一种基于多特征参量的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于多特征参量的滚动轴承故障诊断方法，包括以下步骤：(1)对采集到的振动信号进行预处理，消除噪声及其它振动源的干扰；(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数；(3)求出预处理后振动信号的包络信号，采用改进的经验模态分解方法对包络信号进行分解，得到一系列的固有模态函数；(4)选取集中大部分能量的几个固有模态函数，计算能量矩；(5)对分解得到的第一个固有模态函数进行包络谱分析，计算故障特征幅值比；(6)将以上步骤提取的多个特征参量作为BP神经网络的输入向量，由网络输出诊断结果。本发明专利技术能够全面地反映滚动轴承的运行状况，提高了诊断准确率，易于实现滚动轴承的在线监测。

【技术实现步骤摘要】

本专利技术涉及机械故障诊断
，尤其涉及。
技术介绍
振动诊断是复杂机电系统诊断的基本方法，振动测试手段及振动分析理论成熟，易于实现在线监测与诊断，是目前滚动轴承故障诊断中使用最广泛的方法之一。传统傅里叶变换作为平稳信号处理中最常用的分析工具，不适用于非线性、非平稳信号。为克服傅里叶变换的局限性，时频分析方法得到了快速发展。短时傅里叶变换是最早提出的一种时频分析方法，但它是基于信号在时间窗内是平稳信号的假设，只适于分析一些缓变的非平稳信号。小波变换克服了短时傅里叶变换的 时频窗大小固定不变的缺陷，采用可变时频窗的方法，使得在时域和频域都能得到较好的局部化性质。但是小波变换的结果依赖小波基函数的选择，对于不同的情况需要不断地调整小波基函数。然而在信号消噪领域，小波变换仍然是最常用的工具之一。经验模态分解(EMD)最早由美国国家宇航局的美籍华人Norden E. Huang于1996年提出，是一种自适应的高效的非线性、非平稳信号分析方法，在振动工程领域得到了广泛的研究和应用。滚动轴承是一个复杂的非线性系统，BP神经网络能够实现这一复杂的非线性映射关系。经过学习训练的BP神经网络，具备对多参数、多特征信息的滚动轴承进行故障诊断的能力，可以用来对滚动轴承进行故障识别。目前人工神经网络在滚动轴承的故障诊断中得到了广泛的应用，虽然取得了良好的诊断效果，但是大多数都是将单一的特征参量作为神经网络的输入向量，无法全面地反映滚动轴承的故障状态，而且诊断的正确率还有待进一步提高。另外，对于滚动轴承特征参数的提取算法，目前常用的方法是振动信号经过小波或小波包变换后，提取分解所得信号的能量或能量熵，但是对于非线性、非稳态的滚动轴承 振动信号，能量或能量熵无法更好的反映信号的本质。
技术实现思路
本专利技术解决的技术问题在于全面地反映滚动轴承的故障状态、提高诊断的准确率。为了解决以上问题，，包括以下步骤(I)对采集到的振动信号进行预处理，消除噪声及其它振动源的干扰；(2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数；(3)求出预处理后振动信号的包络信号，采用改进的经验模态分解方法对包络信号进行分解，得到一系列的固有模态函数；(4)选取集中大部分能量的几个固有模态函数，计算能量矩；(5)对分解得到的第一个固有模态函数进行包络谱分析，计算故障特征幅值比；(6)将步骤⑵、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量，由网络输出诊断结果。其中经验模态分解方法缩写为EMD ;固有模态函数缩写为MF。进一步，作为一种优选，在所述的步骤(I)中，预处理方法采用小波消噪-盲源分离-小波消噪联合方法，去除噪声的同时也去除了其它振动源的影响。进一步，作为一种优选，所述步骤(2)中的时域统计参数包括峭度指标、峰值指标、裕度指标、脉冲指标和波形指标。进一步，作为一种优选，所述步骤(3)中改进的经验模态分解方法采用了相关系数法。进一步,作为一种优选,在所述步骤(4)中固有模态函数为前5个固有模态函数。 进一步，作为一种优选，在所述的步骤(5)中，求取第一个固有模态函数的包络谱，计算故障特征幅值比。进一步，作为一种优选，在所述的步骤(6)中，BP神经网络的输入层节点个数为12个，分别为5个时域统计参数、5个固有模态函数能量矩以及2个故障特征幅值比；输出层节点个数为4个，对应正常、外圈故障、内圈故障及滚动体故障；隐含层节点个数为16个。本专利技术有益效果在于，将多特征参量作为故障分类器的输入向量，与单一类型的特征参量相比，能够更好的反映滚动轴承的工作状况，得到更高的诊断正确率。附图说明当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本专利技术以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定，其中图I是滚动轴承故障诊断的流程图；图2是具有外圈故障的滚动轴承的原始振动信号；图3是经过预处理后的外圈故障信号；图4是经过预处理后振动信号的包络信号；图5是外圈故障信号经过EMD分解后得到的各个固有模态函数及一个残余项；图6是外圈故障信号的第一个固有模态函数的包络信号；图7是外圈故障信号的第一个固有模态函数的包络谱；图8是BP神经网络的故障诊断模型。具体实施例方式以下参照图1-8对本专利技术的实施例进行说明。为使上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图I所示，，包括以下步骤(I)振动信号预处理步骤包括数据采集步骤SI和消噪处理步骤S2。滚动轴承在运行中往往受到附近设备振动以及其它外界因素的影响，在实际应用中，需要对信号进行消噪处理，去除背景噪声，提高故障诊断的可靠性。采集到的具有外圈故障的滚动轴承的原始振动信号X(t)如图2所示。采用小波消噪-盲源分离-小波消噪联合方法对信号进行消噪处理，得到消噪后的振动信号y(t)如图3所示。经过处理后，消除了噪声及其它振动源的干扰。(2)提取时域统计参数步骤S4本方法选择峭度指标、峰值指标、裕度指标、脉冲指标、波形指标五个无量纲参数作为要提取的时域统计特征参数，计算公式如下峭度指标(KurtosisValue)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征参量的滚动轴承故障诊断方法，其特征在于，包括以下步骤 (1)对采集到的振动信号进行预处理，消除噪声及其它振动源的干扰； (2)从振动信号中提取能够反映滚动轴承不同工况的时域统计参数； (3)求出预处理后振动信号的包络信号，采用改进的经验模态分解方法对包络信号进行分解，得到一系列的固有模态函数； (4)选取集中大部分能量的几个固有模态函数，计算能量矩； (5)对分解得到的第一个固有模态函数进行包络谱分析，计算故障特征幅值比； (6)将步骤(2)、(4)和(5)提取的多个特征参量作为BP神经网络的输入向量，由网络输出诊断结果。2.根据权利要求I所述的一种基于多特征参量的滚动轴承故障诊断方法，其特征在于，在所述的步骤(I)中，预处理方法采用小波消噪-盲源分离-小波消噪联合方法，去除噪声的同时也去除了它振动源的影响。3.根据权利要求I所述的一种基于多特征参量的滚动轴承故障诊断方法，...

【专利技术属性】
技术研发人员：李晓峰，杨鑫，秦勇，贾利民，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：