[发明专利]一种自适应复数域AMFM模型优化的轴承故障诊断方法

说明书

本发明公开了一种自适应复数域AMFM模型优化的轴承故障诊断方法，涉及轴承故障诊断技术领域，利用调幅调频模型对原始信号进行信号分解后得到调幅调频分量及其瞬时幅值和瞬时频率，计算瞬时幅值和瞬时频率的精细复合多尺度波动色散熵，将熵值构造为特征矩阵，使用向量加权平均算法对支持向量机模型进行优化，采用优化后的支持向量机模型对特征矩阵进行分类，根据分类结果实现故障诊断；本方法能够分解滚动轴承振动信号，合理处理轴承振动信号中的交叉频率，快速提取轴承振动信号分量的特征，进而有效分类不同的轴承故障，并且计算复杂度较小同时具有较高的识别精度和识别速度。

技术领域

本发明涉及轴承故障诊断技术领域，具体涉及一种自适应复数域AMFM模型优化的轴承故障诊断方法。

背景技术

滚动轴承是一种广泛应用于各类机械中的重要基础元件，具有精度高，磨损小，易起动，使用寿命长等众多优点得到了较广泛的应用，然而滚轴承由于工作条件具有负荷重、冲击大和温度高等因素，在长时间的运行下出现故障是常有的事，例如滚珠故障、外圈故障和内圈故障等，一旦轴承发生故障，就会影响整个机械设备的运行能力和产品的质量，甚至会造成灾难性的事故和人员伤亡，滚动轴承的故障诊断，能够尽早发现机械故障，保证工业生产能正常地进行，减少实际工程中潜在的损失。

传统的滚动轴承故障诊断采取直接对振动信号的特征进行诊断，计算简捷快速，但信号的特征信息会随着噪声的加强而弱化，导致故障诊断的效果并不好。传统的轴承故障诊断方式是首先对轴承的振动信号进行信号分解，然后采用模式识别的方式进行轴承状态检测。例如，对信号进行经验模态分解算法(EMD)或变分模态分解(VMD)分解，然后构成特征矩阵后通过支持向量机(SVM)进行分类诊断就是一类常用的故障诊断方法。然而，VMD无法直接得到信号分量的特征，EMD和VMD分解得到窄带分量，需要进一步计算才能得到信号的特征。此外，EMD和VMD算法无法实现信号分量瞬时频率交叉分量分离。支持向量机是一种二类分类模型，整个模型主要依赖于惩罚参数和高斯核函数。然而，支持向量机参数选择存在困难，难以达到最优，影响分类结果的准确性。为此提出一种自适应复数域AMFM模型优化的轴承故障诊断方法以解决以上问题。

发明内容

针对现有技术的不足，本发明提供了一种自适应复数域AMFM模型优化的轴承故障诊断方法，能够分解滚动轴承振动信号，合理处理交叉频率，快速提取轴承振动信号分量的特征，进而有效分类不同的轴承故障，并且计算复杂度较小，同时具有较高的识别精度和识别速度，以此解决现有技术中存在的问题。

一种自适应复数域AMFM模型优化的轴承故障诊断方法，包括以下步骤：

通过调幅调频模型对滚动轴承振动信号进行分解，获得振动信号的调幅调频分量的瞬时幅值和瞬时频率；

使用同步提取变换算法对所述调幅调频模型在时刻t的瞬时频率进行估算，同时将调幅调频模型改写成调幅分量与调频分量相乘的形式；

对分解后的调幅调频模型凸优化处理，并将凸优化处理后的结果转化为相应的拉格朗日优化方程后进行偏微分处理，获得调幅分量的优化迭代公式和调频分量的更新公式；

根据调幅分量与调频分量，计算调幅调频模型的瞬时幅值和瞬时频率为：

IA_k(t)＝|P_k(t)|

其中，|P_k(t)|是调幅分量P_k(t)的模值，是瞬时频率的估计值，δ_t是求函数关于t的导数，IA_k(t)是瞬时幅值，IF_k(t)是瞬时频率；

计算瞬时幅值和瞬时频率的精细复合多尺度波动色散熵，将得到的熵值构造为特征矩阵；