CN117216636B 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 （郑州轻工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN117216636B(45)授权公告日2025.07.08

(21)申请号202311178917.6

(22)申请日2023.09.12

(65)同一申请的已公布的文献号申请公布号CN117216636A

(43)申请公布日2023.12.12

(73)专利权人郑州轻工业大学

地址450000河南省郑州市高新技术产业

开发区科学大道136号

(72)发明人谢贵重徐帅强张丽科李浩

杜文辽刘俊王跃辉郭迈迈

钟玉东王良文孟凡念王昊琪

张玉彦

(74)专利代理机构北京科瑞爱特知识产权代理

(51)Int.CI.

GO6F18/24(2023.01)

G01M13/045(2019.01)

GO6F18/10(2023.01)

GO6N3/0464(2023.01)

GO6F18/22(2023.01)

(56)对比文件

CN107506710A,2017.12.22CN109404285A,2019.03.01审查员夏冰

事务所(普通合伙)16410专利代理师张晓利

权利要求书1页说明书7页附图1页

(54)发明名称

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

(57)摘要

CN117216636B本发明提出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，对含强背景噪声的振动信号，用集合经验模态分解进行信号分解，获得IMF分量，以互相关系数、峭度作为指标，筛选出最优分量，重构原始信号。其次，基于快速谱峭度算法对重组信号进行一重滤波，对滤波信号做包络谱分析确定最大相关解卷积中参数的优化范围，根据粒子群算法对MCKD模型进行自适应参数优化，获得PMCKD中滤波器长度L、解卷积周期T和移位数M的最佳组合参数，将最佳优化参数结果回代到PMCKD模型对一重滤波信号进行自适应二次滤波增强。最后，包

CN117216636B

互相关系数、峭

互相关系数、峭度值指标

快速讲峭度图确定滤波参数

包络分析

确定解卷积周期优化范围及PS0自身参数

计算出理论故障特征频率对

含噪振劝加速度信号

多尺度分

重组信号

快速峭度一重滤波

滤波信号

PS0优化

适应度函数是否收敛到最大上

征

lbort路分

开始

粒子群种群初始化和参数设定

计算每个粒子适应度

记录全局最优粒子

更新粒子的速度和位置

判断满足条件

输出WCKD最佳参数组合

最优MKD模型

结束

CN117216636B权利要求书1/1页

2

1.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，其特征在于，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范围，从而确定对MCKD算法中参数[L,T,M]的寻优范围，使用PSO算法进行自适应优化选参；

S6:对一重滤波信号做特征增强

记录PMCKD中最佳组合参数[L,T,M],回代到PMCKD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。

CN117216636B说明书1/7页

3

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