一种基于时域和时频域融合的电机轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115758083A(43)申请公布日2023.03.07(21)申请号202211406979.3G01M13/045(2019.01)(22)申请日2022.11.10G01H17/00(2023.01)(71)申请人华能南京金陵发电有限公司地址210034江苏省南京市栖霞经济技术开发区江乘大道8号(72)发明人颜佳桂张磊蔡峰李彬芝司磊许大通赵鹏刘建刚陆飞陆李平(74)专利代理机构北京睿博行远知识产权代理有限公司11297专利代理师杨丽娟(51)Int.Cl.G06F18/10(2023.01)G06F18/24(2006.01)G01M13/00(2019.01)权利要求书2页说明书8页附图4页(54)发明名称一种基于时域和时频域融合的电机轴承故障诊断方法(57)摘要本发明涉及电机轴承故障诊断方法领域，公开了提供的一种基于时域和时频域融合的电机轴承故障诊断方法，包括：利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理；对时频域指标进行VMD分解，获得最优参数，计算VMD分解后的各个IMF分量的峭度，并重构振动信号；根据各个IMF分量重构矩阵，进行SVD分解得到奇异值矩阵，选择各个IMF分量最大的奇异值组成故障特征向量；将提取到的时域指标和VMD‑SVD的特征向量进行融合，形成多维度信息的复合特征向量；把复合特征向量输入到支持向量机中进行训练与测试，最终实现故障类型的判别诊断。本发明提供了一种将时域指标与时频域上VMD‑SVD分解特征相融合并的算法，提高电机的滚动轴承故障诊断的准确性。CN115758083ACN115758083A权利要求书1/2页1.一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，包括以下步骤：S1、利用振动信号采集器对滚动轴承的时域指标和时频域指标进行数据采集与处理；S2、设定VMD分解参数，在设定的参数范围内，对时频域指标进行VMD分解，获得最优参数，计算VMD分解后的各个IMF分量的峭度，并重构振动信号；S3、根据各个IMF分量重构矩阵，进行SVD分解得到奇异值矩阵，选择各个IMF分量最大的奇异值组成故障特征向量；S4、将提取到的时域指标和VMD‑SVD分解提取的特征向量进行融合，形成多维度信息的复合特征向量；S5、把复合特征向量输入到支持向量机中进行训练与测试，最终实现故障类型的判别诊断。2.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，所述步骤S1中的时域指标包括：峭度，峰值因子，脉冲因子和裕度因子。3.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，所述步骤S2的具体过程为：S21、通过PSO优化算法对时频域指标进行参数初始化；S22、利用VMD分解算法将滤波后的振动信号分解为多个模态分量，并计算每个模态的峭度系数值；S23、设定当前的迭代次数未n，预先设定的最大迭代次数N；判断当前迭代次数n是否大于等于预先设定的最大迭代次数N，若是，则进入步骤S24，否则，则令n＝n+1，并返回步骤S22中；S24、保存最优参数并对最优参数进行VMD分解，分解为多个模态分量，计算出各模态分量的峭度系数值，选择最大的峭度系数值对应的模态分量进行信号合成；S25、对步骤S24中得到的合成信号滤波处理后，进行包络解调，生成包络谱；S26、根据步骤S25中得到的包络谱进行分析提取到故障特征向量。4.根据权利要求3所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，所述步骤S2中的参数为二次惩罚因子α和模态分量个数K。5.根据权利要求1所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，该方法还包括：根据采集到的振动信号确定电机轴承工作状态，然后不同的工作状态进行不同的调节。6.根据权利要求5所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，所述根据采集到的振动信号确定电机轴承工作状态具体为：将采集到的振动信号与预设预设的振动信号进行比较基于比较结果，确定当前电机轴承的工作状态，并传输至故障管理终端；其中，所述工作状态包括正常状态和故障状态；当所述工作状态为正常时，则不进行调节；当工作状态为故障时，则需要据发生故障的数量判断当前的故障等级同时进行预警处理，且故障类型包括：内圈故障、外圈故障以及滚动体故障。7.根据权利要求6所述的一种基于时域和时频域融合的电机轴承故障诊断方法，其特征在于，根据发生故障的数量判断当前的故障等级同时进行预警处理具体包括：预先设定预设故障状态程度矩阵A0，设定A0＝(A1,A2,A3)，其中，A1为第一预设故障状态程度，A2为第二预设故障状态程度度，H3为第三预设故障状态程度，其中A1＜A