基于信号融合的电机轴承早期故障诊断方法及系统

本技术涉及永磁同步电机的轴承故障诊断，尤其涉及一种基于信号融合的电机轴承早期故障诊断方法及系统。

背景技术：

1、滚动轴承是工业领域应用最广泛的轴承之一，同时也是电机的重要零部件之一，其运行状态关系着机械设备运行的安全性与稳定性。根据统计，约有41%的电机常见故障是由轴承故障引起的。因此准确地监测电机轴承运行状态并及时发现轴承的早期故障，不仅能提高电机系统运行的稳定性，还能有效避免对电机系统所造成的损害。

2、相关技术中，通常采用振动信号分析方法进行电机轴承故障识别。对于电机而言，定子电流信号中含有轴承故障信息，因此电机电流信号特征分析（motor currentsignature analysis，mcsa）由于成本低、信号获取方便等优点，逐渐成为电机轴承故障诊断的主要方法。然而，在电机轴承故障的早期阶段，故障信号的频率幅值较小，信噪比低，这使得直接利用振动信号和定子电流信号的传统故障诊断方法，在诊断轴承早期故障时故障诊断的灵敏度较低，并容易受到噪声谐波的干扰，因此无法有效、准确地感知并识别电机轴承的早期故障。

技术实现思路

1、本技术的目的在于提供一种基于信号融合的电机轴承早期故障诊断方法，能够对电机轴承的早期故障进行诊断和识别，提高轴承早期故障诊断结果的准确性。

2、基于上述目的，本技术提供一种基于信号融合的电机轴承早期故障诊断方法，该方法包括步骤：

3、s1、分别获取电机轴承在早期故障时和无故障时的振动信号和定子电流信号，使用ceemdan分解法分别将所述振动信号和定子电流信号分解为对应的多个振动本征模态函数分量和多个电流本征模态函数分量；

4、s2、分别对各个振动本征模态函数分量和各个电流本征模态函数分量进行hilbert包络谱变换，计算得到每一个振动本征模态函数分量所对应的振动包络谱稀疏度，以及得到每一个电流本征模态函数分量对应的电流包络谱稀疏度；

5、s3、根据每一个振动包络谱稀疏度计算得到每一个振动本征模态函数分量的融合加权系数，以及根据每一个电流包络谱稀疏度计算得到每一个电流本征模态函数分量的融合加权系数，根据获取的各个融合加权系数得到重构后的振动信号和定子电流信号，将重构后的振动信号和定子电流信号进行融合得到电流~振动融合信号；

6、s4、对所述电流~振动融合信号进行hilbert包络谱变换，得到电流~振动信号包络谱图，以电流~振动信号包络谱图构建一训练集，基于构建的神经网络模型对所述训练集进行训练，得到电机轴承的早期故障诊断模型；

7、s5、将获取的待测电机的电流~振动信号包络谱图输入早期故障诊断模型，以确定待测电机是否发生故障。

8、进一步的，步骤s1中使用ceemdan分解法对振动信号进行分解的步骤包括：

9、s11、在振动信号x(t)中加入p组成对的正负高斯白噪声，得到信号x(m)(t)为：

10、；

11、其中，αk为正负高斯白噪声的标准差，v(m)(t)为成对的正负高斯白噪声,m=1,2,3…p；

12、s12、计算信号x(m)(t)的第一个振动模态函数分量imf1(t)为；

13、；

14、其中，e1(·)表示ceemdan分解后的第一个振动模态函数分量imf1(t)；

15、s13、将振动信号x(t)减去第一个振动模态函数分量imf1(t)，得到第一次振动分解残差r1(t)为：

16、；

17、s14、在第一次振动分解残差r1(t)中加入p组成对的正负高斯白噪声得到新的信号r(m)(t)，对新的信号r(m)(t)做ceemdan分解得到第二个振动模态函数分量imf2(t)以及第二次振动分解残差r2(t)：

18、；

19、；

20、s15、重复步骤s11~s14,直至得到第k次振动分解残差rk(t)后，信号不能被继续分解，则振动信号x(t)被分解为如下形式：

21、；

22、其中， imfl(t)表示第l个振动模态函数分量。

23、进一步的，步骤s2包括：

24、对任一个振动本征模态函数分量imf(t)进行hilbert变换为：

25、；

26、其中，h(·)为hilbert运算符；*为卷积运算符；

27、以振动本征模态函数分量imf(t)为实部，振动本征模态函数分量imf(t)的hilbert变换imf’(t)为虚部，构成的复数信号定义为振动本征模态函数分量imf(t)的解析信号imfz(t)为：

28、；

29、解析信号imfz(t)的瞬时包络线a(t)和瞬时相位φ(t)为：

30、；

31、；

32、对解析信号imfz(t)的瞬时包络线a(t)进行fft变换，得到该振动本征模态函数分量imf(t)的振动包络谱；

33、以此类推，对每一个振动本征模态函数分量进行hilbert变换，计算得到所对应的各个振动包络谱，对每一个电流本征模态函数分量进行hilbert变换，计算得到每一个电流本征模态函数分量所对应的电流包络谱。

34、进一步的，步骤s2包括：

35、任一个振动本征模态函数分量的振动包络谱稀疏度的计算公式为：

36、；

37、其中，y为振动包络谱，yi为振动包络谱中每一个频率分量的幅值，k为振动包络谱稀疏度值，n为振动包络谱y的长度，‖·‖表示范数；

38、以此类推，根据各个振动本征模态函数分量所对应的各个振动包络谱，计算得到每一个振动本征模态函数分量所对应的振动包络谱稀疏度，根据各个电流本征模态函数分量所对应的各个电流包络谱，得到每一个电流本征模态函数分量所对应的电流包络谱稀疏度。

39、进一步的，步骤s3包括：

40、将各个振动包络谱稀疏度从大到小依次排列，从最大的振动包络谱稀疏度开始，依次选择qv个振动包络谱稀疏度，所选择的每一个振动包络谱稀疏度所对应的振动本征模态函数分量的融合加权系数的计算公式为：

41、；

42、其中，βvj表示所选择的第j个振动本征模态函数分量的融合加权系数，kvj表示所选择的第j个振动包络谱稀疏度，qv表示所选择的振动包络谱稀疏度的个数，qv取值为振动本征模态函数分量总个数的一半。

43、进一步的，步骤s3包括：

44、将各个电流包络谱稀疏度从大到小依次排列，从最大的电流包络谱稀疏度开始，依次选择qi个电流包络谱稀疏度，所选择的每一个电流包络谱稀疏度所对应的电流本征模态函数分量的融合加权系数的计算公式为：

45、；

46、其中，βij表示所选择的第j个电流本征模态函数分量的融合加权系数，kij表示所选择的第j个电流包络谱稀疏度，qi表示所选择的电流包络谱稀疏度的个数，qi取值为电流本征模态函数分量总个数的一半。

47、进一步的，步骤s3包括：

48、根据所选择的每一个振动本征模态函数分量以及对应的融合加权系数，计算得到重构后的振动信号xv(t)为：

49、；

50、其中，βvj表示所选择的第j个振动本征模态函数分量的融合加权系数，imfvj(t)表示所选择的第j个振动本征模态函数分量；

51、根据所选择的每一个电流本征模态函数分量以及对应的融合加权系数，计算得到重构后的振动信号xi(t)为：

52、；

53、其中，βij表示所选择的第j个电流本征模态函数分量的融合加权系数，imfij(t)表示所选择的第j个电流本征模态函数分量。

54、进一步的，步骤s3包括：

55、对重构后的振动信号xv(t)的归一化处理，得到归一化后的重构振动信号x’v(t)为：

56、；

57、其中，xvmin(t)表示重构后的振动信号xv(t)中的最小值，xvmax(t)表示重构后的振动信号xv(t)中的最大值；

58、对重构后的电流信号xi(t)的归一化处理，得到归一化后的重构振动信号x’i(t)为：

59、；

60、其中，ximin(t)表示重构后的电流信号xi(t)中的最小值，ximax(t)表示重构后的电流信号xi(t)中的最大值；

61、将归一化后的重构振动信号x’v(t)和归一化后的重构振动信号x’i(t)进行信号融合，得到电流~振动融合信号xiv(t)为：

62、。

63、基于上述目的，本技术提供一种基于信号融合的电机轴承早期故障诊断系统，该系统包括：

64、信号分解模块，用于分别获取电机轴承在早期故障时和无故障时的振动信号和定子电流信号，使用ceemdan分解法分别将所述振动信号和定子电流信号分解为对应的多个振动本征模态函数分量和多个电流本征模态函数分量；

65、包络谱稀疏度计算模块，用于分别对各个振动本征模态函数分量和各个电流本征模态函数分量进行hilbert包络谱变换，计算得到每一个个振动本征模态函数分量所对应的振动包络谱稀疏度，以及得到每一个电流本征模态函数分量对应的电流包络谱稀疏度；

66、信号融合模块，用于根据每一个振动包络谱稀疏度计算得到每一个振动本征模态函数分量的融合加权系数，以及根据每一个电流包络谱稀疏度计算得到每一个电流本征模态函数分量的融合加权系数，根据获取的各个融合加权系数得到重构后的振动信号和定子电流信号，将重构后的振动信号和定子电流信号进行融合得到电流~振动融合信号；

67、早期故障诊断模型模块，用于对所述电流~振动融合信号进行hilbert包络谱变换，得到电流~振动信号包络谱图，以电流~振动信号包络谱图构建一训练集，基于构建的神经网络模型对所述训练集进行训练，得到电机轴承的早期故障诊断模型；

68、输出模块，用于将获取的待测电机的电流~振动信号包络谱图输入早期故障诊断模型，以确定待测电机是否发生故障。

69、基于上述目的，本技术提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；

70、存储器，用于存放计算机程序；

71、处理器，用于执行存储器上所存放的所述计算机程序时，实现如上所述的方法的步骤。

72、本技术通过能够对电机轴承的早期故障进行诊断和识别，提高故障信号的信噪比，抑制模态混叠并降低环境噪声和电机固有频率对故障诊断的干扰，能够解决常规故障诊断方法难以感知并识别电机轴承早期故障的问题，同时提高轴承故障诊断结果的准确性与稳定性。