一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法[

(12)发明专利申请

(10)申请公布号 CN 1105687 A(43)申请公布日 2020.03.20

(21)申请号 201911346632.2(22)申请日 2019.12.24

(71)申请人 安徽工业大学

地址 243002 安徽省马鞍山市湖东路59号(72)发明人 郑近德　丁克勤　刘庆运　苏缪涎　

潘海洋　童靳于　(74)专利代理机构 安徽知问律师事务所 34134

代理人 杜袁成(51)Int.Cl.

G06K 9/00(2006.01)G01M 13/04(2019.01)

权利要求书2页 说明书3页 附图3页

()发明名称

一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法(57)摘要

本发明公开一种基于均变相位经验模态分解和快速谱峭度的滚动轴承故障诊断方法，属于机械故障诊断技术领域。该方法包括以下步骤：采用均变相位经验模态分解方法对轴承故障信号加以分解；计算分解出的所有分量的峭度，选取出峭度最大的分量；用快速谱峭度对最大峭度分量进行处理，获取最佳分析频带；功率谱分析，识别滚动轴承故障特征。本发明公开的方法通过均变相位经验模态分解和快速谱峭度相结合，不仅可以有效地识别滚动轴承故障特征，而且在抑制干扰信号方面具有优势。CN 1105687 ACN 1105687 A

权　利　要　求　书

1/2页

1.一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法，其特征在于该方法包括以下具体步骤：

(1)采用均变相位经验模态分解方法对轴承故障信号加以分解；(2)计算分解出的所有分量的峭度，选取出峭度最大的分量；(3)用快速谱峭度对峭度最大的分量进行处理，获取具有最佳分析频带的功率谱；(4)对所述功率谱进行分析，识别所述轴承故障信号的故障特征。

2.根据权利要求1所述一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法，其特征在于步骤(1)中所述均变相位经验模态分解的方法具体步骤如下：

(2-1)设置相关参数，构造掩膜信号；(2-2)在待分解信号中加入掩膜信号；(2-3)判断出信号的所有极值点，对极值点三次样条曲线拟合构造均值曲线；(2-4)将均值曲线从信号中分离，将不包含均值曲线的剩余信号重复步骤(2-3)，直至满足停止条件，则得到第一个分量，从中减去掩膜信号，并集成平均，获得第一个内禀模态函数；

(2-5)计算出余项作为新信号，循环步骤(2-2)到步骤(2-4)，直到分解出所有的内禀模态函数；

(2-6)从待分解信号中分离所有的内禀模态函数，其余项作为趋势项，最终将待分解信号分解为一系列的内禀模态函数和趋势项之和。

3.根据权利要求1所述基于一种均变相位经验模态分解和快速谱峭度的轴承故障诊断方法，其特征在于步骤(2)所述峭度的峭度值K定义为：

式中：x是需要计算峭度值的信号，μ为信号的均值，σ表示标准差，E(t)表示t的期望值。

4.根据权利要求1所述一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法，其特征在于步骤(3)中所述快速谱峭度是在谱峭度的基础上提出的带通滤波器的算法；假设用Y(t)作为原始信号X(t)的激励响应，公式表示为：

其中，H(t,f)为时变传递函数；基于四阶谱累积量的谱峭度可以定义为：

其中，S2nY(f)是谱瞬时矩，用来度量包络能量，定义如下：

S2nY(f)＝E(|H(t,f)dX(f)|2n)/df再将谱峭度转化为归一化累积量，即表示为：

所述快速谱峭度的算法是通过合理地选取频率及其分辨率使其信号的峭度值最大，包括以下步骤：

(4-1)设计高通滤波器h1(t)和低通滤波器h0(t):

2

CN 1105687 A

权　利　要　求　书

2/2页

式中：h(t)表示标准FIR低通滤波器，其中，截至频率为1/8；(4-2)利用高通滤波器和低通滤波器对信号滤波处理，然后对滤波后的信号进行降采样，反复迭代进行，得到相应的滤波结果；

(4-3)计算每次迭代所得结果的谱峭度值，其计算公式为：

表示第k层第i个滤波器所得到的滤波结果,E(t)表示t的期望值；

(4-4)结合上述步骤得到的谱峭度，构成信号x(t)的快速谱峭度图，并从谱峭度图中找出峭度值最大的频段作为中心频带和带宽的最优组合，进行故障特征识别。

3

CN 1105687 A

说　明　书

1/3页

一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊

断方法

技术领域：

[0001]本发明属于机械故障诊断技术领域，具体涉及一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法。

背景技术：

[0002]滚动轴承是旋转机械中最常用、也是最容易损坏的零件之一，因此，开展滚动轴承故障诊断的研究具有重要意义。滚动轴承的故障信号往往呈现非线性和非平稳性，传统的信号处理方法难以获得令人满意的结果。经验模态分解方法作为一种自适应信号处理方法，能够有效地处理非线性和非平稳性的信号，因此被用于轴承故障诊断领域中。然而，经验模态分解存在严重的模态混叠等问题。均变相位经验模态分解在经验模态分解方法的基础上加以改进，有效地改善了经验模态分解的不足。

[0003]快速谱峭度是在谱峭度的基础上提出的一种基于带通滤波器的算法，将原始信号经过二分和三分不断交替分解，计算信号频段上的谱峭度值，绘制出谱峭度图。谱峭度图中不同颜色表示所在分解层不同频率下的谱峭度大小，从上到下分解K层，其代表的频率分辨率为Δf＝2-(k+1)，谱峭度最大色块层数所在频率为共振解调技术带通滤波的最优中心频率，其横坐标长度表示最佳带宽和其所在频率为中心频率。根据峭度图寻找出的中心频率，可以获得最佳分析频带。

发明内容：

[0004]本发明的目的在于提供一种基于均变相位经验模态分解和快速谱峭度的滚动轴承故障诊断方法，采用均变相位经验模态分解来分解滚动轴承故障信号，计算分解结果的峭度，利用快速谱峭度对最大峭度分量进行滤波，获得最佳分析频带，进行功率谱分析，识别故障特征。该方法能够有效地从干扰信号中准确地识别轴承故障。

[0005]本发明提供的一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法，该方法包括以下具体步骤：[0006](1)采用均变相位经验模态分解方法对轴承故障信号加以分解；[0007](2)计算分解出的所有分量的峭度，选取出峭度最大的分量；[0008](3)用快速谱峭度对峭度最大的分量进行处理，获取具有最佳分析频带的功率谱；[0009](4)对所述功率谱进行分析，识别所述轴承故障信号的故障特征。[0010]步骤(1)中所述均变相位经验模态分解的方法具体步骤如下：[0011](2-1)设置相关参数，构造掩膜信号；[0012](2-2)在待分解信号中加入掩膜信号；[0013](2-3)判断出信号的所有极值点，对极值点三次样条曲线拟合构造均值曲线；[0014](2-4)将均值曲线从信号中分离，将不包含均值曲线的剩余信号重复步骤(2-3)，直至满足停止条件，则得到第一个分量，从中减去掩膜信号，并集成平均，获得第一个内禀

4

CN 1105687 A

说　明　书

2/3页

模态函数；[0015](2-5)计算出余项作为新信号，循环步骤(2-2)到步骤(2-4)，直到分解出所有的内禀模态函数；[0016](2-6)从待分解信号中分离所有的内禀模态函数，其余项作为趋势项，最终将待分解信号分解为一系列的内禀模态函数和趋势项之和。[0017]使用峭度作为选取分量的依据，峭度指标是无量纲参数，对冲击信号特别敏感，适合于表面损伤类故障的诊断。步骤(2)所述峭度的峭度值K定义为：

[0018][0019]

式中：x是需要计算峭度值的信号，μ为信号的均值，σ表示标准差，E(t)表示t的期

望值。

[0020]

步骤(3)中所述快速谱峭度是在谱峭度的基础上提出的带通滤波器的算法；假设用Y(t)作为原始信号X(t)的激励响应，公式表示为：

[0021][0022][0023][0024][0025][0026][0027][0028]

其中，H(t,f)为时变传递函数；基于四阶谱累积量的谱峭度可以定义为：

其中，S2nY(f)是谱瞬时矩，用来度量包络能量，定义如下：

S2nY(f)＝E(|H(t,f)dX(f)|2n)/df再将谱峭度转化为归一化累积量，即表示为：

所述快速谱峭度的算法是通过合理地选取频率及其分辨率使其信号的峭度值最

大，包括以下步骤：[0029](4-1)设计高通滤波器h1(t)和低通滤波器h0(t):

[0030]

式中：h(t)表示标准FIR低通滤波器，其中，截至频率为1/8(归一化频率)；[0032](4-2)利用高通滤波器和低通滤波器对信号滤波处理，然后对滤波后的信号进行降采样，反复迭代进行，得到相应的滤波结果；[0033](4-3)计算每次迭代所得结果的谱峭度值，其计算公式为：

[0034]

[0031]

[0035][0036]

表示第k层第i个滤波器所得到的滤波结果,E(t)表示t的期望值；

(4-4)结合上述步骤得到的谱峭度，构成信号x(t)的快速谱峭度图，并从谱峭度图中找出峭度值最大的频段作为中心频带和带宽的最优组合，进行故障特征识别。[0037]本发明创造性地将均变相位经验模态分解和快速谱峭度相结合。均变相位经验模

5

CN 1105687 A

说　明　书

3/3页

态分解是一种基于经验模态分解的新方法，能够有效地抑制经验模态分解中的模态混叠问题，同时其分解能力和分解精度远优于经验模态分解。将均变相位经验模态分解应用于轴承故障诊断中，能够获得较好的效果，然而轴承故障信号往往在强噪声背景下采集，信号中含有大量干扰噪声，单独地使用均变相位经验模态分解方法来分解轴承故障信号时，分解结果中会存在一定的干扰频率，对故障特征的识别造成了阻碍。为此，借助于快速谱峭度能够获得最佳分析频带这一优势，将均变相位经验模态分解方法和快速谱峭度相结合，应用于滚动轴承故障诊断中。均变相位经验模态分解能够自适应地将轴承故障信号分解为一系列分量，以最大峭度来重构轴承故障信号，经过快速谱峭度处理后的最佳分析频带能够保留滚动轴承故障特征信息的同时，尽可能地去除干扰噪声等无关信号，能够方便准确地识别强噪声背景下的滚动轴承故障特征。

附图说明：

[0038]图1为本发明的流程图；

[0039]图2为本发明中均变相位经验模态分解的流程图；

[0040]图3为美国西储大学滚动轴承故障数据的时域波形图；[0041]图4为滚动轴承故障数据的谱峭度图；

[0042]图5为本发明所提出的基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法应用于轴承故障数据的功率谱图

具体实施方式：

[0043]本发明提供的一种基于均变相位经验模态分解和快速谱峭度的轴承故障诊断方法的具体步骤如下：[0044](1)采用均变相位经验模态分解方法对轴承故障信号加以分解；[0045](2)计算分解出的所有分量的峭度，选取出峭度最大的分量；[0046](3)用快速谱峭度对峭度最大的分量进行处理，获取具有最佳分析频带的功率谱；[0047](4)对所述功率谱进行分析，识别所述轴承故障信号的故障特征。[0048]本发明实施例以滚动轴承作为故障物体说明方法的有效性，并对外圈滚动轴承故障信号进行分析。

[0049]实验验证采用美国西储大学测试轴承数据，试验轴承为6205-2RS深沟球轴承，使用电火花加工技术在轴承上布置了单点故障。实验中轴承外圈固定，主轴转速1730r/min，负载2205W，采样频率12KHz。本实验验证采用故障直径为0.011mm的外圈轴承故障，如图3所示。先采用均变相位经验模态分解方法对外圈轴承故障加以分解，对分解出的内禀模态函数计算其峭度，对峭度最大的内禀模态函数进行快速谱峭度处理，峭度图如图4所示，从而获得最佳分析频带，并做功率谱分析，如图5所示。图5功率谱中的外圈故障特征谱线及其倍频谱线都非常明显，且故障特征谱线和倍频谱线的幅值呈现逐渐下降趋势。功率谱中的干扰频率被大大地抑制，干扰频率和故障特征频率的区分度高，能够直观准确地识别出外圈轴承故障特征。

6

CN 1105687 A

说　明　书　附　图

1/3页

图1

图2

7

CN 1105687 A

说　明　书　附　图

2/3页

图3

图4

8

CN 1105687 A

说　明　书　附　图

3/3页

图5

9