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 PDFInfo
- 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
- particle swarm
- improved particle
- modal decomposition
- iteration
- variational modal
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
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：
函数二具体如下：
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。
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 (3)
| 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 |
| 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)
| 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 |
-
2020
- 2020-07-30 CN CN202010753331.8A patent/CN111881848A/zh active Pending
Patent Citations (3)
| 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)
| 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 (4)
| 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 |
| 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 |
|---|---|---|
| CN109946389B (zh) | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 | |
| 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 | |
| CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
| CN109406118B (zh) | 一种基于层次卷积神经网络的机械故障预测方法 | |
| CN113176092A (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
| CN112633098B (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
| CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
| CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN111238843A (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN113642508A (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN111665050A (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
| CN113776837A (zh) | 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法 | |
| CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、系统和存储介质 | |
| Thuan et al. | Intelligent bearing fault diagnosis with a lightweight neural network | |
| CN115062665A (zh) | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 | |
| CN118133201A (zh) | 一种基于特征选择的轻梯度提升机风电功率预测方法及装置 | |
| CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
| Wang et al. | Shift-invariant sparse filtering for bearing weak fault signal denoising | |
| CN112067298A (zh) | 一种基于层次全局模糊熵的滚动轴承故障诊断方法 | |
| Yang et al. | Research on Fault Feature Extraction Method Based on FDM‐RobustICA and MOMEDA | |
| Zhang et al. | Research on Electronic Circuit Fault Diagnosis Method Based on SWT and DCNN-ELM | |
| CN115326398A (zh) | 一种基于模糊宽度学习模型的轴承故障诊断方法 | |
| CN113869358A (zh) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |