强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法
摘要文本
本发明公开了一种强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法，该方法包括：利用VMD生成一系列IMF分量，并基于IMF的包络谱归一化互信息和时域模糊熵，结合时域和频域联合选择含故障信息量最丰富的两个IMF来重构信号；通过自适应MED滤波器对重构信号进行后处理，通过基于无偏自相关分析的变步长搜索法对滤波器长度进行优化，再对重构信号进行滤波，获取最终的滤波信号；对滤波信号做包络谱分析，通过检查包络谱上的特征频率信息来诊断轴承的健康状况。本发明在强噪声条件下对滚动轴承的健康状态诊断时，能够精确地提取到相应的特征频率，从而有效识别滚动轴承的健康状态，本发明能够在强噪声条件下有效诊断滚动轴承故障。
申请人信息
- 申请人:浙江大学
- 申请人地址:310058 浙江省杭州市西湖区余杭塘路866号
- 发明人: 浙江大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311256031.9 |
| 申请日 | 2023/9/26 |
| 公告号 | CN117349615A |
| 公开日 | 2024/1/5 |
| IPC主分类号 | G06F18/20 |
| 权利人 | 浙江大学 |
| 发明人 | 徐靖伦; 曹雨齐; 廖子豪; 喻洁; 侯迪波; 黄平捷; 张光新 |
| 地址 | 浙江省杭州市西湖区余杭塘路866号 |
专利主权项内容
1.一种强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法，其特征在于，包括以下步骤：(1)基于包络谱归一化互信息和时域模糊熵进行分析，以获取选择保留的本征模态函数，并将最终保留的本征模态函数重构成新的待分析信号；(1.1)通过加速度传感器采集滚动轴承的原始振动信号y(t)；(1.2)使用变分模态分解方法对采集到的原始振动信号进行分解，得到k个本征模态函数分量u(t)，i＝1，2，…，k；i(1.3)通过希尔伯特变换计算原始振动信号和各个本征模态函数分量的包络谱函数；(1.4)分别计算原始振动信号的包络谱函数与各个本征模态函数分量的包络谱函数之间的归一化互信息值；(1.5)计算归一化互信息值的平均值，选出并保留大于归一化互信息值平均值的归一化互信息值所对应的本征模态函数；(1.6)计算所述步骤(1.5)中保留的本征模态函数的时域模糊熵值；(1.7)选出并保留时域模糊熵值最大的两个本征模态函数，并将最终保留的两个本征模态函数重构成新的待分析信号S(t)；(2)利用自适应最小熵解卷积滤波器对步骤(1)得到的待分析信号进行后处理，通过基于无偏自相关分析的变步长搜索法对滤波器长度进行优化，并利用最优滤波器长度对待分析信号进行滤波，以获取最终的滤波信号；(2.1)初始化最小熵解卷积滤波器长度搜索范围为[L, L]，搜索大步长为S，搜索小步长为S；minmax12(2.2)分别利用滤波器长度L为L, L+S, …, L的最小熵解卷积滤波器对待分析信号S(t)进行滤波，得到与滤波器长度L相对应的滤波信号x(t)；minmin1maxL(2.3)分别对各滤波信号x(t)进行无偏自相关变换得到并截取/>的后半段，去掉前2％的数据点和后10％的数据点，得到截取数据点后的信号/>L(2.4)计算所述步骤(2.3)得到的的峭度值Ku(L)；(2.5)根据峭度值Ku(L)确定大步长最优L，即此组Ku(L)峰值对应的滤波器长度L；1(2.6)设置新的滤波器长度搜索范围为[L-S, L+S]；1111(2.7)分别利用滤波器长度L为L-S, L-S+S, …, L+S的最小熵解卷积滤波器对待分析信号S(t)进行滤波，得到对应此组滤波器长度L的滤波信号x(t)；1111211L(2.8)重复所述步骤(2.3)-所述步骤(2.4)，得到对应此组滤波器长度L的的峭度值Ku(L)；(2.9)重复步骤(2.5)，根据峭度值Ku(L)确定小步长最优L，即此组Ku(L)峰值对应的滤波器长度L，L即为此时最优滤波器长度；22(2.10)利用滤波长度为L的最小熵解卷积滤波器对待分析信号S(t)进行滤波，得到最终的滤波信号2(3)计算并绘制所述步骤(2)中得到的滤波信号的包络谱；通过检查包络谱上的特征频率信息对轴承的健康状况进行定性诊断。