[发明专利]基于CEEMDAN与GWO-NLM的滚动轴承故障诊断方法

说明书

本发明公开一种基于CEEMDAN与GWO‑NLM的滚动轴承故障诊断方法，方法首先利用CEEMDAN对传感器采集到的故障信号进行分解，使用相关系数‑能量比‑峭度准则对经分解后的IMF分量进行筛选，将筛选后的信号重构为一个新信号；接着利用灰狼算法优化的非局部均值滤波器进行参数优化选择，实现最优的去噪效果，并对去噪后的信号进行SG平滑滤波进行二次降噪，将最终得到的信号进行特征提取，得到轴承的故障特征；最后根据轴承的故障特征判断滚动轴承的故障类型。该方法可以有效抑制振动信号中的噪声干扰，提高了轴承的故障诊断的准确率。

技术领域

本发明涉及轴承故障诊断技术领域，尤其涉及一种基于CEEMDAN与GWO-NLM的滚动轴承故障诊断方法。

背景技术

滚动轴承被广泛地应用到各种旋转式的机械系统中，其运动状态会对整体机械系统的精确性、可靠度和使用寿命产生巨大的影响。由于轴承工作于高速，高载荷的情况下，使其较为容易发生故障，其工作状态可能会影响整个机器运转的性能和安全性。因此，滚动轴承的故障诊断对于旋转机械系统的健康监测是必不可少的。这将有助于减少紧急维护和生产有关的成本。在轴承工作过程中，由于安装不当、过载及润滑不良等原因都容易使轴承局部缺陷造成损伤，而在轴承早期故障时，及时诊断故障可以有效避免损伤的加剧。信号分析是机械故障诊断研究与应用中的一个关键课题。它是一种提取故障特征，然后识别故障模式的工具。在这一领域，目前被广泛应用的轴承故障检测方法主要有两种，即声信号分析和振动信号分析。其中，基于振动信号的分析因其易于测量而成为最流行的监测技术。然而，从振动数据分析轴承故障的主要障碍是信号易于被背景噪声所淹没，并与轴、齿轮等机械的振动信号混合，因此，设计一种有效的信号增强方法来减轻噪声，突出故障特征就显得十分重要。

针对滚动轴承信号具有的脉冲性、非线性的特点，经验模态分解(empirical modedecomposition，EMD)可以有效针对轴承信号进行自适应处理提高信噪比，但存在模态混叠的问题。为了解决EMD存在的模态混叠问题，集总经验模态分解(ensemble empirical modedecomposition，简称EEMD)，与EMD不同的是EEMD在分解过程中通过多次添加高斯白噪声来解决模态混叠问题。但是由于高斯白噪声的引入，使得最终重构信号受到了残留白噪声的影响，无法准确的重构原始信号，不仅如此，在算法的迭代运行过程中，计算量大，分解时间长。目前通过小波变换和盲源分离已被证实对于分离噪声和故障信号有较好的效果，但存在着局部失真和部分有效信息丢失等问题。因此，在滚动轴承故障信号的提取方面还存在很多的不足，亟需一种更高效准确的轴承故障诊断技术。

发明内容

针对上述现有技术的不足，本发明提供一种基于CEEMDAN与GWO-NLM的滚动轴承故障诊断方法。其中，自适应的噪声完备集成经验模态分解(complete ensemble empiricalmode decomposition with adaptive noise，CEEMDAN)，该方法通过在每次分解过程中加入自适应的高斯白噪声，计算唯一的信号余量。非局部均值滤波(Non-Local Means，NLM)是对传统邻域滤波方法的一种改进滤波，使用了图像的自相似性质，其滤波效果取决于三个参数：M(搜索框半径)、λ(带宽参数)、P(相似框半径)，参数的选取十分重要。

为解决上述技术问题，本发明所采取的技术方案是：一种基于CEEMDAN与GWO-NLM的滚动轴承故障诊断方法，包括如下步骤：

步骤1：采用振动传感器采集滚动轴承的振动信号，同时测量轴承的相关参数；

所述轴承的相关参数包括：接触角α、滚珠数Z、滚珠直径d、节径D。

步骤2：采用CEEMDAN方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的IMF分量；

步骤3：结合峭度值、相关系数和能量比，对分解后的IMF分量进行筛选，并对筛选后的分量进行线性重构；