技术领域本发明涉及机械设备故障诊断技术，特别涉及一种机车轮对轴承故障的诊断方法。
背景技术：
作为机车的关键零部件之一，轮对轴承的运行安全显得尤为重要。但是由于机车保持架的轮对轴承长期工作在变速、重载等恶劣工况下，使得机车轮对轴承故障动态监测、诊断与预示的难度不断增大。因此，如何对采集到的机车轮对轴承振动信号进行有效分析，提取并突出其故障特征信息是故障诊断中的一个关键课题。现有的轴承故障特征提取包括小波变换等方法，由于存在基函数的选取以及分解层数的确定依靠较多的工程实用经验等问题，难以满足方便有效提取机车轮对轴承故障特征的要求。传统的可变模式分解方法虽然能自适应地分解原始信号并提取其包含的故障特征信息，但是受到预设模式数目的影响：如果预设模式数目太大，则故障特征会被错分或过分解到不同的本征模函数中；如果预设的模式数目太小，则故障特征信息可能会因隐藏在受干扰噪声影响的本征模函数中而被遗漏。
技术实现要素：
本发明的目的在于提供一种基于近似完备可变模式分解的机车轮对轴承故障诊断方法，该方法可解决背景技术所存在问题的机车轮对轴承故障特征自适应提取方法，该方法首先利用局部峰值搜索方法确定原始振动信号频谱的局部极大值数目，并将其赋值给可变模式分解的初始模式数目；其次采用可变模式分解算法分解原始信号，并对原始信号进行重构；继而通过相似准则判断重构信号与原信号之间的相似度，若不满足相似度要求则增大初始模式数目并重新分解信号；迭代停止后合并满足相似性条件的本征模函数，并通过包络分析提取轮对轴承故障特征信息。为达到以上目的，本发明是采取如下技术方案予以实现的：一种基于近似完备可变模式分解的机车轮对轴承故障诊断方法：近似完备在本发明中用于描述重构信号与原始振动信号的相似性，具体定义为由可变模式分解子信号重构得到的振动信号与原始振动信号的相关系数大于95％。(1)对原始振动信号进行快速傅立叶变换，得到原始振动信号频谱；(2)对原始振动信号频谱进行平滑处理，通过局部峰值搜索算法确定原始振动信号频谱包含的局部极大值数目；(3)将局部极大值数目赋值给可变模式分解算法的初始模式数目，并通过可变模式分解算法分解原始振动信号；(4)采用分解得到的若干本征模函数重构原始振动信号，并计算重构信号与原始信号的相关系数，若符合相似条件，则执行步骤5；否则更新初始模式数目并重复分解与重构原振动信号的过程；(5)计算本征模函数两两之间的相似性，若符合相似性条件，则将本征模函数合并为新的模式；(6)对获得的模式函数进行包络分析，提取其中包含的故障特征。步骤(4)所述的具体方法包括下述步骤：1)首先利用可变模式分解得到的子信号重构原始信号，记原始信号为f，子信号为xk(t)，重构信号为f′，则通过以下方法重构原始信号：f′=Σkxk(t)]]>2)计算重构信号与原始信号之间的相关系数ρs′，记fn为原始振动信号的个体值，fn'为重构信号的个体值，为原始振动信号的均值，为重构信号的均值，计算方法如下：ρs′=Σn(fn′-f′‾)(fn-f‾)Σn(fn′-f′‾)2Σi(fn-f‾)2]]>3)判断相关系数ρs′是符合相似条件，若符合则终止迭代，若不符合则更新初始模式数目，并重复使用可变模式分解方法分解原始信号，其中imfk为迭代停止后的模式，xk(t)为本次分解的模式：imfk=xk(t)ifρs′>ρsk=k+1,xk(t)=e-jωkn+1tukn+1ifρs′<ρs]]>步骤(5)所述的本征模函数融合方法包括下述步骤：1)首先通过希尔伯特解调获取本征模函数的包络谱，而后计算包络谱两两之间的相似性，其中si,n(t)为第i个模式的个体值，为第i个模式的均值，sj,n(t)为第j个模式的个体值，为第j个模式的均值，计算方法如下：ρm.i.j=Σn(si,n(t)-si(t)‾)(sj,n(t)-sj(t)‾)(si,n(t)-si(t)‾)2(sj,n(t)-sj(t)‾)2i≠j]]>2)判断Imf的包络谱之间的相关系数是否符合条件。若符合，则合并这两个本征模函数：imfij＝imfi+imfjifρm.i.j>ρm由于本发明在机车轮对轴承诊断中采用基于近似完备可变模式分解方法的诊断技术，能够有效提取出轮对轴承损伤特征。本发明具有以下区别于传统方法的显著优势：(1)根据重构信号与原始信号之间的相似性，迭代更新模式数目并采用可变模式分解方法分解原始信号，保证了原始信号中绝大多数信息保留在本征模函数中；(2)通过合并相似的本征模函数，解决了原始振动信号中故障特征被错分或过分解的问题，保证了故障特征信息的完整性和提取的有效性；(3)本发明结果可靠，实时性好，简单易行，通用性强，适用于机车轮对轴承的故障诊断。附图说明图1为机车轮对轴承振动信号时域波形。图2为机车轮对轴承振动信号频谱。图3为机车轮对轴承振动信号频谱平滑效果及局部极值点分布。图4为机车轮对轴承振动信号近似完备可变模式分解结果。图5为机车轮对轴承外圈故障特征所在模式的包络谱。图6为机车轮对轴承内圈故障特征所在模式的包络谱。具体实施方式下面结合附图对本发明的内容作进一步详细说明。一种基于近似可变模式分解的机车轮对轴承故障诊断方法，按以下步骤实施：(1)对原始振动信号进行快速傅立叶变换，得到原始振动信号频谱；(2)对原始振动信号频谱进行平滑处理，通过局部峰值搜索算法确定原始振动信号频谱包含的局部极大值数目；(3)将局部极大值数目赋值给可变模式分解算法的初始模式数目，并通过可变模式分解算法分解原始振动信号；(4)采用分解得到的若干本征模函数重构原始振动信号，并计算重构信号与原始信号的相关系数，若符合相似条件，则执行步骤5；否则更新初始模式数目并重复分解与重构原振动信号的过程；(5)计算本征模函数两两之间的相似性，若符合相似性条件，则将本征模函数合并为新的模式；(6)对获得的模式函数进行包络分析，提取其中包含的故障特征。步骤(4)所述的具体方法包括下述步骤：1)首先利用可变模式分解得到的子信号重构原始信号，记原始信号为f，子信号为xk(t)，重构信号为f′，则通过以下方法重构原始信号：f′=Σkxk(t)]]>2)计算重构信号与原始信号之间的相关系数ρs′，记fn为原始振动信号的个体值，fn'为重构信号的个体值，为原始振动信号的均值，为重构信号的均值，计算方法如下：ρs′=Σn(fn′-f′‾)(fn-f‾)Σn(fn′-f′‾)2Σi(fn-f‾)2]]>3)判断相关系数ρs′是符合相似条件，若符合则终止迭代，若不符合则更新初始模式数目，并重复使用可变模式分解方法分解原始信号，其中imfk为迭代停止后的模式，xk(t)为本次分解的模式：imfk=xk(t)ifρs′>ρsk=k+1,xk(t)=e-jωkn+1tukn+1ifρs′<ρs]]>步骤(5)所述的本征模函数融合方法包括下述步骤：1)首先通过希尔伯特解调获取本征模函数的包络谱，而后计算包络谱两两之间的相似性，其中si,n(t)为第i个模式的个体值，为第i个模式的均值，sj,n(t)为第j个模式的个体值，为第j个模式的均值，计算方法如下：ρm.i.j=Σn(si,n(t)-si(t)‾)(sj,n(t)-sj(t)‾)(si,n(t)-si(t)‾)2(sj,n(t)-sj(t)‾)2i≠j]]>2)判断Imf的包络谱之间的相关系数是否符合条件。若符合，则合并这两个本征模函数：imfij＝imfi+imfjifρm.i.j>ρm近似完备在本发明中用于描述重构信号与原始振动信号的相似性，具体定义为由可变模式分解子信号重构得到的振动信号与原始振动信号的相关系数大于95％。以下给出具体案例，验证此方法的有效性：采集机车故障轮对轴承的振动数据，振动传感器布置在滚动轴承轴承端盖上。传感器采集数据时轮对转速为360r/min，采频为12.8kHz，数据长度为7680，根据轴承结构参数及转速计算，可知轴承外圈故障特征频率为43.3Hz，内圈故障特征频率为58.7Hz。轮对轴承振动信号时域波形及频谱如图1和图2所示，图1中横坐标表示时间，单位为s；纵坐标表示振动幅值，单位为mm/s2。从振动信号时域波形中较难发现信号中的周期性冲击特征。图2中横坐标表示频率，单位为Hz；纵坐标表示振动幅值，单位为mm/s2。频谱中可以看到频谱分为几个频段，高频段有明显的调制现象，但是从频谱中无法找到轴承内外圈的故障特征频率。因此对原始振动信号进行近似完备可变模式分解，首先对信号频谱进行平滑处理，并通过局部峰值搜索确定其极大值数目。平滑后的频谱及极值点的分布如图3所示。将信号频谱极大值数目赋值给可变模式分解的初始模式数目，并通过可变模式分解算法分解原始信号。然后通过分解得到的子信号重构原始信号，记原始信号为f，子信号为xk(t)，重构信号为f′，则通过以下方法重构原始信号：f′=Σkxk(t)]]>并计算重构信号与原始信号之间的相关系数ρs′，记fn为原始振动信号的个体值，fn'为重构信号的个体值，为原始振动信号的均值，为重构信号的均值，计算方法如下：ρs′=Σn(fn′-f′‾)(fn-f‾)Σn(fn′-f′‾)2Σi(fn-f‾)2]]>最后判断相关系数ρs′是符合相似条件，若符合则终止迭代，若不符合则更新初始模式数目，并重复使用可变模式分解方法分解原始信号，其中imfk为迭代停止后的模式，xk(t)为本次分解的模式。imfk=xk(t)ifρs′>ρsk=k+1,xk(t)=e-jωkn+1tukn+1ifρs′<ρs]]>停止迭代后，可变模式分解结果如图4所示。首先通过希尔伯特包络解调获取本征模函数的包络谱，而后计算包络谱两两之间的相似性，记si,n(t)为第i个模式的个体值，为第i个模式的均值，sj,n(t)为第j个模式的个体值，为第j个模式的均值，计算方法如下：ρm.i.j=Σn(si,n(t)-si(t)‾)(sj,n(t)-sj(t)‾)(si,n(t)-si(t)‾)2(sj,n(t)-sj(t)‾)2i≠j]]>并判断Imf的包络谱之间的相关系数是否符合条件。若符合，则合并这两个本征模函数：imfij＝imfi+imfjifρm.i.j>ρm最后，对获得的模式函数进行包络分析，提取其中包含的故障特征信息。机车轮对轴承外圈故障特征如图5所示，1所示谱峰为43,3Hz,对应轴承外圈故障特征频率，2、3、4所示谱峰为轴承外圈故障特征频率的2、3、4倍频，因此能明显从包络谱中诊断出轴承外圈故障；内圈故障特征则如图6所示，图中5所示谱峰对应58.7Hz,与轴承内圈故障特征频率相同。综合考虑可知该轮对轴承中出现了内外圈复合故障。当轮对轴承出现内外圈复合故障时，轴承每转一周，两个损伤处在振动信号中分别产生一个冲击波形，并在频谱中出现故障特征频率。通过寻找模式函数频谱中的故障特征频率，就可以判断轮对轴承是否存在故障，并准确诊断出故障类型。