[发明专利]基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备

说明书

本发明公开了一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备，属于旋转机械故障诊断领域。该方法通过获取正常状态和不同故障模式状态下轴承的振动信号得到不同状态的振动信号的样本点，利用CEEMDAN分解得到轴承诊断的时频域特征并与时域、频域特征一起筛选出轴承状态表征参数，将表征参数分为训练样本和测试样本，然后利用表CFSFDP算法作为轴承故障诊断模型，将训练样本输入轴承故障诊断模型中，对输出结果进行聚类，得到聚类的数量、各类别的聚类中心点以及聚类中心点对应的状态类型；并利用测试样本对训练后的诊断模型进行检验。本发明的方法及设备能够准确有效的识别不同的轴承故障类型及故障严重程度。

技术领域

本发明属于旋转机械故障诊断领域，更具体地，涉及一种成基于自适应噪声的完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with AdaptiveNoise，CEEMDAN)算法和基于密度峰值快速搜寻的聚类(Clustering by fast search andfind of density peaks，CFSFDP)算法的轴承故障诊断新方法。

背景技术

轴承是旋转机械最常见的组成部件之一，其工作状态直接影响整个旋转机械的可靠性与安全性。一旦轴承出现故障，需要及时准确地诊断出其故障位置与原因。这对于提高旋转机械的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。

基于振动信号的轴承故障诊断方法近年来得到了广泛地应用。由于轴承出现故障时所产生的振动信号为非平稳信号，仅仅采用常规的时域分析和频域分析方法难以对轴承故障做出准确评估。因此，还应使用时频域方法来对振动信号进行分析。经验模态分解(EMD)可以自适应地将信号在时频域维度进行分解，非常适合处理非线性、非平稳信号，但其严重的端点效应和模态混叠现象会影响分析结果的正确性和精确性。CEEMDAN是一种改进型的EMD方法，该方法利用高斯白噪声具有频率均匀分布的统计特性有效地解决了EMD中存在的模态混叠问题，且具有较好的自适应性。

在使用聚类算法进行故障模式识别时，许多传统的聚类算法(如k均值聚类)需要根据经验知识输入故障模式的个数。然而在实际的情况下，由于故障的多样性，预先知道故障模式的个数是不现实的。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种本发明提供了一种CEEMDAN算法和CFSFDP算法相结合的轴承故障诊断方法及设备，其目的在于，运用CEEMDAN算法提取轴承的故障特征，再结合CFSFDP算法进行聚类，从而有效地实现对轴承的故障进行自动诊断。

为实现上述目的，按照本发明的一个方面，提供了一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法，包括如下步骤：

步骤1：获取正常状态和不同故障模式状态下轴承的振动信号，并对获取的振动信号进行预处理，得到包含不同状态的振动信号的样本点；

步骤2：提取各样本点包含的振动信号的时域特征；

对各样本点包含的振动信号进行傅里叶变换，提取各振动信号的频谱特征；

对各样本点包含的振动信号进行CEEMDAN分解，得到各个模态分量；计算每个模态分量的能量值作为轴承诊断的时频域特征；

步骤3：对步骤2获得的时域特征、频域特征和时频域特征进行筛选，将正常状态以及各故障模式状态之间区别明显的特征作为区分各样本点的状态的表征参数；

步骤4：初始化CFSFDP算法作为轴承故障诊断模型，将步骤3筛选出的表征参数分为训练样本和测试样本，将训练样本输入轴承故障诊断模型中，对输出结果进行聚类，得到聚类的数量、各类别的聚类中心点以及聚类中心点对应的状态类型；