一种基于CEEMDAN与自适应去噪的滚动轴承故障诊断方法

一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法
技术领域
1.本发明涉及轴承故障诊断技术领域，具体为一种基于ceemdan与自适应去 噪的滚动轴承故障诊断方法。


背景技术：

2.在机械轴承的工作过程中，轴承往往受到特殊环境的影响，很容易出现轴 承故障。轴承一旦发生故障，对机械系统的性能和稳定性就有一定的影响。在 对其进行检修过程中，由于受复杂环境的影响，采集到轴承的振动信号，含有 大量的噪声。这严重影响了后续信号的特征提取和故障检测，因此对原信号进 行降噪处理显得极其重要。
3.自适应噪声完备集合经验模式分解(ceemdan)是一种处理非线性和非平稳 性信号较好的方法。相比于传统的分解方法，它能够通过加入自适应噪声来辅 助信号的分解，使信号分解更加完备的同时，模态混淆现象和重构误差也减少。 正因为这一优势，许多研究使用ceemdan方法对械振动信号进行分解。
4.但是，直接ceemdan分解无法达到对原始信号降噪的效果，需结合其他方 法来完成降噪，进而更好地进行故障检测。在实际应用中，通常有二种方法与 ceemdan分解法结合。第一种，利用排列熵分别计算ceemdan分解得到imf分量 的熵值，将熵值较大的imf删除，剩余的imf量进行重构。这种方法简单，但 删除的imf中有大量的有用信息，降噪效果较差。第二种，计算ceemdan分解 得到imf分量与原始信号的相关系数，挑选一部分imf分量进行小波阈值去噪， 降噪完与剩余分量进行重构。这种方法能达到较好的效果，但该方法存在引入 的参数过多以及阈值难以确定的缺陷。所以急需一种基于ceemdan与自适应去 噪的滚动轴承故障诊断方法来解决上述问题。


技术实现要素：

5.本发明提供一种能实现滚动轴承早期故障频率的提取和故障类型的准确识 别基于ceemdan与自适应去噪的滚动轴承故障诊断方法，来解决上述现有技术 中存在的问题。
6.为实现上述目的，本发明提供如下技术方案：一种基于ceemdan与自适应 去噪的滚动轴承故障诊断方法，包括如下步骤：
7.s1、采集轴承振动信号，并通过ceemdan对振动信号进行模式分解，依次 生成多个模式分量；
8.s2、采用灰色关联分析法对多个模式分量进行分组，包括噪声主导分量和 信号主导分量；
9.s3、对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行 重构，生成重构信号；
10.s4、计算重构信号的teager能量算子，使用teager能量谱图识别故障类 型。
11.2.根据权利要求1所述的一种基于ceemdan与自适应去噪的滚动轴承故障 诊断方法，其特征在于：在步骤s1中，搭建机械轴承数据采集平台，利用加速 度传感器采集轴承振
动信号x(t)。
12.优选的，模式分解具体为：
13.(1)、令r0(t)＝x(t)；
14.(2)、向振动信号x(t)中添加不同幅值的白噪声，r
0i
(t)＝r0(t)+ε0w(i)(t)，其 中，w(i)(t)为白噪声，ε0为噪声的幅值，i＝1,2...,i，其中，i为添加白噪声的次数；
15.(3)、对加噪信号r
0i
(t)分别进行经验模式分解，取各自分解的第一阶模式 分量imf
1i
(t)，然后对其求平均值，得到信号r0(t)的第一阶模式分量imf1(t)及残余 信号r1(t)＝r0(t)-imf1(t)；
16.(4)、对残余信号r1(t)进行加噪处理，得加噪信号r
1i
(t)＝r1(t)+ε1w(i)(t)，对信 号r
1i
(t)分别经验模式分解，取各自分解的第一阶模式分量，然后对其求平均值， 得信号r0(t)的第二阶模式分量imf2(t)及残余信号r2(t)＝r1(t)-imf2(t)；
17.(5)、如此类推，当残差rn(t)为一个单调函数时，迭代结束，最终原始信 号
18.优选的，在步骤s2中，通过灰色关联分析法计算分解后的第一个模式分量 与其它模式分量之间的灰色关联度值，并求其平均值，其中，选择灰色关联度 值大于平均值的模式分量以及第一个模式分量作为噪声主导分量，其它模式分 量视为信号主导分量。
19.优选的，灰色关联分析法计算过程包括：
20.(1)、输入ceemdan分解所得的模式分量集imf＝{imf1,imf2,k,imfn}， imfi＝{imfi(1),imfi(2),k,imfi(n)}，其中imfi表示模式分量，i＝0,1,2...,n，imfi(t)表 示第i个模式分量中的元素，t＝1,2,...,n，其中n为信号长度；
21.(2)、确定分析序列，imf1代表目标序列，imfi代表因子序列，i＝2,3,...,n；
22.(3)、对imfi(i＝1,2,...,n)数据预处理，先求出imfi中最小的元素并取绝对 值，记min|imfi(t)|，其次imfi中的每个元素加上该值，记 imf
i0
(t)＝imfi(t)+min|imfi(t)|，然后对imf
i0
(t)求平均值，记为最 后用imf
i0
(t)除以该平均值，得到新的元素
23.(4)、计算imf1与imfi(i＝1,2,k,n)之间的灰色关联系数γi(t)：
24.ρ＝0.5；
25.(5)、计算imf1与imfi(i＝1,2,k,n)之间的灰色关联度ξi，
26.优选的，在步骤s3中，自适应去噪具体为：
27.(1)、计算噪声主导分量imfj标准差其中n 为imfj的长度，为imfj的平均值；
28.(2)、删除imfj中大于3δ0的元素，剩余的元素构成新的模式 分量i＝1；
29.(3)、计算的标准差其中li为的 长度，为的平均值；
30.(4)、计算中是否有大于3δi的元素，若没有，则确定阈 值λ＝3δi，进行步骤(5)；若有，则删除相应元素，剩余元素构成新的i＝i+1， 则进行步骤(3)；
31.(5)计算的局部极大值和极小值，并将极值取绝对值与确定的自适应 阈值λ进行对比；
32.(6)若极值的绝对值小于阈值λ，则该极值设置为0，反之，则保留该极 值；最终获得获得去噪后的imfj。
33.优选的，在步骤s4中，重构信号y(t)的teager能量算子为： ψ(y(t))＝(y(t)2)-y(t-1)y(t+1)，t＝1,2,...,n，n为y(t)的长度。
34.与现有技术相比，本发明的有益效果：本发明中，通过ceemdan分解得到 多个imf模式分量，利用灰色关联分析算法(gra)将imf合理划分成噪声主导 分量和信号主导分量，其中，涉及的平均值依据信号自主确定，不需要人工干 预，且保留所有分量，不剔除任何分量，不会造成有效信息的流失，然后对噪 声主导的信号进行自适应阈值去噪，去噪后与信号主导的分量进行重构，实现 了对原始信号的有效降噪；本发明引入参数少且阈值为自适应，不仅有效避免 了imf分量筛选的不合理性，而且有效客服了降噪时阈值难以调控的问题，进 而提高了滚动轴承故障信号的降噪性能，更好的服务于信号特征的提取和故障 诊断。
附图说明
35.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发 明的实施例一起用于解释本发明，并不构成对本发明的限制。
36.在附图中：
37.图1是本发明滚动轴承故障诊断方法的流程图；
38.图2是本发明采集轴承外圈的振动信号图；
39.图3是本发明采集轴承内圈的振动信号图；
40.图4是本发明外圈振动信号的teager能量谱图；
41.图5是本发明内圈振动信号的teager能量谱图；
42.图6是本发明降噪后外圈振动信号的teager能量谱图；
43.图7是本发明降噪后内圈振动信号的teager能量谱图。
61.(5)、计算imf1与imfi(i＝1,2,k,n)之间的灰色关联度ξi，
62.s3、对噪声主导分量进行自适应去噪，去噪后的分量与信号主导分量进行 重构，生成重构信号；
63.其中，自适应去噪具体为：
64.(1)、计算噪声主导分量imfj标准差其中n 为imfj的长度，为imfj的平均值；
65.(2)、删除imfj中大于3δ0的元素，剩余的元素构成新的模式 分量i＝1；
66.(3)、计算的标准差其中li为的 长度，为的平均值；
67.(4)、计算中是否有大于3δi的元素，若没有，则确定阈 值λ＝3δi，进行步骤(5)；若有，则删除相应元素，剩余元素构成新的i＝i+1， 则进行步骤(3)；
68.(5)计算的局部极大值和极小值，并将极值取绝对值与确定的自适应 阈值λ进行对比；
69.(6)若极值的绝对值小于阈值λ，则该极值设置为0，反之，则保留该极 值；最终获得获得去噪后的imfj；
70.s4、计算重构信号的teager能量算子，使用teager能量谱图识别故障类 型，其中，重构信号y(t)的teager能量算子为：ψ(y(t))＝(y(t)2)-y(t-1)y(t+1)，t＝1,2,...,n， n为y(t)的长度。
71.在一具体实施例中：
72.s1、搭建机械轴承数据采集平台，利用加速度传感器采集滚动轴承外圈和 内圈的振动信号，分别记为x1(t)、x2(t)，其中，实验轴承为6205-2rs深沟球轴 承，利用电火花技术在轴承表面进行单点故障加工，故障直径为0.1778mm，故 障深度为0.2794mm；选用的轴承安装在电机转轴一侧，加速度传感器布置在轴 承位置附近；实验设置电机转速为1797r/min，负载为0，采样频率为12khz， 采样时间长度为1s，轴承外圈和内圈采集信号分别为x1(t)、x2(t)，如图2和图3 所示；
73.s2、将采集到外圈和内圈采集信号分别为x1(t)、x2(t)分别经过ceemdan算法 分解成多个imf分量，这里对外圈振动信号进行分解时，ceemdan算法添加中噪 声幅度，噪声次
数分别为0.65和50，最大迭代次数为1000。对内圈振动信号 进行分解时，添加的噪声幅度，噪声次数分别为0.05和50，最大迭代次数为 1000；
74.s3、将ceemdan分解后的第一个分量作为母序列，其它分量作为子序列， 通过灰色关联分析算法计算出每个子序列与母序列之间的灰色关联度，最后并 求其平均值；如下表所示分别记录了外圈信号x1(t)和内圈信号x2(t)分解后各分量 之间的灰色关联度值；
75.外圈各分量与imf1的灰色关联度：
[0076][0077]
内圈各分量与imf1的灰色关联度：
[0078][0079]
根据上表，将各分量划分为噪声或信号主导分量，同时ceemdan分解出来 的第一个分量imf1也视为噪声主导分量；即外圈信号x1(t)分解后噪声主导分量 为imfi(i＝1,2,3,7,8,15)，信号主导分量为imfi(i＝4,5,6,9,10,11,12,13,14)；内圈信号x2(t) 分解后噪声主导分量为imfi(i＝1,2,3,6,7,14)，信号主导分量为 imfi(i＝4,5,8,9,10,11,12,13)；
[0080]
s4、对噪声主导的分量进行自适应去噪，然后与信号主导的分量进行重构， 生成去噪后的信号分别为y1(t)、y2(t)，其中，首先利用噪声主导信号确定自适应 阈值λ，其次计算噪声信号的局部极大值和极小值的绝对值并与阈值λ进行比 较，大于阈值则保留该值，小于阈值则将该值设置为0，并返回噪声信号中；重 复这一过程，直到没有值小于阈值时，去噪结束；最后去噪后的分量与信号主 导的分量进行重构，得去噪后的信号y1(t)、y2(t)；
[0081]
s5、参考图4和图5所示，分别是采集到的轴承外圈和内圈原始信号x1(t) 和x2(t)的teager能量谱；图6和图7分别是外圈和内圈信去噪后重构信号y1(t) 和y2(t)的teager能量谱；对比图4与图6，从图4可看出外圈原始信号中只有 少量的转频fr，故障频率fo和故障频率附近的边频，大量故障信息被噪声掩盖， 没有显示出来；而从图6中可明显看出去噪后重构的信号中，具有丰富的转频 fr和转频的倍频2fr，4fr，5fr；故障频率fo和倍频2fo,3fo以及故障频率附 近的边频；对比图5与7，同样可清楚的看到去噪后重构的内圈信号，具有丰富 的转频fi，故障频率fi和故障频率附近的边频。
[0082]
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本 发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人 员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中 部分技术特征进行等同替换。
凡在本发明的精神和原则之内，所作的任何修改、 等同替换、改进等，均应包含在本发明的保护范围之内。