先进制造技术

本发明涉及基于SVD和VMD的机械件故障诊断方法，包括：获取机械件的振动信号；与无故障机械件相比较，判断有无异常；对振动信号进行奇异值分解，计算奇异值序列的相邻奇异值的差值，得到差分谱；分析差分谱，确定重构阶数，对机械件振动信号进行重构；将重构信号分解成模态分量，确定最优的模态分量数量；再对原故障诊断的机械件的振动信号进行变分模态分解；选出加权峭度指标值较大的模态分量进行信号合成；利用合成信号生成包络谱；根据包络谱判断机械件的故障类型。本发明解决了变分模态分解方法分解参数难以确定的问题，对重构信号的变分模态分解以确定最优的模态分量数量的过程中，考虑了模态分量与原信号的相关性，确定的分解参数更优。

关键机械装备一旦发生故障，将带来巨大的经济损失甚至人员伤亡，国内外因为机械设备失效而导致的重大事故屡有发生。装备运行过程中及时发现故障征兆并采取措施，对装备安全运行，避免经济损失及灾难性事故具有重大意义。

机械故障诊断的难点之一就是从复杂的监测信号中提取到有用的故障特征信息，近年来在工业及学术界引起了广泛的关注。变分模态分解(Variational  mode decomposition，VMD)是美国加州大学洛杉矶分校学者Dragomiretskiy与Zosso于2014年提出的信号自适应分解方法，作为一种改进的经验模式分解方法，VMD具有坚实的数学理论基础，噪声鲁棒性和信号分离性能也得到了极大提高。然而，VMD分解参数如模态分量个数、模态分量频率带宽控制参数对其分解结果具有显著的影响。目前在机械故障领域，大部分研究中VMD分解参数都是事先指定，难以取得满意的分析结果。虽然少数学者提出利用包络熵作为适应度函数对VMD分解参数进行优化，但是所采用的包络熵仅考虑了分解模态分量的特性，没有考虑模态分量与原始信号的相关性，易造成信息遗漏问题。

本发明的有益效果包括：

1)本发明采用奇异值分解对机械件振动信号分解、去噪后重构，利用重构信号的变分模态分解确定最优的模态分量的数量后再根据最优的模态分量数量对原机械振动信号进行变分模态分解，解决了变分模态分解方法分解参数难以确定且影响机械故障判断效果的问题；

2)相比现有的利用包络熵确定分解参数的方法，本发明对重构信号的变分模态分解以确定最优的模态分量数量的过程中，计算模态分量的相关系数，并对相关系数差值设置了阈值，考虑了模态分量与原信号的相关性，不会造成信息遗漏，使得确定的分解参数更优；

3)本发明利用短时傅里叶变换得到机械振动信号的时频分布，实现了故障诊断的机械件的初步判断，提高了机械故障诊断的效率。

4)本发明通过计算相邻奇异值的差分，来确定奇异值分解的阶数，解决了奇异值分解方法中奇异值阶数难以确定且影响机械故障判断效果的问题。同时，奇异值分解方法效果好，能有效避免自相关消噪等消噪方法出现的端点效应的问题。

5)采用加权峭度指标来进行筛选IMF分量信号，同时考虑了分解信号与原信号的信息完整程度，峭度对信号的脉冲冲击特别敏感和滚动轴承故障信息，避免了单指标只考虑相关性或者峭度指标的不足。