一种基于奇异值分解与变分模态分解的轴承诊断方法与流程

1.本发明涉及一种基于奇异值分解与变分模态分解的轴承诊断方法。


背景技术：

2.主轴轴承作为加工中心主轴的核心部件之一，其运行状态与设备的工 作性能有着密切的联系。现有主轴轴承的更换及维护方案是通过人为经验 或设备报警提醒来进行，易造成轴承使用寿命的浪费和未及时更换轴承所 导致设备停运，不能达到预防性维护。而通过故障诊断的健康维护方法掌 握轴承的运行状况，实时监控轴承的运行状态，当出现微弱故障时能够及 时识别，为轴承的更换及维护计划提供依据，达到预防性维护的效果，能 够有效防止因其损坏而导致设备停止运行所造成的重大损失。
3.现有高速加工中心电主轴转速和加工精度较高，转速一般都在每分钟 10000转以上，主轴刀具跳动在0.01以内。主轴轴承损坏，将导致主轴抱 死，设备停止运行，并对设备造成损害，影响生产。因此需要了解轴承的 运行状态，利用采集得到的轴承振动信号，并对振动信号进行分析，识别 早期轴承故障，做好相应的维护及更换方案。如果依靠人为经验或依靠设 备报警提醒，来对轴承进行维护及更换将会对设备使用功能造成一定的损 害，而设备故障将会使企业的生产停止，并且采购过程十分漫长，造成严 重的经济损失
4.cn101819093a为掘进机截割头主轴轴承故障诊断装置及其使用方法。 本装置为中心处理单元监测器经信号调理电路连接安装于掘进机截割头主 轴前轴承外壳、后轴承外壳分别的加速度传感器。监测器为嵌入式实时多 任务操作系统包括原始信号振动量监测、信号特征提取、维修指导模块。本装 置使用方法为对主轴前后轴承振动信号在线测量获得主轴轴承磨损故障特征频 谱，故障特征频谱和相应的维修指导存储于监测器中；再由在线监测信号提取 信号特征，与频谱比较分析诊断决策，给出主轴轴承磨损故障维修指导意见。 本发明克服掘进机截割头振动量大、工作环境恶劣等困难，可靠地识别掘进机 截割头主轴轴承磨损故障，适合于掘进机截割头中广泛存在的机械故障诊断。
5.cn101832857a公开电子束焊机高速闪频观察装置主轴轴承故障诊断的方 法，为采用概率支持向量机算法对电子束焊机高速闪频观察装置旋转驱动部分 主轴轴承损伤故障进行分类和诊断的方法。第一步对典型损伤状态、正常状态 主轴轴承试件的振动测试获得不同状态振动信号，作为概率支持向量机训练样 本集，获得训练好的概率支持向量机故障特征数据库；第二步实测工作状态下 主轴轴承振动信号，作为训练好的概率支持向量机故障特征数据库输入，求解 归类，诊断主轴轴承是否存在损伤故障。本法克服主轴轴承特征信息不充分的 缺陷，在小样本条件下，提取出轴承的损伤故障特征。准确诊断识别电子束焊 机高速闪频观察装置主轴轴承损伤故障。
6.cn113569685a公开了机床主轴轴承故障诊断模型建立、故障诊断方法和系 统，属于机床主轴故障诊断领域。采集机床主轴轴承工作时的信号，构建少量 有标签样本数据集，生成随机噪声样本；建立生成对抗网络，其中的判别器仅 在输入有标签样本时结合actor-critic算法；训练过程包括：将随机噪声样本 输入生成器后输出生成样本，计算与
无标签样本的分布距离作为生成器的损 失，将生成样本和无标签样本输入判别器计算其无监督损失，将有标签样本输 入判别器后，根据actor-critic算法计算其有监督损失；根据生成器的损失和 判别器的无监督损失与有监督损失之和更新生成对抗网络参数；训练结束后， 将判别器作为机床主轴故障诊断模型。本发明旨在使用半监督训练方式减少手 工标记样本的成本。
7.上述专利与本技术相关度低。


技术实现要素：

8.本发明所要解决的技术问题是克服了现有技术存在的上述问题，提供 了一种基于奇异值分解与变分模态分解的轴承诊断方法。
9.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用 来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者 暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语
ꢀ“
包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而 使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而 且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物 品或者设备所固有的要素。
10.为解决上述技术问题，本发明是采用如下技术方案实现的：
11.一种基于奇异值分解与变分模态分解的轴承诊断方法，使用奇异值分 解的方法对采集得到的振动信号进行去噪处理，对去噪后的信号进行变分 模态分解；依据峭度值选取原则，选取变分模态分解得到的k个模态分量 中有效的模态分量进行包络谱分析，识别轴承早期的微弱故障，确定故障 类型。
12.一种基于奇异值分解与变分模态分解的轴承诊断方法，具体包括 以下步骤：
13.第一步，将采集的轴承一维振动信号进行hankel矩阵的构造，通过 设置矩阵的维数m分解出m个奇异值，在所设定的维数m的基础上依次 增加矩阵的维数，确定矩阵的维数m；
14.第二步，将经过奇异值分解后的去噪信后输入至变分模态分解模型中， 利用变分模态分解算法内置的维纳滤波器将去噪后的的信号分解为一系列子模 态；
15.第三步，利用峭度值指标对故障信号敏感的特点，计算各模态分量的峭度 值，选取峭度值最大的模态分量，对该模态分量进行包络分析。
16.进一步地，第一步，在所设定的维数m的基础上依次增加矩阵的维数，随 着分解出的奇异值个数的增加，会从某一个奇异值开始其贡献率将会无限的趋 近于0，其趋近于0的奇异值将不会包含信号的有效信息，确定矩阵的维数m。
17.进一步地，通过计算奇异值贡献率确定hankel矩阵的维数，并对矩阵进 行奇异值分解，实现对输入信号的去噪。
18.进一步地，第二步，在每个子模态当中都存在着各自的带宽和中心频率 ωk，在分解过程中，每个子模态函数的带宽和中心频率都在迭代更新。
19.进一步地，第二步，通过构建变分模型分解每个信号的频带，得到预先设 定好尺度数的k个模态分量uk(t)。
20.进一步地，第三步，包络分析：从包络图中显示幅值，故障频率fi＝161.8hz， 与理
论计算值162.18hz相近。
21.进一步地，第三步，包络分析：从包络图中显示，2fi＝323.3hz的二倍频 与理论计算值324.36hz相近；
22.3fi＝486.3的三倍频与理论计算值486.54hz相近。
23.进一步地，第三步，包络分析：从包络图中显示，fr＝29.3hz转频和 fr＝58.59hz的二倍转频成分与理论计算值29.95hz、59.9hz相近。
24.进一步地，第三步，还包括在图像中故障特征频率峰值明显，识别故障特 征，确定轴承的故障类型。
25.与现有技术相比本发明的有益效果是：
26.本发明所采用的基于奇异值分解与变分模态分解相结合的方法能够有 效的去除主轴轴承在实际工况下的干扰成分，并能够有效的识别轴承的早 期微弱特征进行故障特征的提取，判断轴承的故障类型，为加工中心主轴 轴承的更换以及维修计划的制定提供依据。
27.本发明所采用的轴承故障诊断方法，将奇异值去噪与变分模态分解模 型各自的优势相结合，能够准确的判断轴承的故障类型，并能够有效的识 别轴承早期微弱的故障特征。利用该诊断方法能够对加工中心主轴轴承的 健康状态进行监测，合理安排更换采购时间可有效的避免因为零部件的更 换而导致的设备停机造成巨大的经济损失。
附图说明
28.下面结合附图对本发明作进一步的说明：
29.图1本发明所述一种基于奇异值分解与变分模态分解的轴承诊断方法 流程图；
30.图2原始信号时域图；
31.图3原始信号包络图；
32.图4奇异值贡献率示意图；
33.图5奇异值去噪后时域示意图；
34.图6a为模态分量1轴承信号的vmd分解图；
35.图6b模态分量2轴承信号的vmd分解图；
36.图6c模态分量3轴承信号的vmd分解图；
37.图6d模态分量4轴承信号的vmd分解图；
38.图6e模态分量5轴承信号的vmd分解图；
39.图6f模态分量6轴承信号的vmd分解图；
40.图6g模态分量7轴承信号的vmd分解图；
41.图7轴承信号的包络示意图。
具体实施方式
42.为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中， 自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元 件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过 参考附图描述的实施例是示例性的，
旨在用于解释本发明，而不能理解为对本 发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性 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。下面结合附 图对本发明的实施例进行详细说明。
43.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、
ꢀ“
前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、
ꢀ“
内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系， 仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必 须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护 范围的限制。
44.下面结合附图对本发明作详细的描述：
45.参阅图1，首先使用奇异值分解(svd)的方法对采集得到的振动信号进行 去噪处理。并对去噪后的信号进行变分模态分解(vmd)。最后依据峭度值选取 原则，来选取vmd分解得到的k个模态分量(imf)中有效的模态分量进行包 络谱分析进而识别轴承早期的微弱故障，确定故障类型。
46.轴承故障诊断使用方法：参阅图2、图3、图4、图5，第一步，将采集的 轴承一维振动信号进行hankel矩阵的构造，通过设置矩阵的维数m可以分解 出m个奇异值，并在所设定的维数m的基础上依次增加矩阵的维数，随着分 解出的奇异值个数的增加将会从某一个奇异值开始其贡献率将会无限的趋 近于0，其趋近于0的奇异值将不会包含信号的有效信息。因此确定了矩 阵的维数m。通过计算奇异值贡献率确定hankel矩阵的维数，并对矩阵 进行奇异值分解，实现对输入信号的去噪。
47.第二步，参阅图6a、图6b、图6c、图6d、图6e、图6f、图6g，将经 过奇异值分解后的去噪信后输入至变分模态分解模型中(vmd)利用该算 法内置的维纳滤波器将去噪后的的信号分解为一系列子模态。在每个子模 态当中都存在着各自的带宽和中心频率ωk。在分解过程中，每个子模态 函数的带宽和中心频率都在迭代更新。最后通过构建变分模型分解每个信 号的频带，得到预先设定好尺度数的k个模态分量uk(t)。
48.模态分量为vmd分解信号后得到的一系列子分量。
49.第三步，参阅图7，利用峭度值指标对故障信号敏感的特点，计算各模 态分量的峭度值，选取峭度值最大的模态分量，并对该模态分量进行包络 分析，从包络图中显示的幅值，可清晰的看到故障频率fi＝161.8hz，与理 论计算值162.18hz相近。同时还可以观察到2fi＝323.3hz的二倍频与理 论计算值324.36hz相近、3fi＝486.3的三倍频与理论计算值486.54hz 相近，以及fr＝29.3hz转频和fr＝58.59hz的二倍转频成分与理论计算值 29.95hz、59.9hz相近。并且在图像中没有其余峰值较高的频率成分，故 障特征频率峰值明显，能够有效的识别故障特征，确定轴承的故障类型。
ꢀ“
其余”表示包络图中没有明显的高频成分，即图中没有其余的明显高点。
50.奇异值分解方法对应的是第一步，奇异值分解方法是一种矩阵分解的 一种方法，利用矩阵变换将一个复杂矩阵分解出能表示其特征的多个子矩 阵，通过将一维振动信号转化为二维hankel矩阵，通过线性变化能够得到 一系列奇异值。
51.变分模态分解对应的是第二步，变分模态分解是将一维振动信号分解成多 个子信号(模态分量)，每个子信号中包含各自的宽带及中心频率，通过对每 个子信号进行峭度值计算，选取峭度值最大的模态分量进行包络分析判断轴承 的故障特征。
52.变分模态分解是一种自适应信号分解计算方法，是利用一系列计算公式对 一维信号进行变换，得到一系列分解出的子信号。
53.峭度值表示故障形成的大幅值脉冲出现的概率，峭度值越大冲击响应幅值 越大，故障现象越明显。
54.奇异值分解、变分模态分解、及峭度值均为现有技术通过不同模型的各自 优势将其结合，实现对轴承信号中的故障特征有效的识别，判断轴承的故障类 型。
55.峭度值表示故障形成的大幅值脉冲出现的概率，利用采样点数与采样点均 值进行计算的方法。
56.模态分量为vmd分解信号后得到的一系列子分量，模态分量不是数值，是 一系列子信号；峭度值是一个固定数值，依据峭度值的大小确定分解出的哪个 模态分量包含的故障信息丰富。峭度值越大包含的有效信息越丰富，峭度值越 小代表该子分量信号有效信息少。
57.依据轴承的滚动体直径、节径、轴承接触角、滚动体个数、转频能够计算 出轴承的理论故障特征频率(内圈、外圈、滚动体、保持架)；通过对实测信 号分解后得到的子信号进行峭度值计算选取其中包含信息丰富的子信号进行包 络分析得到实测信号的特征值，图中的高点即为特征值，通过实际特征值与理 论计算值进行对比判断该轴承属于何种故障，进而判断故障类型。
58.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发 明的保护范围之内。同时本说明书中未作详细描述的内容均属于本领域技 术人员公知的现有技术。