一种变工况下的滚动轴承故障诊断方法

摘要

本发明为一种变工况下的滚动轴承故障诊断方法，利用Hilbert-Huang变换提取信号的特征向量，对信号EMD分解得到若干IMF，选取有用的IMF分别进行Hilbert变换，得到解析信号Hi(t)，并对其取各自包络组成特征向量w；然后利用奇异值分解法对w进行奇异值分解，将奇异值矩阵作为最终故障特征向量。将滚动轴承四种模式下的奇异值矩阵作为输入，将四种模式对应的四种矩阵作为输出，训练Elman神经网络。当滚动轴承发生故障时，通过训练好的Elman神经网络对t时刻信号的分析判断，可判断滚动轴承是否出现故障并准确定位发生故障的方位。本发明能有效地完成变工况下的滚动轴承故障模式的分类，且保持较高精度。

主权项

一种变工况下的滚动轴承故障诊断方法，包括步骤一、获取滚动轴承在正常状态、内圈故障、外圈故障和滚动单体故障四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含n个采样数据；其特征在于，利用Hilbert‑Huang和奇异值分解相结合进行滚动轴承故障特征提取，具体继续下面步骤：步骤二、对每组时域信号分别进行Hilbert‑Huang变换处理，处理过程为：步骤2.1：对待处理的时域信号进行经验模态分解，得到基本模态分量，基本模态分量包含了该时域信号的不同时间尺度的局部特征信号；步骤2.2：选取前k个基本模态分量，对选取的每个基本模态分量分别做Hilbert变换并解析，得到解析结果H₁(t)～H_k(t)，对H₁(t)～H_k(t)取其各自包络，依次得到k个包络线abs₁、abs₂、abs₃、…、abs_k，k个包络线组成特征向量空间w，w＝[abs₁；abs₂；…,abs_k]；对选取的每一个IMF分量做Hilbert变换，然后得到IMF分量c_i(t)(1≤i≤k)的解析结果为：式中，j表示虚位，表示IMF分量c_i(t)的Hilbert变换结果，τ表示卷积计算中时间变量t的延迟；a(t)为幅值函数，表示信号每个采样点的瞬时幅度能量；$a\left(t\right)=\sqrt{c_i^2\left(t\right)+{\tilde{c}}_i^2\left(t\right)}$为相位函数，表示信号每个采样点的瞬时相位，对求导得到瞬时频率；对k个IMF分量分别进行如上的Hilbert变换，得到解析结果H₁(t)～H_k(t)；步骤三、对每组时域信号得到的特征向量空间进行奇异值分解，获取代表特征向量空间固有特征的奇异值矩阵；步骤四、建立并训练滚动轴承故障诊断定位系统；所述的故障诊断定位系统采用Elman神经网络实现，输入为滚动轴承各个状态下时域信号的奇异值矩阵，输出为代表滚动轴承的四种状态的输出矩阵，输出矩阵(1,0,0,0)对应正常状态，输出矩阵(0,1,0,0)对应内圈故障状态，输出矩阵(0,0,1,0)对应外圈故障状态，输出矩阵(0,0,0,1)对应滚动单体故障状态，将包含四种状态的滚动轴承时域信号的奇异值矩阵以及各状态下的输出矩阵作为训练集对Elman神经网络进行训练，保存训练好的神经网络作为判断网络；步骤五、实时采集变工况下的滚动轴承工作振动信号，将采集的振动信号通过步骤二和步骤三的处理后，得到对应的奇异值矩阵，将对应的奇异值矩阵作为已训练好的神经网络的输入，根据神经网络的输出结果对滚动轴承进行实时故障检测及故障定位。