[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

说明书

本发明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，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进行智能识别。本发明结合了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用于轴承故障诊断，实验结果表明在小样本情况的基础上，能够更加精准地识别滚动轴承的故障类型，为滚动轴承故障的模式识别和智能诊断提供了帮助。

技术领域

本发明涉及一种滚动轴承故障诊断方法，更具体地说它是一种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。

背景技术

旋转机械设备中各零部件组成结构复杂而且紧密，滚动轴承作为其中一种定位与支承元件被广泛使用，是设备中很普通但很关键的一类机械元件。旋转机械设备的工作特点是：转子高速运转并且运行环境恶劣，另外转子本身结构较为复杂，容易发生损坏，引发故障甚至失效，从而导致机械设备故障或非计划性停机。相关研究也同时表明，在旋转机械常见的故障中，与滚动轴承相关的故障占将近70％。为保证机械设备的良好运行，减少甚至避免事故的发生，滚动轴承故障诊断技术已经成为机械设备故障诊断技术的重要分支，研究滚动轴承故障诊断技术具有非常重要的意义。

滚动轴承故障诊断关键技术包括：信号预处理、故障特征提取和故障特征分类三个部分。由于滚动轴承故障发生的初期，因故障导致的振动不明显，故障信号很容易被淹没在整个振动信号或者噪声信号中，并且其故障振动信号大部分是非线性和非平稳信号，目前常见的故障信号特征提取方法有短时傅里叶变换、Wigner-Ville分布、小波变换、经验模态分解(Empirical Mode Decomposition,EMD)等等，同时，由于实际工作条件和数据采集设备的限制，采集到的轴承工作数据实际上是有限的，并且滚动轴承大部分时间处于正常工作状态，综合各种因数，实际上采集到的滚动轴承故障样本一般较少，制约了诊断的准确性和稳定性。针对类似上述小样本的分类问题，目前常见的方法有人工神经网络(Artificial Neural Network,ANN)、决策树 (Decision Tree,DT)、支持向量机(SupportVector Machine,SVM) 等等。

但是上述方法的实验过程很复杂，针对性不强。

发明内容

本发明的目的是为了克服上述现有背景技术的不足之处，而提供一种基于经验模态分解剩余信号能量特征的滚动轴承故障模式智能识别方法，本发明在小样本情况的基础上，能够精准地识别滚动轴承的故障类型，为滚动轴承故障的模式识别和智能诊断提供了帮助。

本发明的目的是通过如下措施来达到的：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，它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。

具体包括如下步骤：

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 (Intrinsic ModeFunction，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：