[发明专利]基于SVD和CEEMDAN的故障轴承诊断方法

权利要求书

1.基于SVD和CEEMDAN的故障轴承诊断方法，其特征在于，包括以下步骤：

步骤1：采集轴承振动信号；

步骤2：计算轴承振动信号的时频分布，初步判断轴承是否产生故障；

步骤3：对原始故障轴承振动信号进行奇异值分解后重构，得到初步降噪信号；

步骤4：对初步降噪信号进行自适应噪声完备集合经验模态分解，得到多个本征模态分量；

步骤5：计算各个本征模态分量与原信号之间的Kullback-Leibler散度，并设置散度阈值，Kullback-Leibler散度值大于散度阈值的本征模态分量为无效分量，将其剔除；

步骤6：对步骤5得到的有效本征模态分量进行重构，得到重构信号；

步骤7：对重构信号进行自相关去噪，再对其画包络谱，提取清晰的故障特征频率，与计算所得的轴承故障特征频率理论值进行对比，诊断得到轴承故障类型。

2.根据权利要求1所述的故障轴承诊断方法，其特征在于，步骤2中，轴承振动信号的Wigner-Ville时频分布的计算式如下：

式中WVD_x(t,f)表示信号x(t)的Wigner-Ville时频分布结果，*代表复数共轭，f表示频率，t表示时间，表示信号x(t)的瞬时自相关函数。

3.根据权利要求1所述的故障轴承诊断方法，其特征在于，步骤3包括以下子步骤：

步骤3.1：将原始故障轴承信号重构得到Hankel矩阵H：

其中m≥2，n≥2，信号长度为m+n+l；

步骤3.2：对步骤3.1得到的Hankel矩阵进行奇异值分解，计算式如下：

A＝UΣV^H (3)

式中U为m×m的正交矩阵；V为n×n的正交矩阵；Σ为m×n的奇异值对角矩阵，对角元素为λ₁,λ₂,…,λ_min(m,n)；其中λ_i,i＝1,2,…,min(m,n)为矩阵A的奇异值；

步骤3.3：利用前n个奇异值对信号进行重构，实现信号降噪。

4.根据权利要求1所述的故障轴承诊断方法，其特征在于，步骤4包括以下子步骤：

步骤4.1：在滚动轴承信号y(t)中加入白噪声ε₀vⁱ(n)，对信号y(t)+ε₀vⁱ(n)进行经验模态分解，获得第一个模态分量，其公式如下：

其中表示第一个本征模态分量，表示信号y(t)+ε₀vⁱ(n)经验模态分解得到的各分量，I表示总集合数；ε₀表示每个阶段的信噪比，vⁱ(n)表示为增加的第i个高斯白噪声；

步骤4.2：计算第一阶段剩余分量：

式中r₁(t)表示第一阶段余量；

步骤4.3：对信号y(t)+ε₁E₁(vⁱ(t))进行经验模态分解，直至分解得到第一个模态分量位置，并在此基础上计算第二模态分量：

式中表示第二个本征模态分量，E₁()表示为高斯白噪声经验模态分解得到的第1个分量；步骤4.4：计算第k阶段剩余分量r_k(t)：

式中表示第k个本征模态分量，k＝2,3,…,K；

步骤4.5：计算第k+1个模态分量

式中ε_k表示第k阶段的信噪比

步骤4.6：重复步骤4.4-4.5，将剩余分量分解到不能分解为止，得到K个模态分量和最终剩余分量r(t)：

原信号s(t)经过分解后得到K个本征模态分量和一个剩余分量，即：