[发明专利]基于SVD和VMD的机械件故障诊断方法

说明书

本发明涉及基于SVD和VMD的机械件故障诊断方法，包括：获取机械件的振动信号；与无故障机械件相比较，判断有无异常；对振动信号进行奇异值分解，计算奇异值序列的相邻奇异值的差值，得到差分谱；分析差分谱，确定重构阶数，对机械件振动信号进行重构；将重构信号分解成模态分量，确定最优的模态分量数量；再对原故障诊断的机械件的振动信号进行变分模态分解；选出加权峭度指标值较大的模态分量进行信号合成；利用合成信号生成包络谱；根据包络谱判断机械件的故障类型。本发明解决了变分模态分解方法分解参数难以确定的问题，对重构信号的变分模态分解以确定最优的模态分量数量的过程中，考虑了模态分量与原信号的相关性，确定的分解参数更优。

技术领域

本发明属于机械故障诊断领域，具体涉及基于SVD和VMD的机械件故障诊断方法。

背景技术

关键机械装备一旦发生故障，将带来巨大的经济损失甚至人员伤亡，国内外因为机械设备失效而导致的重大事故屡有发生。装备运行过程中及时发现故障征兆并采取措施，对装备安全运行，避免经济损失及灾难性事故具有重大意义。

机械故障诊断的难点之一就是从复杂的监测信号中提取到有用的故障特征信息，近年来在工业及学术界引起了广泛的关注。变分模态分解(Variational modedecomposition，VMD)是美国加州大学洛杉矶分校学者Dragomiretskiy与Zosso于2014年提出的信号自适应分解方法，作为一种改进的经验模式分解方法，VMD具有坚实的数学理论基础，噪声鲁棒性和信号分离性能也得到了极大提高。然而，VMD分解参数如模态分量个数、模态分量频率带宽控制参数对其分解结果具有显著的影响。目前在机械故障领域，大部分研究中VMD分解参数都是事先指定，难以取得满意的分析结果。虽然少数学者提出利用包络熵作为适应度函数对VMD分解参数进行优化，但是所采用的包络熵仅考虑了分解模态分量的特性，没有考虑模态分量与原始信号的相关性，易造成信息遗漏问题。

发明内容

本发明的目的是针对上述问题，提供一种基于SVD和VMD的机械件故障诊断方法，对机械件振动信号分解、去噪后重构，对重构信号进行变分模态分解，考虑模态分量与原信号的相关性，比较分解得到的模态分量确定最优的模态分量的数量，再根据最优的模态分量数量对原机械振动信号进行变分模态分解，选出加权峭度指标值较大的模态分量进行信号合成，利用合成信号生成包络谱，并据此判断机械件的故障类型。

本发明的技术方案是基于SVD和VMD的机械件故障诊断方法，包括以下步骤：

步骤1：获取故障诊断的机械件的振动信号；

步骤2：对故障诊断的机械件的振动信号进行短时傅里叶变换，将故障诊断机械件的振动信号的时频分布与无故障的机械件相比较，初步判断故障诊断的机械件的时频分布是否有异常；步骤3：对故障诊断的机械件的振动信号进行奇异值分解，将得到的奇异值从大到小排序，计算奇异值序列中相邻奇异值的差值，得到差分谱；

步骤4：分析差分谱，确定重构阶数i，利用差分谱的前i个值对机械件振动信号进行重构；步骤5：采用变分模态分解将重构的信号分解成不同数量的模态分量，比较确定最优的模态分量的数量；

步骤5.1：对模态分量数量k设初始值，对重构的信号进行变分模态分解，得到k个模态分量，分别确定每个模态分量的中心频率，并计算模态分量的相关系数差值，选出k个模态分量的中心频率的最大值w_L，令最大中心频率值w_G＝w_L；

步骤5.2：再次对重构的信号进行变分模态分解，得到k+1个模态分量，分别确定每个模态分量的中心频率，并计算模态分量的相关系数差值，比较k+1个模态分量的中心频率的最大值与最大中心频率值w_G，若大于w_G且模态分量的相关系数差值大于阈值，则令w_G等于k+1个模态分量的中心频率的最大值，令k＝k+1，重复执行步骤5.2；否则，将k作为最优的模态分量的数量，执行步骤6；