CN114235408B - 基于改进级联变分模态分解的轴承故障诊断方法及系统 - Google Patents

基于改进级联变分模态分解的轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN114235408B
CN114235408B CN202111550528.2A CN202111550528A CN114235408B CN 114235408 B CN114235408 B CN 114235408B CN 202111550528 A CN202111550528 A CN 202111550528A CN 114235408 B CN114235408 B CN 114235408B
Authority
CN
China
Prior art keywords
fault
weighted harmonic
noise ratio
time domain
whnr
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111550528.2A
Other languages
English (en)
Other versions
CN114235408A (zh
Inventor
王航
王晓昆
张博文
彭敏俊
夏庚磊
孙觊琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111550528.2A priority Critical patent/CN114235408B/zh
Publication of CN114235408A publication Critical patent/CN114235408A/zh
Application granted granted Critical
Publication of CN114235408B publication Critical patent/CN114235408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Acoustics & Sound (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于改进级联变分模态分解的轴承故障诊断方法及系统，方法包括：对振动时域信号进行低通滤波处理获得低频时域信号；以所有故障模式下的总加权谐噪比为目标，将低频时域信号和振动时域信号分别输入到级联变分模态分解模型中进行分解获得分解结果；基于相邻两层对应的分解结果确定各信号对应的本征模态函数，基于各信号对应的本征模态函数确定不同故障对应的加权谐噪比；基于不同故障对应的加权谐噪比确定故障诊断结果。本发明采用级联的思想将低频时域信号和振动时域信号分别输入到级联变分模态分解模型中进行分解，对分解层数利用加权谐噪比指标进行优化，能够自适应地、准确地、快速地诊断出滚动轴承的故障类型。

Description

基于改进级联变分模态分解的轴承故障诊断方法及系统
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种基于改进级联变分模态分解的轴承故障诊断方法及系统。
背景技术
循环水泵是核电厂中最普遍的电力生产辅机，也是最为常见的旋转机械设备，其运行安全对整体系统的安全可靠性影响显著。保障水的循环再利用是循环水泵的主要功能之一，在循环水泵实现其功能时，假使循环水泵滚动轴承发生故障进而产生异常振动现象，并且振动幅度越来越大，就会对循环水泵系统的整体运转造成极大的危害，影响循环水泵的正常供水，缩短循环水泵系统的使用年限。由于泵内水流的水动力学作用、轴系的不稳定结构、泵的高速运转、介质的腐蚀等因素，都会导致泵体可能出现复杂多样的故障，造成核电厂整体的运行和维护成本增多等不利因素。有必要在循环水泵的实际运行工况下，基于故障机理分析和人工智能算法对循环水泵关键部件故障诊断，为操作人员提供辅助决策，减少设备维修的成本和时间，进一步实现“无人值守”核电站的目标，提高核电站自动化、智能化程度。
目前对循环水泵滚动轴承进行故障诊断主要分为基于专家知识的方法、基于解析模型的方法和基于数据驱动的方法三种，基于数据驱动的方法根据模型的深浅又可以分为机器学习和深度学习。而随着人工智能及计算机技术的飞速发展，基于数据驱动的方法在故障诊断中得到越来越广泛的应用，此方法不需要对象的精确数学模型，建模过程相对简单，通用性和实时性好。
基于专家知识和解析模型的故障诊断方法具有很大的局限性，同时核动力装置中泵和阀的工况复杂，故障类型繁多，这都给故障诊断带来了很大的挑战，所以对于核动力装置中泵阀等主要设备，目前利用基于专家知识和解析模型诊断的方法对其进行故障诊断研究的比较少，更多的是使用基于数据驱动的方法对其进行故障诊断研究。
机器学习本质其实是一个模式识别的过程，即首先使用信号处理技术提取故障特征并构造故障特征向量，然后采用机器学习，如：逻辑回归、支持向量机、聚类、相关向量机等进行智能的故障诊断。但浅层机器学习算法在有限的计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题，其泛化能力受到一定制约。因此基于这些算法的智能诊断表现为针对特定的机械零部件有效，给人留下了“因对象而异”的印象。
深度学习的实质是通过构建具有多个隐层的机器学习模型和大量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。与传统的浅层学习模型相比，深度学习可以更好的发现高维数据中的低维特征表示，同时对多故障类型的诊断有更好的准确性。但是大多数深度学习故障诊断算法的现有工作通常是在训练和测试数据集共享相似分布的前提下进行的，不幸的是，由于工作条件的多样性，这总是违反了实际操作。
综上所述，如何实现快速、准确的诊断出轴承的故障类型成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种基于改进级联变分模态分解的轴承故障诊断方法及系统，以实现快速、准确地诊断出轴承的故障类型。
为实现上述目的，本发明提供了一种基于改进级联变分模态分解的轴承故障诊断方法，所述方法包括：
步骤S1：采集循环水泵运行过程中的振动时域信号，对所述振动时域信号进行低通滤波处理，获得低频时域信号；
步骤S2：以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数；
步骤S3：以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数；
步骤S4：基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN；
步骤S5：基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM；
步骤S6：判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“步骤S2”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“步骤S8”；
步骤S7：判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“步骤S3”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“步骤S8”；
步骤S8：判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；
步骤S9：基于不同故障对应的加权谐噪比确定故障诊断结果。
可选地，所述基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN，具体包括：
对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果；非平稳信号包括第N层振动时域信号分解后得到的本征模态函数；
基于1.5维谱解调结果构建加权谐噪比公式；
基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率；
将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比；
基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比WHNRYN。
可选地，所述滚动轴承相关参数包括循环水泵转速、轴承直径、滚子尺寸以及装配尺寸；各故障包括内圈故障、外圈故障、滚动体故障及保持架故障。
可选地，所述基于不同故障对应的加权谐噪比确定故障诊断结果，具体包括：
确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值；
判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障；
判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障；
判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障；
判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
本发明还提供一种基于改进级联变分模态分解的轴承故障诊断系统，所述系统包括：
低通滤波处理模块，用于采集循环水泵运行过程中的振动时域信号，并对所述振动时域信号进行低通滤波处理，获得低频时域信号；
第一分解模块，用于以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数；
第二分解模块，用于以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数；
第一总加权谐噪比确定模块，用于基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN；
第二总加权谐噪比确定模块，用于基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM；
第一判断模块，用于判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“第一分解模块”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“第三判断模块”；
第二判断模块，用于判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“第二分解模块”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“第三判断模块”；
第三判断模块，用于判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；
故障诊断结果确定模块，用于基于不同故障对应的加权谐噪比确定故障诊断结果。
可选地，所述第一总加权谐噪比确定模块，具体包括：
解调处理单元，用于对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果；非平稳信号包括第N层振动时域信号分解后得到的本征模态函数；
加权谐噪比公式构建单元，用于基于1.5维谱解调结果构建加权谐噪比公式；
特征频率计算单元，用于基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率；
加权谐噪比计算单元，用于将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比；
总加权谐噪比计算单元，用于基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比WHNRYN。
可选地，所述滚动轴承相关参数包括循环水泵转速、轴承直径、滚子尺寸以及装配尺寸；各故障包括内圈故障、外圈故障、滚动体故障及保持架故障。
可选地，所述故障诊断结果确定模块，具体包括：
加权谐噪比阈值确定单元，用于确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值；
第一判断单元，用于判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障；
第二判断单元，用于判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障；
第三判断单元，用于判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障；
第四判断单元，用于判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明采用级联的思想改进变分模态分解，构建级联变分模态分解模型，并将低频时域信号和振动时域信号分别输入到级联变分模态分解模型中进行分解，对分解层数利用总加权谐噪比指标进行优化，基于不同故障对应的总加权谐噪比确定故障诊断结果，能够自适应地、准确地、快速地诊断出滚动轴承的故障模式，并能够拓展至其他旋转机械设备的故障诊断中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于改进级联变分模态分解的轴承故障诊断方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于改进级联变分模态分解的轴承故障诊断方法及系统，以实现快速、准确地诊断出轴承的故障类型。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
信号处理与特征提取方法研究：在核动力关键设备的故障诊断中，对原始信号的降噪处理与特征增强是其他模块的基础，有助于提高诊断的时效性和准确性。振动信号是机械信息的载体，为了从实际测量的振动信号中提取各种特征信息，必须采取各种有效的振动信号处理方法进行分析，从而进行参数检测、质量评价、状态监测和故障诊断等，因此振动信号的处理方法已成为科学研究的热点之一。结构体的振动响应是各个频率特征信息的叠加，振动信号的时域特征主要体现在振幅、周期、相位等特性上，其频域特征则主要表现在频率、能量信息中。
正如上文所述，在振动信号的信号处理中，主要分为时域信号处理和频域信号处理。时域波形作为原始波形，保留了最全面、最完整的信息，为防止有用信息的丢失，在进行分析时有时候可以不加处理，直接进行观察。但是在旋转设备的振动信号中，时域分析在故障诊断领域中无法准确提供全面的故障特征信息，且精密程度也不够好。尹文哲等为提高滚动轴承故障诊断的识别准确率，以及摆脱信号处理方法对专家经验的过度依赖，提出一种基于快速傅里叶变换和卷积神经网络的滚动轴承故障诊断方法。Przystupa K等则针对液压泵高频、非平稳信号提出了利用短时傅里叶变换的方法进行信号处理，但改进的短时傅里叶变换频率分辨率较差，不利于故障信号的特征提取。Yibo L等针对振动信号设计了一种利用奇异值分解进行信号降噪和利用小波包变换对信号进行分解，并从不同频域提取的能量作为特征向量的方法。但是，虽然小波包变换通过改变窗函数大小，一定程度解决了改进傅里叶变换的缺陷，但是其难以满足适应性要求。王茜等针对典型机械设备提出了一种基于经验小波变换和相关性阈值去噪相结合的振动信号特征量提取方法，证明其性能优于奇异值分解特征量提取方法。苏文胜等提出一种基于EMD降噪和谱峭度的滚动轴承早期故障诊断新方法，提高了信号的信噪比。慎明俊等为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题，提出一种基于互补集合EMD和3点对称差分能量算子结合的轴承故障特征提取方法。
钱林等利用VMD将目标信号分解为有限个模态信号，依据互信息法提取与原始信号相关的模态信号；然后利用形态学对重构信号进行降噪处理，提取出滚动轴承的特征频率。Vikas Sharma针对变速箱在变速工况下的非平稳振动信号表现出复杂的调制，导致强烈的边带，从而难以识别故障的问题。利用VMD解调的优点，对实时转速变化下的局部齿故障进行诊断。Anil Kumar等针对离心式泵故障，采用VMD进行信号处理，并利用对称单值中性交叉熵提取信号特征。Dibaj Ali等采用参数优化的VMD方法对振动信号进行分解。提出的优化算法能够使VMD分解后的模式具有最小的带宽和噪声干扰，然后利用包络谱加权峭度指标检测故障信号。盛肖炜等为了消除人为选择VMD参数的影响，采用了鲸群算法寻优VMD算法的参数组合；然后，对本征模态分量求频谱后组成了高维数据集。Fuming Zhou等针对液压泵复杂信号动态特性，提出了一种基于粒子群算法优化VMD，选择合适的本征模态函数进行信号重构。Li等在VMD分解非平稳振动信号的基础上，提出了一种基于改进的多尺度熵的信号特征提取技术，克服了传统的多尺度熵可能产生未知熵或用大尺度因子估计熵的不精确性的障碍。Chang Yong等为了利用小样本故障数据集对滚动轴承主要故障类型做出准确判断，提出了一种将粒子群优化核模糊C-均值与VMD相结合的新方法，首先通过计算VMD各模态函数的中心频率和皮尔逊相关系数，确定VMD的分解水平K，得到最优分解结果。采用奇异值分解方法从最优分解结果中提取出与轴承主要故障类型对应的特征值，建立故障特征样本空间。徐智为解决VMD参数组合选取不当时容易产生过分解和欠分解的缺陷，采用级联的思想分别进行超参数优化得到最佳重构信号。
专有名词解释：变分模态分解(Variational mode decomposition，VMD)；加权谐噪比(Weight Harmonic noise ratio，WHNR)；本征模态函数(Intrinsic Mode Function，IMF)；经验模态分解(Empirical Mode Decomposition，EMD)。
实施例1
如图1所示，本发明公开一种基于改进级联变分模态分解的轴承故障诊断方法，所述方法包括：
步骤S1：采集循环水泵运行过程中的振动时域信号，对所述振动时域信号进行低通滤波处理，获得低频时域信号。
步骤S2：以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数。
步骤S3：以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数。
步骤S4：基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN。
步骤S5：基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM。
步骤S6：判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“步骤S2”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“步骤S8”。
步骤S7：判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“步骤S3”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“步骤S8”。
步骤S8：判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比。WHNRL(M-1)表示第M-1层低频时域信号对应的总加权谐噪比，WHNRY(N-1)表示第N-1层振动时域信号对应的总加权谐噪比，当M＝N＝1时，WHNRL0表示初始时低频时域信号对应的加权谐噪比，WHNRY0表示初始时振动时域信号对应的加权谐噪比。
步骤S9：基于不同故障对应的加权谐噪比确定故障诊断结果。
下面对各个步骤进行详细论述：
步骤S1：采集循环水泵运行过程中的振动时域信号，并对所述振动时域信号进行低通滤波处理，获得低频时域信号。本实施例中，将预制故障件分别安装在循环水泵泵体上，分别在轴承外壳中部的两个正交方向(X轴和Y轴)和基座上垂直方向(Z轴)布置振动测点，在振动测点上安装振动传感器，通过振动传感器监测循环水泵运行过程中的振动时域信号。具体地，采样时长为t，采样频率为fz，上述振动时域信号为高频振动时域信号。
本实施例中，利用低频滤波器进行低通滤波处理的，所述低频时域信号为0-2KHz的振动时域信号。
故障特征会在低频基频区和中高频共振区共同体现，但共振区域往往能量较高，在级联VMD中容易掩盖掉低频区域信号特征从而造成信息丢失。针对上述问题，本发明专利将同时对低频时域信号与原始信号(即振动时域信号)共同处理，保证信号特征的完整性。
步骤S2：以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数。步骤S3：以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数。
初始化参数设置有迭代步数、绝对误差限、多尺度分步优化α和最小跨度。本实施例中，绝对误差限设置为5e-6，迭代步数设置为500，最小跨度设置为10。采用本发明公开的级联VMD模型，能够显著减少计算量，提高运算效率。
级联VMD模型的整体框架是变分问题，分解目的是使得每个模态的估计带宽之和最小，其中假设每个“模态”是具有不同中心频率的有限带宽，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态即相应的中心频率被一同提取出来。
级联VMD模型是在VMD的基础上提出的，主要的分解思路是将本征模态函数个数和平衡因子分别优化，首先将分解中本征模态的个数设置为1，利用最小跨度为10的多尺度分步优化方法，以总加权谐噪比为优化目标选取最佳平衡因子，可以大幅减少计算量；然后继续设置本征模态的个数为1，结合前述最佳平衡因子，进行VMD并逐层分解；最后得到最佳本征模态函数，避免传统参数优化方法过分解和欠分解问题。
步骤S4：基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN。
步骤S41：对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果。非平稳信号包括低频时域信号、振动时域信号、第N层振动时域信号分解后得到的本征模态函数或第N层低频时域信号分解后得到的本征模态函数。
1.5维谱解调原理如下：
随机非平稳信号x(t)的三阶累积量R3x(τ1,τ2)定义为：
R3x(τ1,τ2)＝E{x(t)x(t+τ1)x(t+τ2)} (1)；
式中：E为数学期望；τ1,τ2为不同的时间延迟，R3x(τ1,τ2)为主对角切片。
取τ1＝τ2＝τ得三阶累积量的主对角切片为:
R3x(τ,τ)＝E{x(t)x(t+τ)x(t+τ)} (2)。
1.5维定义为对角切片R3x(τ,τ)的一维傅里叶变换，即:
式中：B(ω)为傅里叶变换后的对角切片。
本发明利用1.5维谱对前述分解结果进行调处理，此方法在谱分析中能有效抑制高斯白噪声、剔除非耦合谐波分量，并在复合故障中有效体现信号中的非线性耦合特征。
步骤S42：基于1.5维谱解调结果构建加权谐噪比公式，具体公式为：
其中，WHNRf为加权谐噪比，x为1.5维谱解调结果，fa为中间变量，rx为对输入信号计算自相关，τp为rx自相关函数的位置偏移量，rx(τp)为偏移量对应的幅值，rx(0)为自相关函数总能量，i为加权范围，f为理论故障频率，fw为当前故障频率下的HNR权重，n为正整数。
步骤S43：基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率；所述滚动轴承相关参数包括循环水泵转速、轴承直径、滚子尺寸以及装配尺寸；各故障包括内圈故障、外圈故障、滚动体故障及保持架故障；fi、fo、fr和fc分别表示滚动轴承内圈故障对应的特征频率、外圈故障对应的特征频率、滚动体故障对应的特征频率及保持架故障对应的特征频率。
步骤S44：将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比。
步骤S45：基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比，具体公式为：
其中，WHNR为所有故障模式下的总加权谐噪比，为内圈故障对应的加权谐噪比，/>为外圈故障对应的加权谐噪比，/>为滚动体故障对应的加权谐噪比，/>为保持架故障对应的加权谐噪比。
将低频时域信号下各故障的特征频率代入公式(4)和(5)，获得初始时低频时域信号对应的总加权谐噪比WHNRL0。
将振动时域信号下各故障的特征频率代入公式(4)和(5)，获得初始时振动时域信号对应的总加权谐噪比WHNRY0。
将第M层低频时域信号分解后得到的本征模态函数下各故障的特征频率代入公式(4)和(5)，获得第M层低频时域信号对应的总加权谐噪比WHNRLM。
将第N层振动时域信号分解后得到的本征模态函数下各故障的特征频率代入公式(4)和(5)，获得第N层振动时域信号对应的总加权谐噪比WHNRYN。
步骤S9：基于不同故障对应的加权谐噪比确定故障诊断结果，具体包括：
步骤S91：确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值。
本实施中，存在两种计算不同故障对应的加权谐噪比阈值的方法，第一种方法可以根据实际需求进行给定；第二种方法可以按照正态分布3σ原则确定每一故障对应的加权谐噪比阈值。
步骤S92：判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障。
步骤S93：判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障。
步骤S94：判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障。
步骤S95：判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
实施例2
本发明还公开一种基于改进级联变分模态分解的轴承故障诊断系统，所述系统包括：
低通滤波处理模块，用于采集循环水泵运行过程中的振动时域信号，并对所述振动时域信号进行低通滤波处理，获得低频时域信号。
第一分解模块，用于以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数。
第二分解模块，用于以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数。
第一总加权谐噪比确定模块，用于基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN。
第二总加权谐噪比确定模块，用于基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM。
第一判断模块，用于判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“第一分解模块”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“第三判断模块”。
第二判断模块，用于判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“第二分解模块”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“第三判断模块”。
第三判断模块，用于判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比。
故障诊断结果确定模块，用于基于不同故障对应的加权谐噪比确定故障诊断结果。
作为一种可选的实施方式，本发明所述第一总加权谐噪比确定模块，具体包括：
解调处理单元，用于对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果；非平稳信号包括第N层振动时域信号分解后得到的本征模态函数。
加权谐噪比公式构建单元，用于基于1.5维谱解调结果构建加权谐噪比公式。
特征频率计算单元，用于基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率。
加权谐噪比计算单元，用于将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比。
总加权谐噪比计算单元，用于基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比WHNRYN。
第二总加权谐噪比确定模块与第一总加权谐噪比确定模块具有相同的组成单元，在此处不再逐一论述。
作为一种可选的实施方式，本发明所述故障诊断结果确定模块，具体包括：
加权谐噪比阈值确定单元，用于确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值。
第一判断单元，用于判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障。
第二判断单元，用于判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障。
第三判断单元，用于判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障。
第四判断单元，用于判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于改进级联变分模态分解的轴承故障诊断方法，其特征在于，所述方法包括：
步骤S1：采集循环水泵运行过程中的振动时域信号，对所述振动时域信号进行低通滤波处理，获得低频时域信号；
步骤S2：以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数；
步骤S3：以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数；
步骤S4：基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN；
步骤S5：基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM；
步骤S6：判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“步骤S2”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“步骤S8”；
步骤S7：判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“步骤S3”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“步骤S8”；
步骤S8：判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；
步骤S9：基于不同故障对应的加权谐噪比确定故障诊断结果。
2.根据权利要求1所述的基于改进级联变分模态分解的轴承故障诊断方法，其特征在于，所述基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN，具体包括：
对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果；非平稳信号包括第N层振动时域信号分解后得到的本征模态函数；
基于1.5维谱解调结果构建加权谐噪比公式；
基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率；
将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比；
基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比WHNRYN。
3.根据权利要求2所述的基于改进级联变分模态分解的轴承故障诊断方法，其特征在于，所述滚动轴承相关参数包括循环水泵转速、轴承直径、滚子尺寸以及装配尺寸；各故障包括内圈故障、外圈故障、滚动体故障及保持架故障。
4.根据权利要求1所述的基于改进级联变分模态分解的轴承故障诊断方法，其特征在于，所述基于不同故障对应的加权谐噪比确定故障诊断结果，具体包括：
确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值；
判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障；
判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障；
判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障；
判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
5.一种基于改进级联变分模态分解的轴承故障诊断系统，其特征在于，所述系统包括：
低通滤波处理模块，用于采集循环水泵运行过程中的振动时域信号，并对所述振动时域信号进行低通滤波处理，获得低频时域信号；
第一分解模块，用于以所有故障模式下的总加权谐噪比为目标，将振动时域信号输入到级联变分模态分解模型中进行分解，获得第N层振动时域信号分解后得到的本征模态函数；
第二分解模块，用于以所有故障模式下的总加权谐噪比为目标，将低频时域信号输入到级联变分模态分解模型中进行分解，获得第M层低频时域信号分解后得到的本征模态函数；
第一总加权谐噪比确定模块，用于基于第N层振动时域信号分解后得到的本征模态函数确定第N层振动时域信号对应的总加权谐噪比WHNRYN；
第二总加权谐噪比确定模块，用于基于第M层低频时域信号分解后得到的本征模态函数确定第M层低频时域信号对应的总加权谐噪比WHNRLM；
第一判断模块，用于判断WHNRYN是否小于WHNRY(N-1)；如果WHNRYN大于或等于WHNRY(N-1)，则令N＝N+1，并将第N层振动时域信号分解后得到的本征模态函数作为振动时域信号，并返回“第一分解模块”；如果WHNRYN小于WHNRY(N-1)，则输出WHNRY(N-1)和第N-1层振动时域信号分解后得到的本征模态函数，并执行“第三判断模块”；
第二判断模块，用于判断WHNRLM是否小于WHNRL(M-1)；如果WHNRLM大于或等于WHNRL(M-1)，则令M＝M+1，并将第M层低频时域信号分解后得到的本征模态函数作为低频时域信号，并返回“第二分解模块”；如果WHNRLM小于WHNRL(M-1)，则输出WHNRL(M-1)和第M-1层低频时域信号分解后得到的本征模态函数，并执行“第三判断模块”；
第三判断模块，用于判断WHNRY(N-1)是否大于WHNRL(M-1)；如果WHNRY(N-1)大于WHNRL(M-1)，则基于第N-1层振动时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；如果WHNRY(N-1)小于或等于WHNRL(M-1)，则基于第M-1层低频时域信号分解后得到的本征模态函数确定不同故障对应的加权谐噪比；
故障诊断结果确定模块，用于基于不同故障对应的加权谐噪比确定故障诊断结果。
6.根据权利要求5所述的基于改进级联变分模态分解的轴承故障诊断系统，其特征在于，所述第一总加权谐噪比确定模块，具体包括：
解调处理单元，用于对非平稳随机信号进行1.5维解调处理，得到非平稳随机信号对应的1.5维谱解调结果；非平稳信号包括第N层振动时域信号分解后得到的本征模态函数；
加权谐噪比公式构建单元，用于基于1.5维谱解调结果构建加权谐噪比公式；
特征频率计算单元，用于基于机械振动学和包络分析原理，利用滚动轴承相关参数计算非平稳信号下各故障对应的特征频率；
加权谐噪比计算单元，用于将各故障对应的特征频率代入加权谐噪比公式，获得不同故障对应的加权谐噪比；
总加权谐噪比计算单元，用于基于不同故障对应的加权谐噪比计算所有故障模式下的总加权谐噪比WHNRYN。
7.根据权利要求6所述的基于改进级联变分模态分解的轴承故障诊断系统，其特征在于，所述滚动轴承相关参数包括循环水泵转速、轴承直径、滚子尺寸以及装配尺寸；各故障包括内圈故障、外圈故障、滚动体故障及保持架故障。
8.根据权利要求5所述的基于改进级联变分模态分解的轴承故障诊断系统，其特征在于，所述故障诊断结果确定模块，具体包括：
加权谐噪比阈值确定单元，用于确定不同故障对应的加权谐噪比阈值，具体包括：内圈故障对应的加权谐噪比阈值、外圈故障对应的加权谐噪比阈值、滚动体故障对应的加权谐噪比阈值和保持架故障对应的加权谐噪比阈值；
第一判断单元，用于判断内圈故障对应的加权谐噪比是否小于内圈故障对应的加权谐噪比阈值；如果内圈故障对应的加权谐噪比/>小于内圈故障对应的加权谐噪比阈值，则说明正常；如果内圈故障对应的加权谐噪比/>大于或等于内圈故障对应的加权谐噪比阈值，则说明存在内圈故障；
第二判断单元，用于判断外圈故障对应的加权谐噪比是否小于外圈故障对应的加权谐噪比阈值；如果外圈故障对应的加权谐噪比/>小于外圈故障对应的加权谐噪比阈值，则说明正常；如果外圈故障对应的加权谐噪比/>大于或等于外圈故障对应的加权谐噪比阈值，则说明存在外圈故障；
第三判断单元，用于判断滚动体故障对应的加权谐噪比是否小于滚动体故障对应的加权谐噪比阈值；如果滚动体故障对应的加权谐噪比/>小于滚动体故障对应的加权谐噪比阈值，则说明正常；如果滚动体故障对应的加权谐噪比/>大于或等于滚动体故障对应的加权谐噪比阈值，则说明存在滚动体故障；
第四判断单元，用于判断保持架故障对应的加权谐噪比是否小于保持架故障对应的加权谐噪比阈值；如果保持架故障对应的加权谐噪比/>小于保持架故障对应的加权谐噪比阈值，则说明正常；如果保持架故障对应的加权谐噪比/>大于或等于保持架故障对应的加权谐噪比阈值，则说明保持架故障。
CN202111550528.2A 2021-12-17 2021-12-17 基于改进级联变分模态分解的轴承故障诊断方法及系统 Active CN114235408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111550528.2A CN114235408B (zh) 2021-12-17 2021-12-17 基于改进级联变分模态分解的轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111550528.2A CN114235408B (zh) 2021-12-17 2021-12-17 基于改进级联变分模态分解的轴承故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN114235408A CN114235408A (zh) 2022-03-25
CN114235408B true CN114235408B (zh) 2023-08-29

Family

ID=80757693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111550528.2A Active CN114235408B (zh) 2021-12-17 2021-12-17 基于改进级联变分模态分解的轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114235408B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116242612B (zh) * 2023-01-09 2023-11-21 广东海洋大学 一种故障诊断方法、装置、介质及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110186682A (zh) * 2019-07-08 2019-08-30 石家庄铁道大学 基于分数阶变分模态分解的滚动轴承故障诊断方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN113158896A (zh) * 2021-04-21 2021-07-23 中国民航大学 一种传递路径下的滚动轴承滚动体微弱故障特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110186682A (zh) * 2019-07-08 2019-08-30 石家庄铁道大学 基于分数阶变分模态分解的滚动轴承故障诊断方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN113158896A (zh) * 2021-04-21 2021-07-23 中国民航大学 一种传递路径下的滚动轴承滚动体微弱故障特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测;吕明珠等;《振动与冲击》;全文 *

Also Published As

Publication number Publication date
CN114235408A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Wang et al. A deep learning method for bearing fault diagnosis based on time-frequency image
Zhu et al. Rotor fault diagnosis using a convolutional neural network with symmetrized dot pattern images
Peng et al. An intelligent fault diagnosis method for rotating machinery based on data fusion and deep residual neural network
CN109827777B (zh) 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
Kong et al. Attention recurrent autoencoder hybrid model for early fault diagnosis of rotating machinery
Xu et al. Multireceptive field denoising residual convolutional networks for fault diagnosis
Jiang et al. Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm
Zhao et al. A fault diagnosis method for rotating machinery based on CNN with mixed information
CN108256556A (zh) 基于深度信念网络的风力发电机组齿轮箱故障诊断方法
Chen et al. Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN115563553A (zh) 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法
Xu et al. Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems
Wang et al. Rolling bearing fault diagnosis method based on improved residual shrinkage network
Mousavi et al. Dictionary learning-based damage detection under varying environmental conditions using only vibration responses of numerical model and real intact State: Verification on an experimental offshore jacket model
CN114235408B (zh) 基于改进级联变分模态分解的轴承故障诊断方法及系统
CN115130495A (zh) 一种滚动轴承故障预测方法及系统
Wei et al. WSAFormer-DFFN: A model for rotating machinery fault diagnosis using 1D window-based multi-head self-attention and deep feature fusion network
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
Yu et al. Remaining useful life prediction of planet bearings based on conditional deep recurrent generative adversarial network and action discovery
Liu et al. Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing
Shi et al. A novel rotating machinery fault diagnosis method based on adaptive deep belief network structure and dynamic learning rate under variable working conditions
Zhang et al. Compound Fault Diagnosis for Gearbox Based Using of Euclidean Matrix Sample Entropy and One‐Dimensional Convolutional Neural Network
Ding et al. Deep time–frequency learning for interpretable weak signal enhancement of rotating machineries
Li et al. Deep transient feature learning for weak vibration signal detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant