CN105784364A - 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于总体经验模式分解与分形盒维数的轴承故障诊断方法，在轴承上设置静电传感器，通过静电感应检测旋转机械转轴工作时的静电信号,其电极通过信号调理电路与一台计算机相连；信号调理电路把静电传感器输入的检测电荷信号变成电压信号，放大电路后接抗混叠滤波电路，通过数据采集卡送入计算机进行处理；计算机对采集到的轴承静电信号进行总体经验模式分解后求取能量与分形盒维数，用求得的不同故障下的特征量作为神经网络分类器训练样本的输入向量，对应的故障类型作为神经网络分类器训练样本的输出向量，先通过训练样本对神经网络分类器进行训练，然后对实际轴承工作信号进行识别，实现轴承的故障诊断。

Description

基于总体经验模式分解与分形盒维数的轴承故障诊断方法

技术领域

本发明涉及机械故障诊断领域，特别涉及大型发电机、电机等电力设备的轴承故障诊断。

背景技术

轴承是旋转机械设备中的关键部件，其运行状态直接影响设备的稳定性、可靠性以及工作寿命等，准确及时的识别轴承故障对轴承工作状态的监测以及故障的早期预警具有重要意义。为了对滚动轴承的状态进行监测，人们探索了很多方法，主要有振动监测、声发射技术、温度测量、磨损颗粒分析等，其中振动监测应用最为广泛。目前基于静电感应原理的传感器已应用于轴承工作状态的检测，为滚动轴承的状态监测提供了一种新的方法。

由于静电信号的非线性非平稳特性，需要时频信号分析方法对信号进行分析。经验模式分解是N.EHuang提出的一种非线性非平稳信号的时频分析方法，但该方法有模态混叠效应，使其在机械故障信号分析应用上具有一定的瓶颈。总体经验模式分解是N.EHuang提出的又一种非线性非平稳信号的时频分析方法，该方法能够利用噪声在不同时间尺度上的连续性对不同时间尺度进行弥补，消除模态混叠。分形理论是一种认识事物由粗到细的一个过程，这与总体经验模式分解对信号进行分解获得位于不同时间尺度下本征模式函数的过程是一致的，从而启发将总体经验模式分解与分形盒维数相结合应用于轴承静电信号的故障诊断。

发明内容

本发明的目的是提供一种将总体经验模式分解与盒维数相结合的信息处理方法，用于旋转机械的轴承故障诊断。

基于总体经验模式分解与分形盒维数的轴承故障诊断方法，包括下述步骤：

(1)在轴承内设置静电传感器，静电传感器利用轴承工作过程中产生的电荷，通过静电感应检测旋转机械转轴工作时的静电信号，传感器的输出接信号调理电路后经数据采集卡与一台计算机相连，计算机作为数据处理平台；

(2)信号调理电路中设有电荷放大电路，该电荷放大调理电路把静电传感器输入的检测电荷信号变成电压信号，放大电路后接抗混叠滤波电路，通过数据采集卡送入计算机进行处理；

(3)对采集的静电信号进行特征提取：计算机对采集到的不同故障类型下以及正常情况下的静电信号分别进行总体经验模式分解求取本征模式分量，然后对各阶本征模式分量求取能量以及分形盒维数，将能量与分形盒维数作为信号的特征量；

(4)神经网络分类器的训练：将不同故障类型下以及正常情况下静电信号的特征量用于神经网络分类器训练，用特征量相对应的转轴工作状态作为神经网络的输出量，从而通过训练样本对神经网络分类器进行训练；

(5)把待辨识的静电信号送入计算机，提取带辨识信号的能量与盒维数作为特征量输入训练好的神经网络分类器，即可通过输出得到该信号对应的转轴工作状态。

所述的不同故障类型包括轴承内圈故障、轴承外圈故障、滚动体故障，保持架故障。

所述神经网络分类器的参数设定为：隐层的神经元个数选为10，隐层传递函数选为输出范围为0到1的具有任意阶导数的非线性函数logsig，输出层传递函数为线性函数purelin，训练函数为trainlm，允许误差为10-6和训练步数为200步。

静电信号特征提取过程具体步骤如下：

(1)对信号进行总体经验模式分解，获取本征模式函数分量，其中所加噪声幅值为信号标准差的0.2倍，加入白噪声的次数为50次，分量个数k与信号长度L有如下关系：

k＝log₂L-1

(2)对每一个本征模式分量求取能量与盒维数，这样每一路信号能获取一列长度为k的能量向量以及一列长度为k的分形盒维数向量。

本发明的优点是，通过已有的静电传感器技术检测轴承工作时的静电信号，利用总体经验模式分解对非线性非平稳信号的时频分析能力，以及分形盒维数对信号复杂度的反映,对分解获得的本征模式函数求取能量与盒维数，结合神经网络的技术应用于轴承故障诊断。

附图说明

图1为静电传感器结构示意图；

图2基于总体经验模式分解与分形盒维数的轴承故障诊断方法系统框图；

图3特征提取流程图；

图4基于总体经验模式分解与分形盒维数的轴承故障诊断方法流程图。

具体实施方式

以下结合附图及具体实施例对本发明作进一步的详细说明。

如图2所示，一种基于总体经验模式分解与分形盒维数的轴承故障诊断方法所涉及的测量系统，包括设置在滚动轴承上的静电传感器、包含电荷放大电路的调理电路、用于信息处理的计算机，静电传感器用于收集滚动轴承内部的静电信号，传感器通过屏蔽导线接入信号调理电路，信号调理电路中的电荷放大电路将电荷信号转化为电压信号，经过抗混叠滤波电路后由数据采集卡输入到计算机。该计算机是基于总体经验模式分解与分形盒维数的轴承故障诊断的信息处理平台。

所述静电传感器结构如图1所示，感应电极1位于传感器侧面，安装时保持电极面与滚动轴圆面平行，感应电极与屏蔽壳体2用绝缘材料3连接，电极通过屏蔽罩内部走线4与传感器顶端的输出屏蔽电缆接口5相连接。

利用图2所示的测量系统实现基于总体经验模式分解与分形盒维数的轴承故障诊断，包括下述步骤：在轴承支座腔体内部轴承附近安装静电传感器，安装时保持电极面与轴承圆面平行，通过电极检测轴承工作过程中产生的静电信号，轴承工作时在静电传感器周围产生的准静电场不断地发生波动，使静电传感器电极上产生的感应电荷也随之波动，调理电路把传感器电极的电荷信号转化为电压信号，并进行抗混叠滤波后通过数据采集卡输入到计算机中，在计算机中对信号进行特征提取，先利用训练数据对神经网络分类器进行训练，然后利用已训练好的神经网络分类器对测试数据的特征量进行识别，从而实现轴承的故障诊断。

如图3所示，本发明计算机中的信息处理平台求取特征量的具体步骤为：计算机信号处理平台通过数据采集卡收集到长度为L的信号，先对其进行总体经验模式分解得到k个本征模式分量，然后对每个本征模式分量求取能量与分形盒维数，从而获取一列长度为k的能量向量以及一列长度为k的分形盒维数向量。。

如图4所示，本发明对轴承故障识别的具体步骤为：首先得到不同故障情况下的两种特征量，其中包含一列长度为k的能量向量以及一列长度为k的盒维数向量，将特征量作为为神经网络分类器的训练样本，其对应的故障情况作为分类器的输出向量，先通过训练样本对神经网络分类器进行训练，得到神经网路模型；然后，对实际轴承工作信号进行特征提取，输入到训练好的神经网络模型中进行轴承故障识别。

训练的具体参数以及方法为：用大量的仿真样本和现场收集的训练样本训练神经网络分类器，隐层传递函数选为输出范围为0到1的具有任意阶导数的非线性函数logsig，输出层传递函数为线性函数purelin，训练函数为trainlm。允许误差为10^-6和训练步数为150步。

Claims (4)

1.基于总体经验模式分解与分形盒维数的轴承故障诊断方法，其特征在于，包括下述步骤：

(1)在轴承内设置静电传感器，静电传感器利用轴承工作过程中产生的电荷，通过静电感应检测旋转机械转轴工作时的静电信号，传感器的输出接信号调理电路后经数据采集卡与一台计算机相连，计算机作为数据处理平台；

(2)信号调理电路中设有电荷放大电路，该电荷放大调理电路把静电传感器输入的检测电荷信号变成电压信号，放大电路后接抗混叠滤波电路，通过数据采集卡送入计算机进行处理；

(3)对采集的静电信号进行特征提取：计算机对采集到的不同故障类型下以及正常情况下的静电信号分别进行总体经验模式分解求取本征模式分量，然后对各阶本征模式分量求取能量以及分形盒维数，将能量与分形盒维数作为信号的特征量；

(4)神经网络分类器的训练：将不同故障类型下以及正常情况下静电信号的特征量用于神经网络分类器训练，用特征量相对应的转轴工作状态作为神经网络的输出量，从而通过训练样本对神经网络分类器进行训练；

(5)把待辨识的静电信号送入计算机，提取带辨识信号的能量与盒维数作为特征量输入训练好的神经网络分类器，即可通过输出得到该信号对应的转轴工作状态。

2.根据权利要求1所述的基于总体经验模式分解与分形盒维数的轴承故障诊断方法，其特征在于，所述的不同故障类型包括轴承内圈故障、轴承外圈故障、滚动体故障，保持架故障。

3.根据权利要求1所述的基于总体经验模式分解与分形盒维数的轴承故障诊断方法，其特征在于，所述神经网络分类器的参数设定为：隐层的神经元个数选为10，隐层传递函数选为输出范围为0到1的具有任意阶导数的非线性函数logsig，输出层传递函数为线性函数purelin，训练函数为trainlm，允许误差为10-6和训练步数为200步。

4.根据权利要求1所述的基于总体经验模式分解与分形盒维数的轴承故障诊断方法，其特征在于，静电信号特征提取过程具体步骤如下：

(1)对信号进行总体经验模式分解，获取本征模式函数分量，其中所加噪声幅值为信号标准差的0.2倍，加入白噪声的次数为50次，分量个数k与信号长度L有如下关系：

k＝log₂L-1

(2)对每一个本征模式分量求取能量与盒维数，这样每一路信号能获取一列长度为k的能量向量以及一列长度为k的分形盒维数向量。