技术特征：
1.一种基于ceemdan分解判断轴承故障的方法，其特征在于，包括以下步骤：s1、获取轴承的原始加速度信号；s2、对所述加速度信号进行ceemdan分解，获取本征模态函数分量；s3、计算出每层本征模态函数分量的峭度k；s4、将峭度k大于设定值的各层本征模态函数分量对应值相加，得到重构的加速度信号；s5、对重构的加速度信号进行包络解调，得到包络谱；s6、根据轴承信号和转速计算出轴承特征频率；s7、查看包络谱中轴承特征频率幅值大小，如果某个特征频率的幅值超出包络阈值，则这个特征频率所对应的轴承部件出现了故障。2.根据权利要求1所述的基于ceemdan分解判断轴承故障的方法，其特征在于步骤s2中的所述ceemdan分解包括：步骤s21：通过emd分解原始加速度信号得到高频分量参数；步骤s22：计算第一层分量imf1的幅值标准差；步骤s23：计算第一层分量的幅值标准差与原始信号幅值标准差的比值ε；步骤s24：设置期望的信号分解相对误差e；步骤s25：白噪声幅值标准差的比值系数α的自适应提取：α＝ε/β；其中，噪声强度大小调节参数β初始值为1，步长为1，取值区间为[1，10]；步骤s26：计算总体平均次数n＝(α/e)2；步骤s27：用求得的第一组(α，n)进行ceemdan分解，得到该组所有层的imf分量；步骤s28：计算每一层imf分量的协同信噪比csnr，获取该组中协同信噪比最大值并保存；步骤s29：在上限值10以内令β＝β+1，重复步骤s25-s28而依次获得所有组的协同信噪比最大值，获取各组协同信噪比最大值中的最大值，进而得到该最大值对应的噪声强度大小调节参数β最优值，最终得到最优参数(α，n)；步骤s210：用最优参数(α，n)，再次进行ceemdan分解，从而进行目标信号特征频率的自适应提取和有效检测。3.根据权利要求2所述的基于ceemdan分解判断轴承故障的方法，其特征在于步骤s26中总体平均次数n按四舍五入取整。4.根据权利要求2所述的基于ceemdan分解判断轴承故障的方法，其特征在于步骤s28中协同信噪比csnr按照下式计算：其中：snr为分量imf信噪比；c为分量imf与原始信号的互相关系数；n
var
为分量imf残余信号方差；z为分量imf过零点比率；a为分量imf最高谱峰与次高谱峰的幅值之差。5.根据权利要求1所述的基于ceemdan分解判断轴承故障的方法，其特征在于步骤s4中峭度设定值为3。6.根据权利要求1所述的基于ceemdan分解判断轴承故障的方法，其特征在于步骤s6中
轴承特征频率包括轴承的内圈、外圈、保持架、滚动体至少一个的特征频率。7.一种电子设备，包括：存储器、处理器及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计算机程序时实现如上权利要求1-6任一项所述方法的步骤。8.根据权利要求7所述的电子设备，其特征在于包括或不包括获取轴承的原始加速度信号的传感器件。9.一种暂态或非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上权利要求1-6任一项所述方法的步骤。
技术总结
本发明公开了一种基于CEEMDAN分解判断轴承故障的方法、电子设备及存储介质，通过对轴承的原始加速度信号进行CEEMDAN分解，获取本征模态函数分量；计算出每层本征模态函数分量的峭度K，将峭度K大于设定值的各层本征模态函数分量对应值相加，得到重构的加速度信号；对重构的加速度信号进行包络解调，得到包络谱；根据轴承信号和转速计算出轴承特征频率；查看包络谱中轴承特征频率幅值大小，如果某个特征频率的幅值超出包络阈值，则这个特征频率所对应的轴承部件出现了故障。本发明能能够有效提高信号的分辨率，减弱噪声和其他振动信号的干扰，避免故障信号的丢失和模态重叠。显著改进微弱故障特征信号的检测能力，能够有效识别轴承的故障部位。承的故障部位。承的故障部位。
技术研发人员：徐徐 钱进 杨世飞 孙磊 邹小勇 刘宗斌
受保护的技术使用者：南京凯奥思数据技术有限公司
技术研发日：2022.03.15
技术公布日：2022/6/17