[发明专利]一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法

说明书

本发明涉及机械工程故障诊断领域，具体是一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法，包括：步骤1：对旋转部件进行传感器监测，采集旋转测量信号作为原始信号x(t)；步骤2：利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理，对初步消噪信号进行分解，得到若干个固有模态分量；步骤3：计算每个固有模态分量的无量纲参数；步骤4：计算原始故障特征数据集中每个特征的综合最大距离参数，并选择参数从大到小的前20个故障特征进行特征融合。步骤5：将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别；该方法能有效避免无关冗余特征干扰，实现有效特征的筛选，同时能够显著提高旋转机械故障诊断的精确度。

技术领域

本发明涉及机械工程故障诊断领域，具体说是一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法。

背景技术

旋转机械作为化工、石油、航天等领域中不可或缺的一部分，随着科学技术的发展以及生产需要日益严格，旋转机械越来越朝着大型化、智能化、自动化方向发展，其运行工况越来越复杂，运行时间更集中，这同时也就意味着一旦发生故障，所造成的代价也是空前的，轻则损害生产稳定性以及经济效益，重则造成惨痛的人员伤亡以及恶劣的社会影响，所以开展对与旋转机械的状态监测以及故障诊断，实现有效、可靠地设备故障诊治，对于社会生产力的提升以及生命财产安全保障具有重要意义。由于实际工程中旋转机械振动信号表现为非平稳特性，其受到部件间多传递路径耦合作用的影响，振动信号中掺杂着强烈背景噪声和多干扰源信号，致使旋转机械的故障特征提取极其复杂和困难。因此，如何从振动信号中有效地提取有用故障特征信息，避免无关冗余特征对于故障识别效果的影响，是判断旋转机械设备是否发生故障需要解决的关键难题。

现有的非平稳信号故障诊断方法主要包含小波分解，经验模态分解等，小波分解需要预先设定小波基函数以及分解层数，不具有自适应性，在实际应用中存在局限性。而经验模态分解虽然具有自适应性，但其采用插值拟合包络原理进行分解具备较大拟合误差，同时存在过包络、欠包络、端点效应和模态混叠等缺陷。另外现存的故障诊断方法大多不具有自适应性，参数选择对于诊断结果影响很大，如何获得最佳参数也对于故障诊断具有重要意义。因此，如何克服上述存在的技术问题和缺陷成为重点需要解决的问题。

发明内容

本发明的发明目的在于克服背景技术中所描述的缺陷，从而实现一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法，该故障诊断方法能够有效避免无关冗余特征干扰，实现有效特征的筛选提取，同时能够显著提高旋转机械故障诊断的精确度，并尽可能地对故障进行早发现早诊断，降低旋转机械故障对工程生产的影响。

为实现上述发明目的，本发明的技术方案是：一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法，包括以下步骤：

步骤1：在旋转机械的旋转部件附近安装传感器进行测量，采集旋转测量信号作为原始信号，所述原始信号表示为x(t)；

步骤2：利用小波阈值降噪方法对原始信号x(t)进行初步降噪处理，采用完全自适应噪声集合经验模态分解对初步消噪信号进行分解，得到若干个瞬时频率具有物理意义的固有模态分量；

步骤3：计算每个固有模态分量的无量纲参数，作为原始故障特征数据集；

步骤4：计算原始故障特征数据集中每个特征的综合最大距离参数，选择综合最大距离参数从大到小排列的前15～25个故障特征输入到遗传算法优化的局部保留投影算法中进行特征融合。

步骤5：将特征融合后的故障特征输入到粒子群算法优化的支持向量机中进行故障识别。

在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中，在所述步骤1中，所述旋转机械的旋转部件为轴承、齿轮和转子的一种。

在上述基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法中，所述步骤2中利用完全自适应噪声集合经验模态分解对源信号进行分解的步骤为：