[发明专利]一种回转支承故障诊断方法、装置及存储介质

说明书

本发明公开了一种回转支承故障诊断方法、装置及存储介质，方法包括：S1、获取回转支承的振动信号，将其设为原始信号；S2、通过EEMD法对原始信号进行处理，然后经分解获得振动信号的本征模态分量IMF，继而对IMF进行择优处理，得到最优分量；S3、利用GWO算法以相关峭度为适应度函数在最优分量上进行MCKD参数寻优处理，获得最佳参数组合；S4、将GWO算法寻优处理获得的最佳参数组合代入到MCKD中对最优分量进行分析，得到降噪信号；S5、对降噪信号进行包络谱分析，进而将包络谱中发现的故障特征频率与理论故障特征频率进行对比分析，得出诊断结果，本方案实施可靠、准确度高、响应快速。

技术领域

本发明涉及轴承检测技术领域，尤其涉及一种回转支承故障诊断方法、装置及存储介质。

背景技术

回转支承是一种特殊的大型滚动轴承，广泛应用于各种大型机械，例如港口的门座起重机。门座起重机回转支承在工作状态时各部分的受力不均以及运动状态复杂，并且由于低速重载的运行特点和大量的背景噪声，使得原本因故障产生的冲击淹没在背景噪声里，因此故障特征的提取比一般中高速轴承难。然而，在门座起重机的长期使用中，回转支承的故障产生是难免的。如果这些故障不能及时发现并作出应对措施，将会影响门座起重机的正常运转，同时导致巨大的经济损失。

目前，少部分的研究人员在回转支承故障诊断展开研究并取得初步成果。吕学昭等人采用小波分解和极值域均值模态分解的复合方法对门座起重机回转支承进行故障诊断。然而小波分解中小波基与分解层数无法自适应选取。南京工业大学针对回转支承故障诊断做了较多的研究，将圆域分析、小波能量模式、双谱分析、峭度概率密度分析、加权融合算法、概率主成分分析等方法应用于实验台回转支承的振动信号的降噪和特征提取，同时还将支持向量机、BP神经网络等机器学习方法应用于实验台回转支承的故障诊断和寿命预测。但因其数据来自于实验台，且故障是人为加工所形成的，与现场实际的故障还是有一定的区别。因此，就如何对实际使用过程中进行支承振动信号采集和后处理获得故障诊断结果的研究依然还需要进一步深入。

发明内容

有鉴于此，本发明的目的在于提出一种实施可靠、准确度高、响应快速的回转支承故障诊断方法、装置及存储介质。

为了实现上述的技术目的，本发明所采用的技术方案为：

一种回转支承故障诊断方法，包括：

S1、获取回转支承的振动信号，将其设为原始信号；

S2、通过EEMD法(Ensemble Empirical Mode Decomposition，集合经验模态分解)对原始信号进行处理，然后经分解获得振动信号的本征模态分量IMF，继而对本征模态分量IMF进行择优处理，得到最优分量；

S3、利用GWO算法以相关峭度为适应度函数在最优分量上进行MCKD参数寻优处理，获得最佳参数组合，该最佳参数组合为MCKD算法输入参数，周期T，滤波器长度L；

S4、将GWO算法寻优处理获得的最佳参数组合代入到最大相关峭度解卷积算法MCKD中对最优分量进行分析，得到降噪信号；

S5、对降噪信号进行包络谱分析，将包络谱中发现的故障特征频率与理论故障特征频率进行对比分析，得出诊断结果。

作为一种可能的实施方式，进一步，所述通过EEMD法对原始信号进行处理和分解的方法为：

按照预设标准差和预设次数往原始信号中多次加入等幅值的高斯白噪声并进行EMD分解，然后对多次EMD分解后的IMF分量进行平均，消除多次加入的高斯白噪声。

作为一种较优的实施选择，优选的，所述通过EEMD法对原始信号进行处理和分解的具体方法包括如下步骤：

S21、设定加入高斯白噪声的次数和高斯白噪声的幅值；