[发明专利]一种信息熵优化VMD提取轴承故障特征频率的方法及其应用

说明书

本发明公开了一种信息熵优化VMD提取轴承故障特征频率的方法及其应用，方法为：首先根据信息熵最小值原则优化VMD的模态数，采用优化后的模态数根据信息熵最小值原则优化VMD的惩罚因子；接着采用优化后的模态数和惩罚因子对轴承原始振动信号进行VMD分解，获得既定模态数的IMF分量，并且通过比较可获得信息熵最小值所在的IMF分量将其作为敏感IMF分量；最后对选取的敏感IMF分量进行包络解调分析，提取轴承故障特征频率。本发明能够有效的提取轴承故障特征频率，应用于轴承仿真信号和实际轴承信号分析，具有较广泛的实用性。

技术领域

本发明涉及一种信息熵优化VMD提取轴承故障特征频率的方法及其应用，属于机械故障诊断及信号处理领域。

背景技术

轴承是机械传动系统的核心部件，其故障是造成机械故障的重要原因之一。因此，对轴承的状态监测与故障诊断一直是机械设备故障诊断的热点。当滚动轴承发生故障时，其振动信号包含了大量的运行状态信息，表现为非平稳性和多分量性的调制信号，特别在故障早期，由于调制源弱，早期故障特征通常很微弱，并且受周围设备、环境的噪声干扰，导致早期故障特征频率难以提取、识别。

故障诊断的关键是从原始信号中提取故障特征信号（故障特征频率）。而常用提取故障特征的方法是EMD、EEMD等，但EMD存在模态混叠、端点效应、受采样频率影响较大等不足。Dragomiretskiy等提出了一种自适应信号处理新方法—变分模态分解(VMD)，VMD克服了EMD、EEMD等的不足。但VMD存在影响参数（模态数和惩罚因子）需事先确定的问题，需要对其参数进行优化，以确定最优的模态数和惩罚因子。同样地，VMD分解后会产生既定数目的IMF分量，如何选取敏感的IMF分量进行分析，也是需要解决的问题。

发明内容

本发明提供了一种信息熵优化VMD提取轴承故障特征频率的方法及其应用，以用于通过优化VMD中模态数、惩罚因子及选取敏感的IMF分量实现对轴承故障特征频率的提取，从而用于识别故障。

本发明的技术方案是：一种信息熵优化VMD提取轴承故障特征频率的方法，首先根据信息熵最小值原则优化VMD的模态数，采用优化后的模态数根据信息熵最小值原则优化VMD的惩罚因子；接着采用优化后的模态数和惩罚因子对轴承原始振动信号进行VMD分解，获得既定模态数的IMF分量，并且通过比较可获得信息熵最小值所在的IMF分量将其作为敏感IMF分量；最后对选取的敏感IMF分量进行包络解调分析，提取轴承故障特征频率。

所述根据信息熵最小值原则优化VMD的模态数，具体为：对轴承原始振动信号进行VMD分解，计算各个模态的信息熵，并通过比较获得此模态数K下的信息熵最小值，然后K=K+S1继续以上分析，直到满足最大迭代次数K=K_max为止；比较在各个模态数 K下所取得的信息熵最小值的大小，将最小的信息熵最小值所对应的模态数K判定为最优模态数K*；其中，初始状态下的模态数为K_min，S1表示优化VMD的模态数时采用的步长，K_max表示优化VMD的模态数时采用的最大迭代次数。