CN111881848A - 基于变分模态分解与改进粒子群的电机故障信号提取方法 - Google Patents

基于变分模态分解与改进粒子群的电机故障信号提取方法 Download PDF

Info

Publication number
CN111881848A
CN111881848A CN202010753331.8A CN202010753331A CN111881848A CN 111881848 A CN111881848 A CN 111881848A CN 202010753331 A CN202010753331 A CN 202010753331A CN 111881848 A CN111881848 A CN 111881848A
Authority
CN
China
Prior art keywords
signal
particle swarm
improved particle
motor fault
iteration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010753331.8A
Other languages
English (en)
Inventor
李函朔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202010753331.8A priority Critical patent/CN111881848A/zh
Publication of CN111881848A publication Critical patent/CN111881848A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及一种基于变分模态分解与改进粒子群的电机故障信号提取方法，所述变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，通过改进粒子群算法优化所述惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。与现有技术相比，本发明具有提高变分模态分解方法对于故障诊断的准确性、避免模态混叠与端点效应等优点。

Description

基于变分模态分解与改进粒子群的电机故障信号提取方法
技术领域
本发明涉及电气工程技术领域，尤其是涉及一种基于变分模态分解与改进粒子群的电机故障信号提取方法。
背景技术
在电机故障诊断中，采集到的电机原始信号中包含许多冗余信息，需要对采集到的信号进行预处理来消除噪声，降低数据维度从中提取出有用的故障特征信号。目前信号处理的方法包括傅里叶变换、小波变换、经验模态分解和变分模态分解。
傅里叶变换可以将时域的信号变为相应的频域的信号，由频域判别故障信号。但傅里叶变换完全在频域中变换，由于积分函数的变换会导致信号中不平稳信号变得平滑，导致时域信号的缺失，从而导致一些有用信号无法体现出来。经验模态分解(EMD)算法一种将信号分解成特征模态的方法，其优点是不会运用任何已经定义好的函数作为基底，而是根据所分析的信号而自适应生成固有模态函数，用于分析非线性、非平稳的信号序列，具有很高的信噪比。但是EMD中的模态混叠与端点效应会对信号分析造成影响。变分模态分解(VMD)采用的是同时提取分量的方法，相比于递归分解方法节省了运算时间，而通过VMD分解出来的分量频谱是在中心频率带宽附近，但存在一个分量中含有其他频率或者同一个频率处在不同的分量中的情况，并且需求确定参数惩罚因子α和IMF分量的个数K，过程较为复杂。
发明内容
本发明的目的就是为了克服上述现有技术存在的变分模态分解方法准确性较低的缺陷而提供一种基于变分模态分解与改进粒子群的电机故障信号提取方法。
本发明的目的可以通过以下技术方案来实现：
一种基于变分模态分解与改进粒子群的电机故障信号提取方法，所述变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，通过改进粒子群算法优化所述惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。
所述改进粒子群算法通过迭代优化所述惩罚因子和信号分量的个数。
进一步地，所述迭代分为迭代前期和迭代后期。
进一步地，所述迭代前期时改进粒子群算法的惯性权重大于迭代后期时改进粒子群算法的惯性权重。
迭代前期时，惯性权重较大，改进粒子群算法具有较强的全局搜索能力，可快速确定最优解的大致位置；迭代后期时，惯性权重较小，粒子速度减慢，改进粒子群算法具有较强的局部搜索能力和较高的学习精度。
进一步地，所述迭代前期进行全局搜索，所述迭代后期根据迭代前期的搜索结果进行局部搜索，确定惩罚因子和信号分量的优化个数。
所述原始信号分解为多个子信号。
进一步地，所述子信号的个数与信号分量的优化个数相同。
进一步地，所述信号特征为子信号的频域平均能量。
所述电机故障类型包括滚珠故障、内圈故障和外圈故障。
所述模态分量根据互相关系数进行选取。
与现有技术相比，本发明具有以下有益效果：
本发明通过改进粒子群算法优化变分模态分解的惩罚因子和信号分量的个数，从原始信号中准确地分离出故障特征信号，故障类型间数值差别大，提高了电机故障的分类效果，使电机故障诊断具有较高的准确性，同时避免了经验模态中的模态混叠与端点效应，并且运行速度快且分解结果较稳定。
附图说明
图1为本发明变分模态分解的流程示意图；
图2为本发明实施例一中函数一迭代寻优过程的示意图；
图3为本发明实施例一中函数二迭代寻优过程的示意图；
图4为本发明实施例二中改进粒子群算法的收敛过程的示意图；
图5为本发明实施例二中粒子群算法的收敛过程的示意图；
图6为本发明变分模态分解的时频域能量柱状图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于变分模态分解与改进粒子群的电机故障信号提取方法，变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，通过改进粒子群算法优化惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。
改进粒子群算法通过迭代优化惩罚因子和信号分量的个数。
迭代分为迭代前期和迭代后期。
迭代前期时改进粒子群算法的惯性权重大于迭代后期时改进粒子群算法的惯性权重。
迭代前期时，惯性权重较大，改进粒子群算法具有较强的全局搜索能力，可快速确定最优解的大致位置；迭代后期时，惯性权重较小，粒子速度减慢，改进粒子群算法具有较强的局部搜索能力和较高的学习精度。
迭代前期进行全局搜索，迭代后期根据迭代前期的搜索结果进行局部搜索，确定惩罚因子和信号分量的优化个数。
原始信号分解为多个子信号。
子信号的个数与信号分量的优化个数相同。
信号特征为子信号的频域平均能量。
电机故障类型包括滚珠故障、内圈故障和外圈故障。
模态分量根据互相关系数进行选取。
实施例一
分别设定函数一和函数二，其中函数一具体如下：
Figure BDA0002610710580000041
函数二具体如下：
Figure BDA0002610710580000042
如图2和图3所示，在搜索域[-100,100]范围内，改进粒子群算法能在更少迭代次数的情况下，计算得到函数一和函数二的最优适应度值。
实施例二
获取轴承振动数据，轴承振动数据的故障类型包括滚珠故障、内圈故障和外圈故障，同时还包括正常状态的振动数据，针对正常状态的振动数据，根据改进粒子群算法(IPSO)和粒子群算法(PSO)分别对VMD算法的惩罚因子和信号分量的个数进行寻优，结果如图4和图5所示，IPSO的迭代次数为16次，PSO的迭代次数为58次，IPSO的迭代次数更少，同时IPSO计算得到的最优适应度值小于PSO计算得到的最优适应度值。
根据计算得到的惩罚因子和信号分量的个数的最优适应度值，通过VMD算法处理正常状态、滚珠故障、内圈故障和外圈故障的振动数据，计算各模态的平均能量，结果如图6所示，故障类型间的数值差别大，具有较好的分类效果。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于变分模态分解与改进粒子群的电机故障信号提取方法，所述变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，其特征在于，通过改进粒子群算法优化所述惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。
2.根据权利要求1所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述改进粒子群算法通过迭代优化所述惩罚因子和信号分量的个数。
3.根据权利要求2所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述迭代分为迭代前期和迭代后期。
4.根据权利要求3所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述迭代前期时改进粒子群算法的惯性权重大于迭代后期时改进粒子群算法的惯性权重。
5.根据权利要求4所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述迭代前期进行全局搜索，所述迭代后期根据迭代前期的搜索结果进行局部搜索，确定惩罚因子和信号分量的优化个数。
6.根据权利要求1所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述原始信号分解为多个子信号。
7.根据权利要求6所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述子信号的个数与信号分量的优化个数相同。
8.根据权利要求6所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述信号特征为子信号的频域平均能量。
9.根据权利要求1所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述电机故障类型包括滚珠故障、内圈故障和外圈故障。
10.根据权利要求1所述的一种基于变分模态分解与改进粒子群的电机故障信号提取方法，其特征在于，所述模态分量根据互相关系数进行选取。
CN202010753331.8A 2020-07-30 2020-07-30 基于变分模态分解与改进粒子群的电机故障信号提取方法 Pending CN111881848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010753331.8A CN111881848A (zh) 2020-07-30 2020-07-30 基于变分模态分解与改进粒子群的电机故障信号提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010753331.8A CN111881848A (zh) 2020-07-30 2020-07-30 基于变分模态分解与改进粒子群的电机故障信号提取方法

Publications (1)

Publication Number Publication Date
CN111881848A true CN111881848A (zh) 2020-11-03

Family

ID=73205816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010753331.8A Pending CN111881848A (zh) 2020-07-30 2020-07-30 基于变分模态分解与改进粒子群的电机故障信号提取方法

Country Status (1)

Country Link
CN (1) CN111881848A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统
CN113704868A (zh) * 2021-07-19 2021-11-26 广西大学 一种基于多目标优化飞轮储能系统轴承的故障诊断方法
CN113887571A (zh) * 2021-09-10 2022-01-04 上海工业自动化仪表研究院有限公司 改进svr算法的电子设备故障预测方法
CN114034931A (zh) * 2021-11-02 2022-02-11 南京理工大学 基于变分模态分解的永磁电机绕组不对称故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506330A (zh) * 2017-08-14 2017-12-22 电子科技大学 一种基于粒子群算法的变分模态分解算法参数优化方法
CN109635334A (zh) * 2018-11-12 2019-04-16 武汉科技大学 基于粒子群优化的滚动轴承故障诊断方法、系统及介质
CN109654384A (zh) * 2019-01-29 2019-04-19 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506330A (zh) * 2017-08-14 2017-12-22 电子科技大学 一种基于粒子群算法的变分模态分解算法参数优化方法
CN109635334A (zh) * 2018-11-12 2019-04-16 武汉科技大学 基于粒子群优化的滚动轴承故障诊断方法、系统及介质
CN109654384A (zh) * 2019-01-29 2019-04-19 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DAWEI YANG ET AL.: ""Planetary gearbox fault diagnosis based on PSO-VMD and PMMSE"", 《YOUNG SCIENTISTS FORUM 2017》 *
TIANCHENG MA ET AL.: ""A Temperature Error Parallel Processing Model for MEMS Gyroscope Based on a Novel Fusion Algorithm"", 《ELECTRONICS》 *
李皓: ""基于变分模态分解的永磁同步电机故障诊断研究"", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 *
王晓龙: ""基于振动信号处理的滚动轴承故障诊断方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统
CN113704868A (zh) * 2021-07-19 2021-11-26 广西大学 一种基于多目标优化飞轮储能系统轴承的故障诊断方法
CN113704868B (zh) * 2021-07-19 2023-08-04 广西大学 一种基于多目标优化飞轮储能系统轴承的故障诊断方法
CN113887571A (zh) * 2021-09-10 2022-01-04 上海工业自动化仪表研究院有限公司 改进svr算法的电子设备故障预测方法
CN114034931A (zh) * 2021-11-02 2022-02-11 南京理工大学 基于变分模态分解的永磁电机绕组不对称故障诊断方法

Similar Documents

Publication Publication Date Title
CN111881848A (zh) 基于变分模态分解与改进粒子群的电机故障信号提取方法
CN109297713B (zh) 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法
CN107421741A (zh) 一种基于卷积神经网络的滚动轴承故障诊断方法
CN109406118B (zh) 一种基于层次卷积神经网络的机械故障预测方法
CN110514441A (zh) 一种基于振动信号去噪和包络分析的滚动轴承故障诊断方法
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及系统
CN108444704B (zh) 一种滚动轴承早期故障诊断方法
CN111141520A (zh) 一种基于改进经验小波变换的滚动轴承故障诊断方法
CN110243603A (zh) 基于Welch转换-径向基神经网的滚动轴承故障诊断方法
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
Wang et al. Construction of the efficient attention prototypical net based on the time–frequency characterization of vibration signals under noisy small sample
CN114626435A (zh) 一种高准确率的滚动轴承智能故障特征选择方法
CN114741945A (zh) 一种航空发动机在线故障的诊断方法
CN103528820B (zh) 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN117473414A (zh) 一种基于少噪声时频图像的轴承故障位置识别方法
CN112067298A (zh) 一种基于层次全局模糊熵的滚动轴承故障诊断方法
CN107966287B (zh) 一种自适应机电装备微弱故障特征提取方法
CN109612726A (zh) 一种用于振动信号特征提取的多重超阶分析方法
Thuan et al. Intelligent bearing fault diagnosis with a lightweight neural network
CN112268615A (zh) 一种机电设备振动信号特征提取方法
Xiang et al. Fault diagnosis of gearbox based on refined topology and spatio-temporal graph convolutional network
CN118259115B (zh) 一种铁磁谐振故障查找方法及系统
CN118885736A (zh) 基于改进去噪扩散模型的小样本机械故障诊断方法
Duan et al. Bearing fault diagnosis based on state-space principal component tracking filter algorithm
CN113537010B (zh) 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201103

RJ01 Rejection of invention patent application after publication