[发明专利]一种滚动轴承故障特征提取方法

权利要求书

1.一种滚动轴承故障特征提取方法，其特征在于：采用MRSVD降噪方法对滚动轴承信号进行降噪处理；利用RCMDE方法改进优化VMD算法，实现RCMDE-VMD方法对降噪后的滚动轴承故障特征的提取，为滚动轴承的故障诊断提供有效的特征量信息，其包括步骤如下：

首先，对采集的滚动轴承原始振动信号，采用多尺度奇异值分解算法MRSVD对其进行降噪处理；

然后，将RCMDE作为优化改进VMD算法的目标函数，寻优筛选出最佳的VMD算法分解层数K值，并将RCMDE-VMD方法应用到滚动轴承振动信号的特征提取中。

2.根据权利要求1所述的滚动轴承故障特征提取方法，其特征在于：在滚动轴承故障信号经RCMDE-VMD方法分解得到若干模态分量后，利用相关系数法选出与滚动轴承故障相关性最大的分量，作为滚动轴承故障的特征分量，实现滚动轴承故障的特征提取。

3.根据权利要求1所述的滚动轴承故障特征提取方法，其特征在于：对采集的滚动轴承原始振动信号，采用多尺度奇异值分解方法进行降噪处理的过程如下：

MRSVD算法在SVD算法基础上，基于矩阵二递推构造将信号分解为近似信号和多个细节信号，实现奇异值分解在不同层次空间显示信号特征的改进；

在含噪信号的MRSVD降噪中，首先要进行含噪信号的二分递推构造，把含噪信号构造为行数为2的矩阵，然后将构造矩阵进行SVD处理，得到近似信号和细节信号；

近似信号重新进行二分递推构造，继续SVD处理，近似信号又被分解为新的近似信号和细节信号，重复进行下去，最终含噪信号被分解为一个近似信号和多个细节信号，将近似信号作为降噪后的信号，实现含噪信号的降噪处理。

4.根据权利要求1、2或3任一项所述的滚动轴承故障特征提取方法，其特征在于：采用多尺度奇异值分解算法进行降噪处理的具体过程：

步骤1.1，选取滚动轴承振动信号数据，采集滚动轴承振动加速度信号，采样频率为12kHz，转速为1797r/min，滚动体Z＝9，信号长度N＝4096，转频F_r＝29.96Hz；

通过滚动轴承故障特征计算理论得到：内圈故障特征频率f_i＝162Hz、外圈故障特征频率f_o＝108Hz，滚动体故障频率f_c＝62Hz；

步骤1.2，选取滚动轴承内圈故障振动信号，其中一段振动信号为矩阵X＝(x₁，x₂，…，x_N)，N为信号的长度；

步骤1.3，设置MRSVD循环次数为M，初始化循环次数，令m＝1；

步骤1.4，将矩阵X分解为行数为2的构造矩阵H，如式(1)所示：

步骤1.5，第m次的近似信号的构造矩阵H_m经过SVD分解得到的近似信号和细节信号如式(2)所示：

H_m＝S_mU_mD_m＝u_ams_m1d_m1^T+u_bms_m2d_m2^T (2)

式中：S_m＝(s_m1,s_m2)，S_m∈R^2×2；D_m＝(d_m1,d_m2)，D_m∈R^(N-1)×(N-1)；分别为第m次分解后获得的左右正交矩阵，N为信号的长度；对角矩阵U_m＝(diag(u_αm,u_bm),Ο)，U_m∈R^2×(N-1)，u_am的值较大为近似奇异值，u_bm的值较小为细节奇异值，所以u_ams_m1d_m1^T为第m次SVD分解后的近似信号，记为A_m；u_bms_m2d_m2^T为第m次SVD分解的细节信号，记为B_m；

步骤1.6，设L_a1和L_a2分别为A_m的子矢量，L_b1和L_b2分别为B_m的子矢量，如式(3)、式(4)所示：

则近似信号表示为：

A_m＝(a_m,1,(L_a1+L_a2)/2,a_m,N) (5)

同理，细节信号表示为：

B_m＝(b_m,1,(L_b1+L_b2)/2,b_m,N) (6)

步骤1.7，令m＝m+1，判断mM，否，令矩阵X＝A_m，返回步骤1.3；反之，继续下一步；

步骤1.8，将含噪的信号经过MRSVD降噪处理后最终得到的近似信号A_m作为滚动轴承内圈故障的降噪信号，令矩阵X＝A_m。

5.根据权利要求4所述的滚动轴承故障特征提取方法，其特征在于：寻优筛选出最佳的VMD算法分解层数K值的过程如下：

步骤2.1，VMD算法分解过程中，预先设定分解层数K_max；

步骤2.2，令最大分解层数K_max＝10，初始化分解层数K，令K＝1；

步骤2.3，将经过MRSVD降噪处理后的滚动轴承内圈故障信号X进行VMD分解，设置VMD分解层数为K，信号X经过VMD分解后得到K个模态分量，记为：{u_k}＝{u₁，…，u_K}；

步骤2.4，以其中任意模态分量u_k为例，令x(i)＝u_k，其中i＝1,2,3,…，N，N为信号长度；

步骤2.5，x(i)的第J个时间序列如式所示：1≤j≤N，1≤J≤τ；其中：τ：尺度因子；

步骤2.6，采用正态累计分布函数，将映射到如下式所示：

其中：μ和σ分别为的均值和标准差；

步骤2.7，采用线性算法将的每个值分配给1到c的整数，映射的信号如下式所示

其中：c为类别数；

步骤2.8，将包含嵌入维数m和延迟时间d的嵌入向量定义为：

每个时间序列被映射到色散模式中，其中

步骤2.9，对于每个色散模式，相对频率为：

其中：是分配给的色散模式的数量除以具有嵌入维数m的嵌入信号的总数；

步骤2.10，通过熵的定义，得到任意模态分量对应的精细复合多尺度色散熵RCMDE_k值：

步骤2.11，得到K个精细复合多尺度色散熵值，记为：{RCMDE_k}＝{RCMDE₁,RCMDE₂,…,RCMDE_K}，其中k＝1，2，…，K；

步骤2.12，计算K个精细复合多尺度色散熵的平均值，记为：C_K；

步骤2.13，令K＝K+1，判断KK_max，否返回步骤2.3；反之，继续下一步；

步骤2.14，得到K_max个C值，记为：{C_K}＝{C₁,C₂,…,C_Kmax}，筛选出最小的C值对应的K值作为VMD最优分解层数K_opt值。