自适应变分模式分解的机械微弱故障诊断方法与流程

技术特征：

1.一种自适应变分模式分解的机械微弱故障诊断方法，其特征在于，包括：

步骤1，利用振动信号传感器收集旋转机械设备动态信号X0；

步骤2，设置变分模式分解方法输入的分解参数的初始值，所述分解参数包括平衡参数α和模式分量个数K；

步骤3，利用设定初始分解参数的变分模式分解方法对机械设备动态信号X0进行迭代分解，得到待优化的目标分量XI；

步骤4，以初始平衡参数为中心，通过改变平衡参数α的取值对待优化的目标分量XI进行双向优化分析，以获取包含最丰富故障信息的成分

步骤5，对提取的包含最丰富故障信息的成分进行包络分析，得到其包络谱F；

步骤6，比对旋转机械设备关键部件理论故障特征频率与包络谱F中的显著特征频率，最终确定旋转机械的健康状态。

2.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述变分模式分解方法为：采用交替乘子法求解变分约束模型：

其中，x(t)代表输入的信号，*代表卷积算子，表示对时间t求偏导数，δ(t)是狄利克雷分布函数，指数调节项用于平移各分量频谱，信号x(t)被分解为K个模式分量uk(k＝1,…,K)，每个模式分量uk都紧密围绕其中心频率ωk。

3.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述机械设备动态信号X0迭代分解过程为：

步骤1：利用设定初始分解参数的变分模式分解方法对信号Xi(i＝0)进行分解，提取模式分量Ui；

步骤2：判断上一步中提取的分量Ui是否为包含故障信息的分量；

步骤3：若分量Ui不是故障分量，则令i＝i+1，并将提取分量Ui-1从Xi-1中剔除，即Xi＝Xi-1-Ui-1，然后返回上一步；若Ui为故障分量，则迭代停止，令XI＝Xi，输出XI为待优化的目标分量。

4.根据权利要求3所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述判断提取的分量Ui是否为包含故障信息的分量是通过计算提取分量的峭度值或稀疏度等故障特征敏感的特征指标来确定，其中，对于峭度值而言，一般其值小于3的分量为干扰成分。

5.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述的对待优化的目标分量XI进行双向优化分析包括：

步骤1：给定平衡参数α＝α0+Δα，Δα为平衡参数α变化的步长，模式分量个数K＝1；α＝α0-Δα，模式分量个数K＝1两组变分模式分解方法使用的分解参数；

步骤2：利用上一步中两组不同分解参数的变分模式分解方法处理待优化的目标分量XI，分别得到模式分量Vr1、Vl1；

步骤3：分别计算模式分量Vr1、Vl1的峭度值Kur1、Kul1；

步骤4：如果Kur1＞Kul1那么执行右向优化策略，否则执行左向优化策略。

6.根据权利要求5所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述右向优化策略为：

步骤1：令变分模式分解方法使用的分解参数：平衡参数α＝α0+iΔα(i＝2)，模式分量个数K取值为1；

步骤2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI，得到模式分量Vri，并计算模式分量Vri的峭度值Kuri；

步骤3：如果Kuri＞Kuri-1，那么令i＝i+1，返回步骤1；否则令输入作为包含最丰富故障信息的成分。

7.根据权利要求5所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述左向优化策略为：

步骤1：令变分模式分解方法使用的分解参数：平衡参数α＝α0-iΔα(i＝2)，模式分量个数K取值为1；

步骤2：利用上一步设置分解参数的变分模式分解方法分解待优化的目标分量XI，得到模式分量Vli，并计算模式分量Vli的峭度值Kuli；

步骤3：如果Kuli＞Kuli-1，那么令i＝i+1，返回步骤1；否则令输入作为包含最丰富故障信息的成分。

8.根据权利要求1所述的自适应变分模式分解的机械微弱故障诊断方法，其特征在于，所述平衡参数初始值在区间[1000,4000]中任取一个值，模式分量个数取值为1。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8中任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任意一项所述方法的步骤。