[发明专利]一种滚动轴承故障特征提取方法

说明书

本发明公开了一种滚动轴承故障特征提取方法，采用MRSVD降噪方法对滚动轴承信号进行降噪处理。首先对采集的滚动轴承原始振动信号采用MRSVD算法对其进行降噪处理；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。在滚动轴承故障信号经RCMDE‑VMD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。采用RCMDE为目标函数来对VMD的分解层数K值进行优化，实现VMD算法的自适应分解。

技术领域

本发明涉及一种轴承故障特征提取方法，尤其是涉及一种多分辨奇异值降噪与精细符合多尺度色散熵优化改进VMD的滚动轴承故障特征提取方法。

背景技术

滚动轴承广泛应用于旋转设备中，但因其工作的环境和结构的特点，是最容易发生故障的零件之一，实现滚动轴承的故障诊断具有重大意义。振动信号常被用来监测轴承的运行状态，但实际振动信号具有非线性、非平稳性的特点。因此从振动信号中提取出表征滚动轴承故障信息的特征是关键问题之一。

滚动轴承发生故障时，通过加速度传感器采集到滚动轴承故障状态下的振动信号，得到滚动轴承的原始振动信号。但原始振动信号中不可避免的包含有噪声分量，需要对原始振动信号进行降噪处理，减小噪声信号的干扰。奇异值分解(SVD)是一种数值分析中的矩阵分解方法，它可以将一个矩阵通过分解得到矩阵的特征向量，振动信号也可以看作一个矩阵，可以通过SVD分解把信号的有效信息(特征向量)和噪声干扰信息分解开，实现振动信号的降噪，具有较好的稳定性。但SVD分解具有一定的局限性，它只能实现信号在同一层次空间、同一分辨率上的降噪。多分辨率奇异值分解(MRSVD)借鉴小波分析原理，实现信号在不同分辨率下的分解，克服了SVD的缺陷。

滚动轴承的故障特征提取是将振动信号内包含的内在本质和不变的故障特征提取出来，得到表征故障的特征信息，实现滚动轴承的故障诊断。在信号的特征提取中，常用的方法有小波分析、经验模态分解等，但小波分析易受到小波基和分解层数的影响，无法实现非线性、非周期信号的自适应分解，经验模态分解存在模态混叠、端点效应等问题。变分模态分解是K.Dragomiretskiy等于2014年提出的一种非递归的自适应信号处理方法，避免了传统经验模态分解方法循环递归的束缚，具有精度高、噪声鲁棒性强以及较小的端点效应的特点。但VMD算法分解过程中需要预先设定分解层数k，而分解层数k值的设定往往靠经验来确定，存在较大的误差，导致出现过分解或欠分解的现象。当k值选取过大会产生过分解现象，出现异常的白噪声分量；反之，则产生欠分解现象，导致轴承故障特征被淹没。熵是评价信号稀疏特性的一个指标，熵的大小反映了概率分布的均匀性，信号呈现规律性变化时熵值较大，反之，熵则较小。2016年Rostaghi和Azami提出一种全新的方法—色散熵(DE)，并利用其量化时间序列的规律性，克服了样本熵和排列熵的局限性，而精细符合多尺度色散熵(RCMDE)是以DE为基础加以改进，得到更广泛应用。

发明内容

本发明针对现有技术不足，提出一种基于MRSVD降噪与RCMDE-VMD的滚动轴承故障特征提取方法。采用RCMDE为目标函数来对VMD的分解层数K值进行优化，实现VMD算法的自适应分解。

本发明采用的技术方案：

一种滚动轴承故障特征提取方法，采用RCMDE-VMD算法对滚动轴承故障特征进行提取，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MRSVD算法对其进行降噪处理；

然后，采用RCMDE算法作为优化改进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应用到滚动轴承振动信号的特征提取。