[发明专利]一种基于KICA-分形理论的滚动轴承故障诊断方法

说明书

本发明涉及一种基于KICA‑分形理论的滚动轴承故障诊断方法，属于机械故障诊断技术领域。本发明首先对信号进行EMD分解，获得k个IMF分量，选取包含主要故障信息的前m个IMF分量重构数据；再对重构振动信号数据进行KICA建模分析，得到独立分量IC，通过监控IC对应的T²和SPE统计量实现对异常信号预警；然后对独立分量IC进行关联维数和盒维数的特征提取；最后对各故障分形量进行匹识别，判断故障诊断结果。本发明能够及时发出故障预警，能有效地提取滚动轴承故障特征，实现对滚动轴承故障可靠的诊断，保证设备正常运行。

技术领域

本发明涉及一种基于KICA-分形理论的滚动轴承故障诊断方法，属于机械故障诊断技术领域。

背景技术

滚动轴承具有结构简单，制造方便，寿命长，运转平稳等优点，是各旋转机械中应用最广泛地通用机械部件，它的运行状态是否正常往往直接影响到整台机械的性能(包括其精度，可靠性及寿命等)。因而研究滚动轴承的故障检测和诊断技术，对于避免重大事故、减少人力物力损失以及变革维修体质等具有重要的理论研究价值和实际应用意义。

滚动轴承运行情况复杂，其振动信号是一个复杂且非平稳、非线性信号，而EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模函数。所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，经验模态分解同时具有去噪的功能，是一种自适应算法。KICA(核独立成分分析)也是一种处理非线性问题的方法，能够消除EMD的端点效应和模态混叠，此外，该方法所得独立分量利于分形维数特征量的提取。

滚动轴承的不同故障通常都源自不同动力学原理，常因动力失稳而造成极大的危害，目前常用的频谱分析方法有时难以获取这方面的信息，利用混沌力学的分形维数能够定量的给出描述动力系统所需的独立变量的数目，这样便可通过分形维数来对其进行故障诊断。

发明内容

本发明要解决的技术问题是提供一种基于KICA-分形理论的滚动轴承故障诊断方法，以滚动轴承发生故障时产生的振动信号为依据，经过对训练数据和新样本数据的振动信号进行预处理，结合KICA建模分析、分形理论以及T²和SPE统计量设计的故障预警系统，实现对滚动轴承的故障诊断，提供一种有效的滚动轴承故障诊断方法。

本发明的技术方案是：一种基于KICA-分形理论的滚动轴承故障诊断方法，具体步骤为：

Step1：对滚动轴承不同故障状态下的原始振动信号进行EMD分解，获得k个IMF分量，通过计算各IMF分量与原始信号的相关系数，选取包含滚动轴承主要故障信息的前m个IMF分量进行重构，得到重构数据。

Step2：对重构振动信号数据通过KICA(核独立成分分，kernel independentcomponent analysis)进行建模分析，得到IC(独立分量，Independent Component)，并通过监控IC对应的T²和SPE统计量是否超出正常设定的控制限，实现对异常信号的检测；

Step3：对得到的独立分量IC进行分形故障特征提取，提取独立分量IC的关联维数和盒维数；

Step4：将提取到的关联维数和盒维数与历史训练的各故障关联维数和盒维数进行匹配处理，输出识别结果，并且判断故障诊断结果。

所述步骤Step1中，具体步骤为：

Step1.1：对原始振动信号进行EMD分解，分解为k个模态分量IMF₁,IMF₂,IMF₃,…,IMF_k，进行EMD分解的具体包括：