本发明涉及滚动轴承性能检测技术领域，尤其涉及一种滚动轴承性能退化评估的特征提取方法。
背景技术：
滚动轴承作为旋转机械的关键部件，其运行状态决定着机械系统的性能，滚动轴承在使用过程中经历从正常到退化直至失效的过程，这个过程中滚动轴承要经历一系列的性能退化状态。滚动轴承的性能退化评估近年来已有探索性研究，采用信号处理方法从振动监测信号中提取性能退化特征。谱分析方法可有效提取振动信号特征，对故障程度的变化过程具有一定的表征能力。目前常用的谱分析方法主要有功率谱分析、倒谱分析、奇异谱分析、高阶谱分析、小波分析以及经验模态分解等。功率谱是采用时域统计指标、功率谱密度来分析信号的频域结构，对非线性信号处理效果不佳；倒谱是在对功率谱取对数的基础上进行谱分析，在放大特征分量的同时也放大了噪声和其它分量信息，因此影响了特征提取效果。奇异谱分析对非线性强、复杂度高的信号分析效果不理想；高阶谱分析能提取更为丰富的高阶统计信息，但是无法剔除谐波以及其它干扰分量的影响，导致对性能退化程度变化的敏感度不够理想。小波变换存在小波基的选择以及阈值确定的问题；经验模态分解(emd)存在模态混叠等问题严重影响emd分解质量；为了抑制模态混叠，集成经验模态分解(eemd)将噪声辅助信号分析引入emd。复合谱作为新近提出的谱分析法，能够通过信息融合捕捉信号的敏感信息，与传统谱分析法相比提高了特征表征能力。
滚动轴承在性能退化过程中，振动信号中的随机成分比例不断下降、振动信号复杂度提高、非线性增强，影响着特征对退化过程的表征。现有技术中滚动轴承性能退化评估的特征提取应该注重特征对滚动轴承性能退化程度的量化反映能力，而不是区别其不同故障间的差异，这就使得现有的以故障特征频率为出发点的特征提取方法难以适应性能退化评估的要求。
技术实现要素：
根据现有技术存在的问题，本发明公开了一种滚动轴承性能退化评估的特征提取方法，具体方案为包括以下步骤：
s1：获取滚动轴承的振动信号信息；
s2：对滚动轴承振动信号进行自适应的eemd分解，具体步骤为：
sp：先预设置集成平均次数值m0和白噪声幅值比值系数k0作为初始值，为了在自适应获取白噪声幅值比值系数的过程中降低信号分解计算量，m0的初始设置选择一个较小值，如取为10；
sm：将待分析的原始信号加入幅值比值系数初始值k0的白噪声作为待分解信号，对待分解信号进行集成平均次数初始值m0的eemd分解，得到一系列内蕴模态分量imf；具体步骤为：
s21：先预设置集成平均次数值m0和白噪声幅值比值系数k0作为初始值；
s22：将原始信号加入幅值比值系数初始值k0的白噪声作为待分解信号，对待分解信号进行集成平均次数初始值m0的eemd分解，得到一系列内蕴模态分量imf；
s23：对步骤s2中分解得到的各内蕴模态分量imf与原始信号进行相关性分析，得到与原始信号具有最大相关系数的imf，记为主成分分量cmax(t)，计算其与原始信号的相关误差re；
s24：保持集成平均次数初始值m0不变，逐步增加幅值比值系数k，重复步骤s22、s23，对不同幅值比值系数k下的相关误差re进行趋势分析，最大的相关误差re对应的k即为最优的加入噪声幅值比值系数kz；
s25：将原始信号添加幅值比值系数为已经确定的kz下的白噪声作为待分解信号，先预设一个集成平均次数m，对待分解信号进行集成平均次数为m的eemd分解，得到一系列内蕴模态分量imf；
s26：对s5中分解得到的各内蕴模态分量imf分别计算其能量密度与平均周期之积，从而筛选出包含有用信息的内蕴模态分量imf，并构造去噪后的信号，并计算信噪比snr；
s27：逐步增加集成平均次数m值，重复步骤s5、s6，对不同集成平均次数m值下的信噪比snr进行趋势分析，最大信噪比snr对应的m值即为最优的集成平均次数mz，由此确定最优幅值比值系数kz和集成平均次数mz从而对原始信号进行eemd分解；
s3：采用贝叶斯信息准则和相关峭度方法筛选敏感内蕴模态分量imf：首先采用贝叶斯信息准则计算敏感imf分量的个数，再根据相关峭度ck的高低筛选出敏感分量，最后对敏感imf分量进行复合谱分析，将计算出的复合谱熵作为滚动轴承性能退化的特征参数。
进一步的，所述敏感imf分量的个数和敏感imf分量筛选采用如下方式：
s31：将eemd分解所得的内蕴模态分量imf和趋势项r(t)与分解前的原始信号进行重组，构成新信号xob＝[x(t)imf1(t)…imfn(t)r(t)]，构建xob的相关矩阵r，并进行奇异值分解，
其中：λd为d个主特征值，λu-d为u-d个噪声特征值，u为xob的维数；
利用贝叶斯信息准则来确定敏感imf分量个数m：
其中，λi为非零特征值，n为信号数据的长度，k为imf分量数，l为非零特征值的个数，
s32：确定敏感分量数量m之后，筛选出m个imf分量作为敏感分量，采用相关峭度ck作为敏感分量筛选的评判标准，选取相关峭度ck最大的前m个imf分量作为敏感分量
其中，t为冲击信号的周期，m为偏移的周期个数，n为采样长度。
进一步的，所述复合谱熵采用如下方式计算：
步骤1：对所选取每个内蕴模态imf分别进行n段等分，然后对每一段信号作离散余弦变换变换，得到
步骤2：计算第i个imf分量与第i+1个imf分量在频率点fk的相关系数：
其中，γi(i+1)(fk)为相关系数；
步骤3：计算复合谱scs(fk)：
其中，fk为频率点，scs(fk)为复合谱；
步骤4：计算复合谱熵：
其中，k为频带分量的个数，pi为第i个状态发生的概率，pk为第k个频带功率所占的比例。
由于采用了上述技术方案，本发明提供的一种滚动轴承性能退化评估的特征提取方法，本方法可以实现对滚动轴承振动信号进行高精度eemd分解，有效剔除噪声和干扰分量的影响，获取敏感imf分量；利用复合谱分析法对敏感imf分量进行融合，提取复合谱熵作为滚动轴承退化特征，改善特征对滚动轴承退化过程的表征能力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的滚动轴承性能退化评估的特征提取方法的流程图；
图2是本发明的一种分解参数自适应确定的eemd方法的流程图；
图3是具体实施方式中待分析的原始信号时域波形图；
图4是待分析原始信号所包含的3个信号分量的时域波形图；
图5是使用本发明提出的一种分解参数自适应确定的eemd方法对待分析原始信号进行分解得到的分解结果图；
图6是使用传统的eemd方法对待分析原始信号进行分解得到的前三个内蕴模态分量的分解结果图；
图7是使用传统的emd方法对待分析原始信号进行分解得到的前三个内蕴模态分量的分解结果图；
图8是滚动轴承性能退化评估的复合谱熵特征量随退化过程的变化。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
实施例一待分析的原始信号由重复周期为0.01s的周期性指数衰减脉冲信号、限带高斯白噪声和正弦信号组成，图3是待分析的原始信号的时域波形，图4是待分析原始信号所包含的3个信号分量的时域波形。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例例一应用如图2所示的一种分解参数自适应确定的eemd方法进行分析，具体包括以下步骤：
s1：先预设置集成平均次数值m0和白噪声幅值比值系数k0作为初始值，为了在自适应获取白噪声幅值比值系数的过程中降低信号分解计算量，m0的初始设置选择一个较小值，如取为10；
s2：将待分析的原始信号加入幅值比值系数初始值k0的白噪声作为待分解信号，对待分解信号进行集成平均次数初始值m0的eemd分解，得到一系列内蕴模态分量imf；具体步骤为：
s21：将原始信号加入幅值比值系数初始值k0的白噪声序列n1(t)作为待分解信号，对待分解信号进行经验模态分解得到第一组内蕴模态分量c1j(t)和剩余分量r1(t)；
s22：重复步骤s21，依次类推得到n组内蕴模态分量cnj(t)和剩余分量rn(t)，n＝1，2，…，m0；
s23：将m0次分解得到的内蕴模态分量进行集成平均，将均值作为最终的内蕴模态分量分解结果，其中内蕴模态分量cj(t)和剩余分量r(t)采用如下计算公式，
s3：对步骤s2中分解得到的各内蕴模态分量与原始信号进行相关性分析，得到与原始信号具有最大相关系数的内蕴模态分量，记为主成分分量cmax(t)，计算其与原始信号的相关误差re；
s4：保持集成平均次数初始值m0不变，逐步增加幅值比值系数k，重复步骤s2、s3，对不同幅值比值系数k下的相关误差re进行趋势分析，与最大的相关误差re对应的k即为分解时应加入的最优噪声幅值比值系数kz；
s5：将原始信号添加幅值比值系数为已经确定的最优噪声幅值比值系数kz的白噪声作为待分解信号，先预设一个集成平均次数m，对待分解信号进行集成平均次数为m的eemd分解，得到一系列内蕴模态分量；
s6：对s5中分解得到的各内蕴模态分量分别计算其能量密度与平均周期之积，从而筛选出包含有用信息的内蕴模态分量，并构造去噪后的信号，并计算信噪比snr；
s7：逐步增加集成平均次数m值，重复步骤s5、s6，对不同集成平均次数m值下的信噪比snr进行趋势分析，最大信噪比snr对应的m值即为最优的集成平均次数mz，由此确定最优幅值比值系数kz和集成平均次数mz从而对原始信号进行eemd分解，分解结果如图5所示。
图5给出了原始信号通过传统的eemd分解得到的前三个内蕴模态分量。图6是使用传统的emd方法对待分析原始信号进行分解得到的前三个内蕴模态分量。结合图4，从图5、图6和图7的比较可以看出，原始信号通过本发明方法进行分解得到了较高精度的分解效果，图5中清晰地描述了冲击成分、带限噪声成分和正弦信号成分，而图6和图7中的各内蕴模态分量出现了模态混叠，不能够描述原始信号中的组成成分，因此本发明提出的一种分解参数自适应确定的eemd方法能够较好抑制模态混叠，将原始信号中的瞬态冲击成分与谐波成分和噪声等成分有效分离，可以对不同的原始信号自适应地确定不同的分解参数，保证了eemd分解的分解精度和计算效率，使分解得到的内蕴模态分量准确、有效地表征原始信号的物理意义。
实施例二的原始数据由美国西储大学轴承数据中心提供。试验轴承为6205-2rsjemskf型深沟球轴承，采集的滚动轴承振动加速度信号包括正常状态的振动信号和不同轴承内环不同退化程度的信号(采用电火花加工技术对轴承设置直径为0.1778mm、0.3556mm和0.5334mm的单点损伤故障)。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例应用如图1所示的一种滚动轴承性能退化评估的特征提取方法进行分析，具体包括以下步骤：
(1)获取滚动轴承振动信号
(2)对滚动轴承振动信号进行分解参数自适应确定的eemd分解，具体步骤为：
s1：先预设置集成平均次数值m0和白噪声幅值比值系数k0作为初始值，为了在自适应获取白噪声幅值比值系数的过程中降低信号分解计算量，m0的初始设置选择一个较小值，如取为10；
s2：将待分析的原始信号加入幅值比值系数初始值k0的白噪声作为待分解信号，对待分解信号进行集成平均次数初始值m0的eemd分解，得到一系列内蕴模态分量imf；具体步骤为：
s21：将原始信号加入幅值比值系数初始值k0的白噪声序列n1(t)作为待分解信号，对待分解信号进行经验模态分解得到第一组内蕴模态分量c1j(t)和剩余分量r1(t)；
s22：重复步骤s21，依次类推得到n组内蕴模态分量cnj(t)和剩余分量rn(t)，n＝1，2，…，m0；
s23：将m0次分解得到的内蕴模态分量进行集成平均，将均值作为最终的内蕴模态分量分解结果，其中内蕴模态分量cj(t)和剩余分量r(t)采用如下计算公式，
s3：对步骤s2中分解得到的各内蕴模态分量与原始信号进行相关性分析，得到与原始信号具有最大相关系数的内蕴模态分量，记为主成分分量cmax(t)，计算其与原始信号的相关误差re；
s4：保持集成平均次数初始值m0不变，逐步增加幅值比值系数k，重复步骤s2、s3，对不同幅值比值系数k下的相关误差re进行趋势分析，与最大的相关误差re对应的k即为分解时应加入的最优噪声幅值比值系数kz；
s5：将原始信号添加幅值比值系数为已经确定的最优噪声幅值比值系数kz的白噪声作为待分解信号，先预设一个集成平均次数m，对待分解信号进行集成平均次数为m的eemd分解，得到一系列内蕴模态分量；
s6：对s5中分解得到的各内蕴模态分量分别计算其能量密度与平均周期之积，从而筛选出包含有用信息的内蕴模态分量，并构造去噪后的信号，并计算信噪比snr；
s7：逐步增加集成平均次数m值，重复步骤s5、s6，对不同集成平均次数m值下的信噪比snr进行趋势分析，最大信噪比snr对应的m值即为最优的集成平均次数mz，由此确定最优幅值比值系数kz和集成平均次数mz对原始信号进行eemd分解。
(3)采用贝叶斯信息准则和相关峭度，筛选敏感imf分量：
s1：敏感分量数量的估计：
将eemd分解所得的imf分量和趋势项rn(t)与分解前的原始信号进行重组，构成新信号xob＝[x(t)im1f(t)…imnf(t)rn(t)]。构建xob的相关矩阵r，并进行奇异值分解，
利用贝叶斯信息准则以确定敏感imf分量个数m：
其中，λi为非零特征值，n为信号数据的长度，k为imf分量数，l为非零特征值的个数，
s2：敏感分量的筛选：
在确定敏感分量数量m之后，需要筛选出相应数量imf分量作为敏感分量。考虑到滚动轴承退化故障信号周期性冲击的特点，采用相关峭度ck作为敏感分量筛选的评判标准，
其中，t为冲击信号的周期，m为偏移的周期个数，n为采样长度。
其中：
选取相关峭度ck最大的前m个imf分量作为敏感分量。
(4)对敏感imf分量进行复合谱分析，计算复合谱熵，将复合谱熵作为滚动轴承性能退化特征：
s1：对所选取每个imf分量分别进行n段等分，然后对每一段信号作离散余弦变换，得到
s2：计算第i个imf分量与第i+1个imf分量在频率点fk的相关系数：
其中，γi(i+1)(fk)为相关系数；
s3：计算复合谱scs(fk)：
其中，fk为频率点，scs(fk)为复合谱；
s4：计算复合谱熵：
其中：其中，k为频带分量的个数，pi为第i个状态发生的概率，pk为第k个频带功率所占的比例。
按照上述方法对滚动轴承正常状态的振动信号和滚动轴承内环不同退化程度(损伤直径为0.1778mm、0.3556mm和0.5334mm分别对应的轴承内环的轻微、较重和严重的三种退化程度)的振动信号进行分析计算，得到滚动轴承从正常状态到三种不同退化程度组成的不同退化阶段的复合谱熵cse，相应的特征向量曲线如图8所示。复合谱熵cse作为滚动轴承性能退化特征的量化指标对振动信号进行度量在滚动轴承性能退化过程中呈现先升后降的趋势，滚动轴承在正常状态下的振动信号近似为高斯分布，此时信号的复合谱熵cse较高。而随着轻微的性能退化出现，信号中出现了微弱的故障频率，这样信号中特征频率成分增加，使得复合谱熵cse有所增加。当轴承性能退化程度明显增加时，随机成分所占比例逐渐减小，信号越来越集中在特征频率段上，信噪水平逐渐增加，信号变得越来越规则，即引起复合谱熵cse的减小。当滚动轴承性能退化程度加深(从较重到严重)，复合谱熵cse曲线的斜率增加，对滚动轴承性能退化过程具有良好的敏感性和跟随性。
本发明使用改进的eemd对滚动轴承振动信号进行自适应的高精度分解，并采用bic与相关峭度相结合的方法筛选出敏感imf分量，可有效剔除噪声和干扰分量的影响，获取敏感的特征信息；利用复合谱分析法对所选取的imf分量进行融合，提取复合谱熵作为滚动轴承退化特征，对退化过程具有较高的敏感度，改善了特征对滚动轴承退化过程的表征能力。该方法对于滚动轴承退化特征的有效提取和实现滚动轴承基于状态维修具有一定的促进意义。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。