变分非线性模式分解变转速轴承故障诊断方法与流程

本发明涉及轴承诊断领域，具体涉及一种变分非线性模式分解变转速轴承故障诊断方法。

背景技术：

旋转机械设备正朝着大型化、精密化和智能化的方向发展，机械零部件的状态直接影响到机械设备的运行状态及其安全状况，而滚动轴承是各类旋转机械中最常用的零部件之一。因此，对滚动轴承的健康状态进行检测极为重要。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，如何对其进行有效提取和准确评估是轴承故障诊断的关键。但是，由于工作环境的复杂性，从设备现场采集的振动信号往往是变转速、变载荷的，信号具有非线性和非平稳性的特征，从而严重影响了故障特征信号的识别。因此，开展变转速工况下滚动轴承瞬态特征提取与故障判别具有实际意义。

传统技术存在以下技术问题：

目前已发展了许多变转速轴承故障诊断方法，其中阶次跟踪是变工况设备故障诊断常用分析方法之一，具有较强的抗噪性，采用阶次谱代替传统的频谱以降低图谱模糊现象。硬件阶次跟踪方法是最早的阶次分析技术，它依靠转速计提供所需的转频信息，但安装成本和工作环境限制了其使用范围。近年来，逐渐有学者将基于信号时频分析的无键相阶次跟踪方法引入到变转速信号处理领域，发展出了基于广义解调方法和同步挤压算法增加时频聚集性；利用小波脊线识别方法分析了变转速工况下机轴承故障信号；综合集合经验模态分解方法和阶次跟踪回技术对速度波动信号进行解调得到故障特征。需注意的是，在实际时频分析中，传统方法的时频图聚集性差、计算复杂、时效性欠佳，因而脊线提取的频率信息不够准确。

技术实现要素：

本发明要解决的技术问题是提供特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。

为了解决上述技术问题，本发明提供了一种变分非线性模式分解变转速轴承故障诊断方法，包括：

利用振动信号传感器收集滚动轴承动态信号；

从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；

采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；

以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；

对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。

在其中一个实施例中，“从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；”具体包括以下步骤：

对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200hz，涵盖所需的转频信息，得到低频分量x1(t)；

对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为

式中，<>表示时间平均函数，|x(t,fc)|表示时频信号在频率点fc的包络。

在其中一个实施例中，“采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；”包括以下步骤：

信号x(t)的短时傅里叶变换(stft)可以表示为

式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，sx(τ,ω)是信号x(t)的stft结果；

采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为

式中，δf代表连续点之间的最大间隔频率，fr和fl分别代表频率搜索的前进和后退方向，tr和tl分别是时间移动的前进和后退方向在提取转频脊线时，需预估转频所在范围，以便对结果进行修正；同理可以提取出共振频段的故障特征频率曲线。

在其中一个实施例中，“以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；”中的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：

其中，γ(ω)是一个罚函数，ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项。

在其中一个实施例中，具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率。

在其中一个实施例中，“对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。”中的特征阶次计算方法为：

其中，和分别表示变分非线性模式分解优化后的故障特征频率和转频；至此，得到的阶次比值与标准值进行比较以判断故障的具体类型。

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，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本发明提出了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法，克服了传统时频分析方法中脊线信息提取困难的问题，能够通过变分非线性模式分解方法对预提取出的脊线信息进行优化，提高频率估计的准确性；

在提出的方法中使用了频带分离方式从低频带提取转频信息，从共振带提取故障特征频率信息，减少了噪声的干扰；

在提出的方法中，通过计算特征阶次判断故障类型，可以避免传统阶次谱重采样过程中引入的误差，同时减少计算量。

附图说明

图1特征信息分离的变分非线性模式分解变转速轴承故障诊断方法的流程图。

图2模拟信号波形。

图3快速谱峭度分解结果。

图4各频带信号包络和时频图(a)低频带信号包络(b)低频带时频表示(c)共振带信号包络(d)共振带时频表示。

图5脊线提取方法分析结果(a)转频脊线提取结果(b)故障特征频率脊线提取结果。

图6本发明的变分非线性模式分解方法优化结果(a)转频脊线优化结果(b)故障特征频率脊线优化结果。

图7传统峰值搜索方法和原始变分非线性模式分解方法提取结果(a)峰值搜索方法转频脊线提取结果(b)峰值搜索方法故障特征频率脊线提取结果(c)原始变分非线性模式分解方法转频脊线提取结果(d)原始变分非线性模式分解方法故障特征频率脊线提取结果。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本发明提供了一种特征信息分离的变分非线性模式分解变转速轴承故障诊断方法。该方法是在脊线预提取方法的基础上，采用变分非线性模式分解方法自适应地实现频率脊线的准确估计，克服了传统时频分析方法存在的难题。

本发明的目的是这样实现的，本发明包括如下步骤：

(1)利用振动信号传感器收集滚动轴承动态信号。

(2)从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离。

(3)采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息。

(4)以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率。

(5)对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。

进一步的，所述步骤2具体包括以下步骤：

步骤2.1：对振动信号x(t)进行低频滤波，低频段选取范围为[0,f0]，f0取200hz，涵盖所需的转频信息，得到低频分量x1(t)；

步骤2.2：对振动信号x(t)进行共振解调，共振频段选取范围为[fl,fh]，采用快速谱峭度方法自适应地识别出共振频带，准确地提取出高频分量x2(t)，快速谱峭度方法可以表示为

式中，<>表示时间平均函数，|x(t,fc)|表示时频信号在频率点fc的包络。

进一步的，所述步骤3具体包括以下步骤：

步骤3.1：信号x(t)的短时傅里叶变换(stft)可以表示为

式中，τ表示时移，ω表示频率，h(t)是高度为1、宽度有限的窗函数，sx(τ,ω)是信号x(t)的stft结果。

步骤3.2：采用脊线提取算法分别搜索低频段转频脊线和共振带故障特征频率脊线，脊线提取具体算法为

式中，δf代表连续点之间的最大间隔频率，fr和fl分别代表频率搜索的前进和后退方向，tr和tl分别是时间移动的前进和后退方向。但由于轴承安装过程中可能存在轴不平衡等问题，以致提取出的能量最大的脊线可能为转频或其倍频。因此，在提取转频脊线时，需预估转频所在范围，以便对结果进行修正。同理可以提取出共振频段的故障特征频率曲线。

进一步的，所述步骤4的变分非线性模式分解方法为：采用交替乘子法求解变分约束模型：

其中，γ(ω)是一个罚函数，ω是修正的二阶差分算子，λ表示拉格朗日乘子，α表示二次惩罚项。具体过程为：初始化相关参数λ和α，设置停止准则，并且将预提取出的转频和故障特征频率作为初始值，输入到变分约束模型中，经过一系列迭代分解后，得到准确估计的转频和故障特征频率。

进一步的，所述步骤5的特征阶次计算方法为：

其中，和分别表示变分非线性模式分解优化后的故障特征频率和转频。至此，得到的阶次比值与标准值进行比较以判断故障的具体类型。

图1显示了本发明的具体实施步骤，该方法在分别提取低频带分量和共振带分量后，用脊线提取方法粗略的估计转频和故障特征频率，然后用变分非线性模式分解方法，以预估计的转频和故障特征频率最为初始值，对低频带分量和共振带分量进行迭代分解，直到获取准确的转频和故障特征频率，最后对其进行特征阶次计算，比对滚动轴承关键部位理论故障特征阶次以确定故障类型。

由传感器收集的滚动轴承动态信号往往包含旋转轴的转频、故障冲击成分以及随机噪声。当轴承出现局部缺陷后，局部缺陷激励的微弱故障特征包含在振动信号中，对其进行准确提取是判断轴承故障状态的必要条件，下面构建模拟信号来说明本发明的处理效果。模拟信号由3种组成模式构成：

其中，第一项表示周期瞬态故障冲击成分；第二项表示转轴的旋转分量，包含其倍频成分；第三项表示模拟信号中添加的随机背景噪声，利用matlab软件中的函数awgn(x，snr，‘measured’)加入高斯白噪声来得到信噪比(snr＝5db),信号的采样频率为10khz。以上各项物理量的数值如下表1所示。

表1模拟信号各物理量的值

图2所示为模拟信号的时域波形。快速谱峭度方法提取共振带结果如图3所示。频带分离后的低频包络和时频图以及解调包络和时频图如图4(a)-(d)所示。根据脊线提取方法可以粗略提取出信号的转频和故障特征频率信息如图5所示。再利用变分非线性模式分解方法处理预估计出转频和故障特征频率，得到如图6所示的优化估计结果。对得到图6(a)和(b)所示准确的转频和故障特征频率进行特征阶次计算，其计算阶次2.6967与实际设置的理论故障特征阶次2.7几乎一致。由上可知，本发明方法能够有效地提取出强干扰成分下的轴承动态信号中转频与故障特征频率成分。

运用现有峰值搜索方法和原始变分非线性模式分解方法分析相同的模拟信号来与本发明进行比较。图7(a)-(b)中给出了峰值搜索方法方法提取出的转频和故障特征频率，图7(c)-(d)给出了原始变分非线性模式分解方法提取出的转频和故障特征频率。可以分析得知，传统的峰值搜索方法和原始变分非线性模式分解方法得到的部分频率信息虽然具有一定的准确性，但总体上其精度明显弱于本发明方法得到的结果。

本发明具有轴承微弱故障信号处理能力，提取结果精度高，抗干扰能力强、鲁棒性好。

需要注意的是图中的vncmd指的是变分非线性模式分解方法。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。