[发明专利]基于SVD和CEEMDAN的故障轴承诊断方法

说明书

本发明涉及基于SVD和CEEMDAN的故障轴承诊断方法，包括：采集轴承振动信号；计算时频分布，初步判断轴承是否产生故障；对原始故障轴承信号进行奇异值分解去噪重构；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；计算各个本征模态分量与原信号之间的KL散度，剔除无效分量；对有效本征模态分量进行重构；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，诊断轴承故障类型。本发明利用奇异值分解去噪后重构，进行模态分解，并剔除无效分量，再利用重构信号的包络谱进行故障诊断，有效提高了轴承故障诊断的准确性；本发明消除了模态混叠，极大地降低了计算资源的消耗，提高了信号分解效率。

技术领域

本发明属于机械故障诊断领域，具体涉及一种基于SVD和CEEMDAN的故障轴承诊断方法。

背景技术

目前，故障诊断技术已成为保障机械设备安全可靠运行的重要手段。滚动轴承作为旋转机械中的重要部件，当其发生故障时，不仅会产生振动噪声，而且还会影响旋转机械的运行效率。如果不能及时发现轴承故障，可能会造成重大的安全事故和经济损失。因此有必要进行滚动轴承故障诊断研究。滚动轴承发生故障时，其实测信号伴有噪声和故障信号，如何提取这些故障信号，在实际工业生产中具有重要意义。

近些年，为了提高信号处理质量，相关学者采用小波分解、小波包分解、奇异值分解(Singular Value Decomposition，SVD)等方法对原始振动信号进行预处理。其中奇异值分解可用于非平稳、非线性信号的处理，具有着操作简洁、去噪结果不存在偏移等优点，被广泛用于信号处理中。

针对故障信号提取，主要问题在于如何自适应地从非线性振动信号中提取有效信号。常用的方法如经验模态分解(empirical mode decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、完备集合模态分解(ComplementaryEnsemble Empirical Mode Decomposition,CEEMD)等分解方法都存在模态混叠问题。

当信号分解为若干本征模态分量(Intrinsic Mode Function,IMF)后，如何衡量这些本征模态分量中包含故障信息的程度，从中选取包含故障信息较多的本征模态分量也是机械故障信号分析的难点。

发明内容

本发明的技术问题是现有的从振动信号中提取故障特征信息的方法如EMD、EEMD、CEEMD等都存在模态混叠并带有噪声，影响轴承故障诊断效果。

本发明的目的是针对上述问题，提供一种基于SVD和CEEMDAN的故障轴承诊断方法，该方法有效地剔除轴承原始振动信号中含有的干扰噪声，得到清晰的反映实际故障信息的信号后，对降噪信号进行自适应噪声完备集合经验模态分解(Complete EnsembleEmpirical Mode Decom-position With Adaptive Noise,CEEMDAN)以消除模态混叠，剔除分解得到的无效模态分量后重构，利用重构信号的包络谱进行故障诊断。

本发明的技术方案是基于SVD和CEEMDAN的故障轴承诊断方法，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Wigner-Ville时频分布，初步判断轴承是否产生故障；

步骤3：对原始故障轴承信号进行奇异值分解后重构，得到初步降噪信号y；

步骤4：对初步降噪信号y进行自适应噪声完备集合经验模态分解，得到n个本征模态分量IMF₁，IMF₂，……，IMF_n；