一种滚动轴承多通道故障特征提取方法

1.本发明属于机械故障诊断技术领域，具体涉及一种基于fmvmd 与ssa-momeda的滚动轴承多通道故障特征提取方法。


背景技术：

2.滚动轴承是旋转机械设备中最重要且最易受损的关键部件之一，经常运行于高速、重负载的复杂工况环境下，其健康与否将直接影响整台机械设备的工作状态，轻则造成代价高昂的停机时间，严重时可能引起人员伤亡。因此，保证旋转器械的正常运行，有效提取滚动轴承的故障特征评估轴承运行状态至关重要。
3.目前大部分的特征提取方法都是针对单通道信号进行研究的，然而多通道信号存在更多的故障信息，更能全面表征滚动轴承的运行状态。因此，使用mvmd方法对滚动轴承多通信号进行分解，但mvmd 在使用前需对分解模态数k和惩罚因子а进行预设值。模态数k太小会导致多通道信号分解结果不完全，故障信息被遗漏，相反，模态数 k太大会导致过分解；而惩罚因子а则直接影响着模态分量的带宽。所以提出fmvmd方法对mvmd的参数进行自适应选择。
4.此外，提出有效权重峭度指标对敏感imf分量进行筛选和重构，并通过ssa-momeda算法对重构信号进行故障特征增强，完成滚动轴承故障特征提取。


技术实现要素：

5.本发明要解决的技术问题是提供一种基于fmvmd与 ssa-momeda的滚动轴承多通道故障特征提取方法，以多通道滚动轴承信号为依据，使用fmvmd对多通道信号进行分解，并选取有效分量进行重构，将重构信号进行momeda处理，包络解调提取故障特征频率。
6.一种基于fmvmd与ssa-momeda的滚动轴承多通道故障特征提取方法，包括以下步骤：
7.s1：对输入的多通道信号进行fmvmd分解，得到一系列多通道模态分量；
8.s2：计算各通道模态的ewk，选取ewk值大于0的模态作为有效模态进行信号重构；
9.s3：利用ssa-momeda对重构信号进行降噪和增强周期冲击分量；
10.s4：通过包络解调获取滚动轴承故障特征频率；
11.优选的，所述s1中对信号进行fmvmd分解方法如下：
12.s1.1：收集多通道滚动轴承信号，并计算各个通道的ek值，ek 值通过下式进行计算：
13.ek＝ki
·
kes
14.[0015][0016]
式中se(p)为数学x(n)的包络信号；
[0017]
s1.2：挑选出最大ek值的通道作为主通道，对主通道信号进行频谱趋势分割，计算出分解模态数k、惩罚因子а、模态中心频率ω；
[0018]
s1.3：将模态数k、惩罚因子а、模态中心频率ω带入mvmd中完成多通道信号的分解；
[0019]
优选的，所述频谱趋势的分割通过fft计算得到信号的频谱，对信号的频谱再次使用fft得到信号频谱的核函数。取核函数的前 30个点利用ifft计算得到频谱趋势；
[0020]
优选的，所述频谱趋势的优化采用硬阈值去噪方法，被噪声干扰的频谱趋势部分呈直线，然后以频谱趋势极小值点和直线趋势的端点作为新分割边界，其余带有趋势极大值点作为有效频段，即有效频段数等于模态数k；通过优化的频谱趋势分割图，可以容易的找到频谱趋势极大值点，将极大值点对应的横坐标频率作为模态初始中心频率即ω＝[ω1ω2…
ωk]；
[0021]
优选的，每个ω对应一个а，既а＝[а1а2…
аk]，а为惩罚因子，а通过下式计算：
[0022][0023]
式中，fs为数据采样频率；
[0024]
优选的，所述s2中ewk由下式计算：
[0025][0026]
式中，ki(k)、c(k)表示数据x(i)的峭度和相关系数；
[0027]
优选的，所述s3中ssa-momeda通过ssa优化算法对 momeda参数t、l进行优化，具体方法如下：
[0028]
s3.1：设置ssa中种群麻雀数目与迭代次数均为200，参数t的搜索范围[0.75t
i 1.25to]、参数l的搜索范围[2fs/f
i 1000]，ti、to分别为内外圈滚动轴承故障周期；
[0029]
s3.2：通过momeda对信号进行分解；
[0030]
s3.3：计算滤波后信号的ek值，若满足优化准则更新最大适应度的位置和大小；
[0031]
s3.4：判断是否满足停止条件，若满足输出momeda最优参数，不满足则重复上述步骤。
[0032]
本发明的有益效果是：
[0033]
相比于单通道故障信号，多通道故障信号中包含了更多的故障信息，一种基于fmvmd与ssa-momeda的滚动轴承多通道故障特征提取方法能够同时提取到多通道信号的故障特征频率，判断滚动轴承的运行状态。同时，还对mvmd方法参数k、а；momeda方法参数t、l
在使用时进行了优化。对全面观测滚动轴承多通道信号判断设备的运行状态提供了一种新的思路。
附图说明
[0034]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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。
[0035]
图1是本发明的步骤流程图；
[0036]
图2是本发明实施例中美国凯斯西储大学轴承数据中心实验台；
[0037]
图3是本发明实施例中时域和频域信号图；
[0038]
图4是本发明实施例中频谱趋势分割图；
[0039]
图5是本发明实施例中fmvmd分解imf图。
具体实施方式
[0040]
为了对本发明的技术方案及效果做出清楚完整的描述，通过以下实施例进行详细说明；
[0041]
本发明实施例提供一种基于fmvmd与ssa-momeda的滚动轴承多通道故障特征提取方法，基本流程框图如图1所示。实施例使用cwru滚动轴承故障模拟实验平台所采集到的数据作为实验对象，如图2所示。具体参数如下：轴承型号为skf6205、转速为1750r/min、采样频率为12khz。
[0042]
实施例1
[0043]
实施例使用轴承外圈故障数据由驱动端和风扇端的加速度传感器同步采集所得，滚动轴承外圈理论故障频率bpfo＝107.305hz；
[0044]
s1：采用fvmd对多通道信号进行分解，得到若干个imf分量；
[0045]
s1.1：采集滚动轴承驱动端和风扇端所测的外圈故障振动数据，其时域和频域如图3所示；
[0046]
s1.2：计算驱动端和风扇端的ek指标如表1所示：
[0047]
表1
[0048]
数据采集位置外圈故障信号驱动端39.4风扇端9.6
[0049]
s1.3：利用频谱趋势分割对驱动端数据进行处理，如图4所示，可得出模态数k＝3，初始中心频率ωf＝[37528133375]、惩罚因子αf＝[1616489372]；
[0050]
s1.4：将参数带入，进行fmvmd分解得到imf分量，如图5 所示；
[0051]
s2：计算各通道模态的ewk，其结果如表2所示，选取ewk 值大于0的模态作为有效模态进行信号重构；
[0052]
表2
[0053]
imf分量imf1imf2imf3
驱动端-2.420.132.29风扇端-1.15-0.141.3
[0054]
s3：利用ssa-momeda对重构信号进行降噪和增强周期冲击分量；
[0055]
s3.1：由于外圈理论故障周期tbpfo＝111.7、内圈理论故障周期 tbpfi＝73.9，根据上述流程设置t搜索范围为[55.5134]、l搜索范围为[1481000]；
[0056]
s3.2：通过momeda对信号进行分解；
[0057]
s3.3：计算滤波后信号的ek值，若满足优化准则更新最大适应度的位置和大小；
[0058]
s3.4：判断是否满足停止条件，若满足输出momeda最优参数，不满足则重复s3.2到s3.3；
[0059]
s3.5：输出最优参数组合[t、l]＝[113764]，完成momeda处理；
[0060]
s4：通过包络解调获取滚动轴承故障特征频率。
[0061]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0062]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。