[发明专利]一种轴承故障特征识别方法及识别系统

说明书

本发明属于轴承故障特征识别技术领域，公开了一种轴承故障特征识别方法及识别系统，利用群体分解SWD对振动信号进行模式分解获取振荡模态分量；对选取的振荡模态分量利用多点最优最小解卷积MOMEDA进行降噪和频域振动信号特征提取，实现弱信号特征的增强；最后，对振动信号进行故障特征的识别。本发明首先进行SWD分解，然后对分解后的信号利用MOMEDA进行特征提取，其目的在于通过SWD分解获得有用的信号分量，提高信号的信噪比，去除无关成分的干扰；同时，利用MOMEDA实现对信号的滤波和冲击特征的准确提取。通过对进行数值模拟分析和实验台振动信号分析，验证了本发明在滚动轴承故障特征识别中的有效性。

技术领域

本发明属于轴承故障特征识别技术领域，尤其涉及一种轴承故障特征识别方法及识别系统。

背景技术

目前，滚动轴承是旋转机械中的重要零部件之一，广泛应用于石油化工、能源、电力、材料冶金等领域。同时滚动轴承也是最易损坏的部件之一，30％的旋转机械故障都是由于滚动轴承存在着结构损伤，滚动轴承的运行状态直接影响着整个设备的正常运行。因此，实现对滚动轴承故障的精准诊断具有重要的理论和工程意义。

对滚动轴承微弱故障特征进行增强与提取，是目前的的重点研究方向之一。其中，经验模态分解(Empirical Mode Decomposition，EMD)方法最先被提出并应用于轴承故障诊断，但是EMD分解高频分量带宽较大、频率分辨率低，在分解频率成分较为接近的复合故障信号时容易造成模态混叠。因此，有学者提出了集成经验模式分解(Ensemble EmpiricalMode Decomposition，EEMD)、局部均值分解(Local Mean Decomposition，LMD)等基于EMD的改进算法。从实际分析效果来看，多分量调制和强干扰是轴承复合故障的主要特征，并且信号中的故障特征相当弱并且难以提取，传统分解方法往往受到模式混叠、预定义模式数等问题的限制，难以在复合故障中准确地对微弱故障信号进行提取。Apostolidis等提出了群体分解(Swarm Decomposition，SWD)算法，通过对群滤波器参数进行设置，可以控制振荡分量主模态频率，使得SWD在进行模态分解的时候，能够将频率相近的两个谐波信号分离，相比于其他的EMD改进方法具有更高的频率区分能力。

最小熵解卷积方法(Minimum Entropy Deconvolution，MED)是一种时域盲卷积技术，最早被提出并应用于滚动轴承的故障诊断。但是MED求解出的滤波器并不一定是全局最优滤波器，且往往只能够提取到少数几个脉冲成分。针对于MED的这些局限，在相关峭度的基础上，有学者提出了最大相关峭度解卷积方法(Maximum Correlated KurtosisDeconvolution，MCKD)，该方法相比于MED能够提取更多的脉冲成分，但是也仅仅能在局部提取有限个脉冲，而且需要先验知识对故障周期、滤波器参数进行设置。因此，McDonald等提出了多点最优最小熵解卷积(Multipoint Optimal Minimum Entropy DeconvolutionAdjusted，MOMEDA)方法，利用一个目标向量对解卷积所得脉冲序列的权重和位置进行定义，不需要通过迭代算法即可得到最优滤波器。然而该方法在每次降噪过程中只能够提取唯一的周期性冲击，并且在噪声较强的情况下容易出现误诊断现象。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有EMD分解高频分量带宽较大、频率分辨率低，在分解频率成分较为接近的复杂多组分故障信号时容易造成模态混叠。

(2)传统的模式分解方法往往受到模式混叠、预定义模式数等问题的限制，难以在多组分故障信号中准确地对微弱故障信号进行提取。

(3)最小熵解卷积方法MED求解出的滤波器并不一定是全局最优滤波器，且往往只能够提取到少数几个脉冲成分。

(4)最大相关峭度解卷积方法MCKD相比于MED能够提取更多的脉冲成分，但是也仅仅能在局部提取有限个脉冲，而且需要先验知识对故障周期、滤波器参数进行设置。