本發(fā)明涉及軸承故障診斷，尤其涉及一種基于自適應參數(shù)fmd(featuremode?decomposition，特征模態(tài)分解)的航空發(fā)動機軸承故障診斷方法。

背景技術：

1、滾動軸承是航空發(fā)動機重要的旋轉部件，在運轉的過程中負責承受和傳遞載荷，與此同時滾動軸承長期處于高溫高壓高速的極端工作條件下，軸承故障也時有發(fā)生。如果不能及時發(fā)現(xiàn)軸承故障并處理，軸承的故障將會愈發(fā)嚴重，影響航空發(fā)動機的工作效率，甚至導致嚴重的安全事故。據(jù)統(tǒng)計，在各種類型的航空機械故障事故中，發(fā)動機旋轉部件的故障率高達80％，其中軸承故障占據(jù)一半以上。在已經(jīng)出現(xiàn)故障的軸承運轉時，會產(chǎn)生周期性的沖擊信號，通過傳感器采集軸承運轉的振動信號可以判斷軸承是否發(fā)生故障，但軸承的故障信號常常會受到環(huán)境噪聲的干擾和信號傳輸路徑的影響而無法準確高效地提取故障信息。因此，對基于振動信號的軸承故障診斷發(fā)明的深入研究十分重要。

2、信號分析是機械故障診斷研究與應用中的一個關鍵課題。它是一種提取故障特征，然后識別故障模式的工具。在這一領域，目前被廣泛應用的軸承故障檢測發(fā)明之一即為振動信號分析。然而，從振動數(shù)據(jù)分析軸承故障的主要障礙是信號易于被背景噪聲所淹沒，并與軸、齒輪等機械的振動信號混合，因此，設計一種有效的信號增強方法來減輕噪聲，突出故障特征就顯得十分重要。

3、針對滾動軸承信號具有的脈沖性、非線性的特點，目前存在多種診斷發(fā)明，包括：自適應變分模態(tài)分解(variational?mode?decomposition，vmd)故障特征提取發(fā)明；小波包分解(wavelet?packet?decomposition，wpd)；經(jīng)驗模態(tài)分解(empirical?modedecomposition，emd)以及完全自適應噪聲集合經(jīng)驗模態(tài)分解(complete?ensembleempirical?mode?decomposition?with?adaptive?noise，ceemdan)的滾動軸承故障診斷發(fā)明。這四種發(fā)明雖然有效，卻都有各自的局限性——wpd可能會產(chǎn)生大量的子帶，這導致分解出的某些子帶可能不包含有用的信息，增加了后續(xù)處理的復雜度和計算量；emd分解過程中容易產(chǎn)生端點效應和模態(tài)混疊問題；ceemdan需要添加多個噪聲輔助信號并進行多次emd分解，這導致其計算成本比emd高得多，對于大型數(shù)據(jù)集或實時應用存在問題，而且ceemdan并未解決端點效應問題；vmd的性能很大程度上取決于預設參數(shù)的選擇，如模態(tài)數(shù)量、懲罰因子和保真度。在處理信號端點時也可能產(chǎn)生端點效應。而且當選擇的模態(tài)數(shù)量不合適時，vmd可能會產(chǎn)生過分解或欠分解的現(xiàn)象。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是針對上述現(xiàn)有技術的不足，提供一種基于自適應參數(shù)fmd的航空發(fā)動機軸承故障診斷方法，通過設計的有限脈沖響應濾波器分解不同的模式，可以準確地分解故障模式，并對其他干擾和噪聲具有魯棒性。

2、為解決上述技術問題，本發(fā)明所采取的技術方案是：

3、一種基于自適應參數(shù)fmd的航空發(fā)動機軸承故障診斷方法，包括如下步驟：

4、步驟1：輸入采集的原始振動信號，同時測量軸承的相關參數(shù)：軸承的相關參數(shù)包括：接觸角α(°)、軸承轉頻f(hz)、滾珠直徑d(mm)、節(jié)徑d(mm)；

5、步驟2：設置fmd的初始輸入?yún)?shù)以及參數(shù)尋優(yōu)范圍；

6、步驟3：采用fmd對采集得到的滾動軸承的振動信號進行分解，輸出不同的模態(tài)分量；

7、步驟4：結合峭度、相關系數(shù)，計算原始振動信號的閾值th以及各模態(tài)分量的對比參數(shù)b并進行比較，對模態(tài)分量篩選重構；

8、步驟5：計算重構信號的峭度-偏度-信息熵歸一化綜合篩選指標，判斷綜合篩選指標是否最大，如果是，則輸出重構信號和對應的輸入?yún)?shù)；如果否，則在尋優(yōu)范圍內更新輸入?yún)?shù)后返回步驟3；

9、步驟6：對重構信號進行包絡解調，提取軸承故障特征頻率；

10、步驟7：結合軸承的相關參數(shù)計算出軸承的理論故障特征頻率，將步驟6提取出的故障特征頻率與理論故障特征頻率進行對比，判斷滾動軸承的故障類型。

11、進一步地，所述步驟4具體包括：

12、步驟4.1：計算各模態(tài)分量的峭度值ku，如下式所示：

13、

14、其中，xi為模態(tài)分量信號的第i個離散點，σ為標準差，為信號平均值，n為信號的長度；

15、步驟4.2：計算各模態(tài)分量與原始信號的相關系數(shù)c(x,y)：

16、

17、其中，c(x,y)是信號x和信號y的相關系數(shù)，cov(x,y)是信號x和信號y的協(xié)方差，σ為標準差；

18、步驟4.3：計算各個模態(tài)分量原始振動信號的閾值th：

19、

20、其中，|cimfj|表示第j個模態(tài)分量的相關系數(shù)絕對值，表示所有模態(tài)分量相關系數(shù)的平均值，n表示模態(tài)分量的個數(shù)，1是原始信號峭度對自身的歸一化；

21、步驟4.4：計算各個模態(tài)分量的對比參數(shù)b：

22、

23、其中，kuj是各模態(tài)分量的峭度，ku0是原始信號峭度；

24、步驟4.5：將各模態(tài)分量的對比參數(shù)b與原始的信號閾值th比較，篩選出b≥th的模態(tài)分量進行重構，濾除其他分量。

25、進一步地，所述步驟5綜合篩選指標的具體計算方法為：

26、步驟5.1：計算偏度s：

27、

28、步驟5.2：為排除信息中的干擾成分，先評估信息中含有的噪聲成分含量，引入一個參數(shù)為信息熵h(x)：

29、

30、其中，p(xi)是信號x中第i個離散點的事件發(fā)生概率；信息熵越小，故障信息收到的干擾越??；

31、步驟5.3：將峭度、偏度、信息熵歸一化處理，將各參數(shù)轉化為0～1區(qū)間的概率分布，公式如下：

32、

33、其中，θi是峭度、偏度或信息熵歸一化輸出的無量綱參數(shù)，yi是模態(tài)分量的峭度、偏度或信息熵參數(shù)值，ymax是峭度、偏度或信息熵參數(shù)的絕對值最大的參量；

34、步驟5.4：將峭度、偏度、信息熵歸一化后，將其進行融合，形成綜合篩選指標λi：

35、λi＝αi+βi-δi

36、其中，αi、βi、δi分別是峭度、偏度和信息熵的歸一化無量綱參數(shù)。

37、采用上述技術方案所產(chǎn)生的有益效果在于：本發(fā)明提供的基于自適應參數(shù)fmd的航空發(fā)動機軸承故障診斷方法，所選用的自適應的特征模態(tài)分解，本質上通過設計的有限脈沖響應濾波器分解不同的模式?？梢宰赃m應輸入?yún)?shù)并準確地分解故障模式，對其他干擾和噪聲具有魯棒性；本發(fā)明所選用的峭度-相關系數(shù)-能量比準則篩選出分解的模態(tài)分量，可以有效去除無關分量，避免了通過單一指標選擇模態(tài)分量的片面性，達到抑制背景噪聲的目的。本發(fā)明能夠精確高效地提取振動信號里故障信息的同時，能夠避免fmd輸入?yún)?shù)需要人為篩選的弊端，確保其最終結果的準確性以及精度。