的振动信号时域特征参数有峰值因子X_cf、脉冲因子X_if、裕度因子X_cif、波形因子X_sf、峭度因子X_kv和偏度X_sk；

步骤三：组成振动信号的特征向量

将步骤一与步骤二中所得到的能量特征和振动信号的时域特征参数作为输入特征向量的组成元素T'，同时，为了方便后续数据处理以及使收敛速度加快，对提取的特征向量进行归一化处理；则

T'＝(X_cf,X_if,X_cif,X_sf,X_kv,X_sk,E_j) (1-4)

步骤四：遗传算法优化支持向量机参数的故障模式识别

依据支持向量机算法，核函数K(x,x')和惩罚因子需要进行参数选择，其中，x为样本的特征向量；选取高斯核函数，即：

使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子；将四种类型的振动信号特征向量送入遗传算法优化的支持向量机模型，进行网络模型的训练和测试，最后完成滚动轴承故障分类。

2.根据权利要求1所述的经验模态分解剩余信号特征的滚动轴承故障智能识别方法，其特征在于，在步骤一中，将提取了振动信号经验模态分解剩余信号的能量特征：

其中：r_j(t)为剩余信号离散点的幅值；E_j为剩余信号的能量值。

3.根据权利要求1所述的经验模态分解剩余信号特征的滚动轴承故障智能识别方法，其特征在于，在步骤四中，使用遗传算法对支持向量机寻求最优高斯核参数σ和惩罚因子，将结合了振动信号经验模态分解剩余信号能量值的特征向量送入遗传算法优化的支持向量机模型，进行网络模型的训练和测试，最后完成在小样本情况基础上的滚动轴承故障模式智能识别。