[发明专利]一种基于EEMD稀疏分解的轴承故障识别方法及系统

说明书

本发明涉及一种基于EEMD稀疏分解的轴承故障识别方法及系统，本发明首先获取轴承振动信号并转换成电信号；利用EMD方法将电信号分解得到多个IMF分量和一个余项；对多个IMF分量进行稀疏处理；利用EEMD方法总体平均后的IMF分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。本发明方法作为一种有效的自适应算法尤其针对非平稳信号处理来进行分解，对于各自独立的IMF分量而言，其皆具备信号的尺度特征并具有随之变化的特性。

技术领域

本发明涉及信号与信息处理领域，具体地，涉及一种基于EEMD稀疏分解的轴承故障识别方法及系统。

背景技术

恶劣工况环境下长时间运行的大型轴承经常处于高负荷、强高温、强高压与高湿、强电磁干扰以及强耦合状况下，运行过程中的材料老化、高温高压、突加载荷作用、设计缺陷尤其是异常振动因素会对轴承产生无法逆转的损伤积累。与此同时，由于整台轴承的正常运行受到故障的严重影响，而绝大多数情况下是由于某些关键部位运转不正常所致，这对轴承造成了永久性破坏的同时也会带来巨大的经济损失。如何保障轴承的稳定、可靠、安全运行成为了轴承运行维护时需要关注的热点问题。

由于振动信号直接代表故障轴承的动态特性，这导致它们对故障的敏感性，因此它们被广泛应用于检测轴承故障。当前，对于大型机械轴承的故障诊断主要集中在采集设备运行的振动状态参数进而实现状态监测和故障诊断上。通过分析机械振动信号的各种参量变化如时域、频域与幅值域的变化态势来研判机械故障进而实施预警。与此同时，故障特征的提取方法已经由常规方法(如快速傅里叶变换、功率谱估计、时频分析和轴心轨迹)向更高层次方向(角域分析、全息谱和分形维数等)发展。如：将机械振动的幅度、频率、相位、角动量等多信息融合在一起进行研判的全息谱理论对于提升机械故障的诊断水平意义重大。

发明内容

本发明提供一种基于EEMD稀疏分解的轴承故障识别方法及系统，通过信号频率随时间变化的规律对信号进行处理，采用EEMD稀疏分解方法作为一种有效的自适应算法尤其针对非平稳信号处理来进行分解，对于各自独立的IMF分量而言，其皆具备信号的尺度特征并具有随之变化的特性。为进一步明确故障与非故障事件的差异，展开面向独立IMF分量的重点研究，然后依据IMF的特性分布进行分析位于不同频带内故障振动信号的能量分布，再同正常状态下的能量分布进行比较。同时借助能量熵的判定方法来判断故障行为的类别。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种轴承故障振动信号特征提取与识别方法，包括以下步骤：

步骤100，获取轴承振动信号并转换成电信号；

步骤200，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行EMD分解得到多个IMF分量和一个余项；

步骤300，对多个IMF分量进行稀疏处理；

步骤400，对步骤200和步骤300进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶IMF分量进行总体平均计算；

步骤500，利用总体平均后的IMF分量计算轴承振动信号的能量熵，结合能量分布状况对轴承故障类型进行识别。

第二方面，本发明提供一种基于EEMD稀疏分解的轴承故障识别系统，其特征在于，包括：

预处理模块，获取轴承振动信号并转换成电信号；

EEMD稀疏分解模块，向电信号中加入一定幅值的高斯白噪声，对加入白噪声的电信号进行EMD分解得到多个IMF分量和一个余项；对多个IMF分量进行稀疏处理；进行预设次数的迭代，每次迭代时，加入的高斯白噪声为均方根相等的不同的高斯白噪声，然后对迭代结果中的同阶IMF分量进行总体平均计算；