强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断方法

技术领域

本发明属于旋转类机械故障诊断领域，尤其涉及强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断。

背景技术

大型矿山装备关键部件结构复杂，工况环境恶劣，长期处在低速、重载、高冲击载荷和高粉尘下工作，装备中关键旋转件如滚动轴承如果发生故障，会导致装备停产，造成重大的经济损失，甚至会造成重大的安全事故。据统计，矿山装备中50％的机械故障是由滚动轴承引起的。

高压辊磨机是一种典型的大型矿山装备，具有较高的节能增产效果，已经在建材、化工、矿山等领域得到广泛应用。高压辊磨机双辊滚动轴承是保证辊磨机平稳运行关键性零部件，由于高压辊磨机双辊滚动轴承存在负载较大、运行周期长、运行环境恶劣，滚动轴承易损坏，导致使用寿命周期缩短。轴承损坏后，维修周期长费用高，导致较大的经济损失。此外，高压辊磨机运行环境恶劣，传感器反映的信息具有较大的不确定性。如有用信息量匮乏或干扰信号的影响，导致强背景噪声。因此，强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断至关重要。

高压辊磨机滚动轴承早期故障十分微弱，系统中存在强噪声的干扰。滚动轴承的振动传递方向复杂多变，具有较大的非线性、非平稳性，给故障特征的提取造成了很大的困难。有效提纯降噪滚动轴承原始故障信号，增强信号中微弱冲击成分，是进行高压辊磨机滚动轴承故障诊断的关键。

传统滚动轴承故障诊断方法，如小波降噪，经验模态分解(EMD)，局部均值分解(LMD)等难以实现对采集信号自适应小波基和分解层数选取，缺乏严格的数学理论。集合经验模态分解(EEMD)通过加入高斯白噪声可有效避免EMD、LMD等信号分解产生的模态混叠、端点效应问题。快速谱峭度(FKU)通过设计带通滤波器找出峭度最大的周期性冲击成分。最大相关解卷积(MCKD)采用盲解卷积方法设计出‘特殊滤波器’以增强被强噪声吞噬的周期性脉冲成分和非周期性微弱冲击，提高原始信号的峭度值，非常适用于在强背景噪声下提取微弱故障信号的瞬态冲击。

然而，由于强背景噪声的存在，仅使用EEMD、FKU方法难以获得良好诊断效果-诊断出轴承故障频率能量较低，倍频基数较少，诊断效果不佳。MCKD算法参数的选定较为模糊且过度依赖人工经验知识，参数的好坏直接影响到最终诊断效果。

本发明提出了EEMD-FKU-PMCKD智能诊断方案，解决了MCKD算法中参数难以确定问题和强背景噪声下轻微故障特征难提取问题，对原始信号实现降噪提纯，并进一步增强故障冲击成分，使滚动轴承在强背景噪声下的故障诊断更加精准。

发明内容

针对现有技术中缺陷与不足的问题，本发明提出了一种强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断方法。

本发明解决其技术问题所采用的技术方案是：

强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断方法，包括如下步骤：

S1：获取信号

使用加速度传感器对高压辊磨机双辊滚动轴承进行数据采集，得到带有强噪声的振动加速度信号；所采集的振动加速度信号为径向方向。

S2：对噪声振动信号进行多尺度分解

将原始输入信号用集合经验模态分解技术进行信号分解除噪，产生多尺度的本征模态分量；

S3：重构信号。通过互相关系数和峭度阈值筛选出IMF分量中相关性最强子信号进行信号重构；

S4：对重构信号进行快速谱峭度滤波，做出重构信号的快速谱峭度图，用来确定信号峭度值最大时对应的中心频率、频带宽度和层数，实现一次滤波，得到滤波信号。

S5：确定参数优化范围。通过滤波信号包络谱中突出频率确定解卷积周期T

S6：对一重滤波信号做特征增强。记录MCKD中最佳组合参数[L，T，M]，回代到MCKD模型中，对一重滤波信号做解卷积特征增强。

S7：故障识别。对特征增强信号通过包络处理提取出滚动轴承故障特征，并与传动系统中轴承理论故障频率进行对比，得出诊断结果，实现故障诊断。

本发明具有如下有益效果：

1.本发明提出了EEMD-FKU-PMCKD智能诊断方案，EEMD技术克服传统分解类算法产生的模态混叠、端点效应等问题，对原始信号实现降噪提纯。

2.MCKD,FKU有较强的数学理论支撑，同时FKU能找出峭度最大的周期性冲击成分使得故障成分得以显现，MCKD使得故障成分进一步增强，突出故障。PSO优化算法自适应搜索MCKD模型中参数，克服了MCKD参数难以确定的难题。

3.本发明提出了EEMD-FKU-PMCKD智能诊断方案，实现参数自适应选取，解决了过度依赖于先验知识和强背景噪声下轻微故障特征难提取问题，使滚动轴承在强背景噪声下的故障诊断更加精准。

附图说明

图1是强噪声信号处理流程图

具体实施方式

下面结合附图1对本发明的具体实施方式进行详细说明。

强背景噪声下的高压辊磨机滚动轴承EEMD-FKU-PMCKD微弱故障诊断方法，包括如下步骤：

S1：获取信号

使用加速度传感器对高压辊磨机双辊滚动轴承进行数据采集，得到带有强噪声的振动加速度信号；所采集的振动加速度信号为径向方向。

S2：对多尺度信号进行分解

将原始输入信号用集合经验模态分解技术(EEMD)进行信号分解除噪，产生多尺度的本征模态分量(IMF)；

步骤S2具体为：利用EEMD算法将原始信号进行分解成IMF分量，本质是把信号进行离散降噪处理，选出最大信噪比分量的过程。步骤如下：

S21：在原始信号x(t)中加入I次幅值水平为k的高斯白噪声n

z

式中：i∈[1,I]，k取(0.05-0.25)，I取(100-200)。

S22：使用EMD对z

式中：c

S23：计算I组中对应IMF的平均值后得到EEMD分解后的IMF和余项r

式中：c

S24：最后得到原始信号EEMD分解结果：

S3：重构信号。通过互相关系数和峭度阈值筛选出IMF分量中相关性最强子信号进行信号重构；

S31：计算各子信号峭度值。轴承正常运转时信号的峭度值较小，大于3时则认为含有较多的冲击成。公式如下

式中：N为信号段数，d信号长度，u为信号的平均值，σ为信号的标准差值。

S32：计算子信号和原始信号互相关系数值。互相关系数是用来计算两个变量之间的线性相似程度，表征两个信号的关联程度，互相关系数越大，则关联程度就越强。公式如下

其中：x，y为时域信号

S33：IMF最优分量评定。从所有IMF中筛选出峭度值大于峭度阈值且互相关系数大于互相关阈值的IMF作为最优分量，选取两者共有IMF进行信号重构。在两者联合使用下使得重构信号更加有效逼近原始信号且能够有效降低噪声的影响，突出故障成分。

S4：对重构信号进行快速谱峭度(FKU)滤波，做出重构信号的快速谱峭度图，用来确定信号峭度值最大时对应的中心频率、频带宽度和层数，实现一次滤波，得到滤波信号。

步骤S4具体为：快速谱峭度(FKU)算法对重构信号进行一重滤波提纯。

S41：建立谱峭度理论框架

在非平稳情况下，信号X(t)的激励响应为Y(t)，则频谱Y(t)可表示为

其中：H(t,f)为信号Y(t)在频率f处的复包络的时变传递函数，通常采用STFT变换计算得到。

式中：γ(τ)为时间宽度很小的时窗函数。

基于四阶谱累积量的谱峭度定义为：

S

式中：S

因此，谱峭度为能量归一化的4阶谱累计量，用来度量一个过程在某一频率上的概率密度函数的峰值大小，即：

S42：滤波器设计。基于塔式算法的Fast Kurtogram概念设计滤波器并提高计算效率。

S421：构建低通滤波器h

h

h

式中：h

S422：对重构信号进行带通滤波，滤波结果做2倍降采样处理，迭代进行，获得相应的滤波结果并计算对应峭度值。

S423：重复步骤S422，汇总所有谱峭度。得到(f,Δf)的二维图形—快速峭度图。通过图中所得信息对信号进行滤波，得到一次滤波信号。

S5：确定参数优化范围。通过滤波信号包络谱中突出频率确定解卷积周期T

S51：采用PSO算法对MCKD中的参数全局寻优。PSO算法中速度更新公式及位置更新公式为：

其中；d为粒子维数，取d＝2。q＝0，1,2,3...，q是种群规模，取q＝10。h是迭代次数，H为最大迭代次数，取H＝30。

PSO算法通过计算粒子适应度挑选出全局最优粒子，反复更新粒子速度和位置，最终达到收敛条件，输出最佳优化参数。

S52:对PSO算法进行参数配置

初始化粒子位置和速度，设置群体粒子个数N＝10，粒子维数d＝2，最大迭代次数H＝30，学习因子c

S53：确定MCKD各参数寻优范围。

PSO算法对MCKD参数搜索范围滤波器长度[20,200]，移位数[1,7],解卷积周期[T

S6：对一重滤波信号做特征增强。记录MCKD中最佳组合参数[L，T，M]，回代到MCKD模型中，对一重滤波信号做解卷积特征增强。

S61：确定轴承噪模型。

y

式中：y

S62：进行特征增强

S621：对响应输出信号进行FIR(有限冲击响应滤波器)处理。

逆滤波函数可表示为：

式中：f＝[f

S622：求解滤波器系数f，公式如下：

其中：CK

通过故障特征频率f

式中：f

S623：MCKD以每段信号的最大相关峭度最大值为目标函计算数滤波器系数L，公式如下：

为了得到滤波器系数f，对式(19)求f的偏导

通过S621-S622可解的f，即：

式中：

S624：将得到的最终迭代滤波器系数代入式(18)，得到实际采集信号y的解卷积增强信号x。

S7：故障识别。对特征增强信号通过包络处理提取出滚动轴承故障特征，并与传动系统中轴承理论故障频率进行对比，得出诊断结果，实现故障诊断；

S71：由轴承尺寸参数、载荷和转速信息等条件，通过理论公式计算出故障频率。具体公式如下(理想化使用条件：1.滚动轴承没有滑动；2.滚动轴承几何尺寸几乎没有变化；3.轴承外圈固定不旋转)

内圈故障公式：

外圈故障公式：

保持架故障公式：

滚动体故障公式：

式中：D为滚道节径(径向两个滚动体之间的距离)，d为滚动体直径，z为滚动体数目，f

S72：对解卷积增强信号进行包络分析。从包络谱提取的目标频率值与理论故障频率值对比得到滚动轴承故障诊断结果，具体做法如下。

S721：判断所述包络谱图中频率范围是否包含所述外圈故障频率内圈故障频率滚动体故障频率保持架故障频率及其多倍频率。

S722：若有，则认为轴承发生故障。

S723：若无，则认为轴承正常。

S724：确定故障类型，输出诊断结果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。