CN112179653A - 滚动轴承振动信号盲源分离方法、装置及计算机设备 - Google Patents

滚动轴承振动信号盲源分离方法、装置及计算机设备 Download PDF

Info

Publication number
CN112179653A
CN112179653A CN202010929682.XA CN202010929682A CN112179653A CN 112179653 A CN112179653 A CN 112179653A CN 202010929682 A CN202010929682 A CN 202010929682A CN 112179653 A CN112179653 A CN 112179653A
Authority
CN
China
Prior art keywords
rolling bearing
signals
selecting
signal
drosophila
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
CN202010929682.XA
Other languages
English (en)
Inventor
丁春嵘
王文刚
王洪昆
边志宏
王蒙
丁颖
王萌
焦杨
马瑞峰
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.)
Shenhua Railway Equipment Co Ltd
Original Assignee
Shenhua Railway Equipment Co Ltd
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 Shenhua Railway Equipment Co Ltd filed Critical Shenhua Railway Equipment Co Ltd
Priority to CN202010929682.XA priority Critical patent/CN112179653A/zh
Publication of CN112179653A publication Critical patent/CN112179653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种滚动轴承振动信号盲源分离方法、装置及计算机设备。所述方法包括：获取滚动轴承振动信号；采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；对所述滚动轴承振动信号进行聚类分析得到信源个数；选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。采用本方法能够更加准确有效地获得复合信号中感兴趣的信号，并结合聚类分析和独立成分分析对信号的特征进行提取，采用提取出的独立分量进行故障诊断，实现更为准确的故障诊断。

Description

滚动轴承振动信号盲源分离方法、装置及计算机设备
技术领域
本申请涉及机械设备故障诊断技术领域，特别是涉及一种滚动轴承振动信号盲源分离方法、装置及计算机设备。
背景技术
滚动轴承是旋转机械设备中最常见且至关重要的零件之一，其运行状态直接影响整个设备的工作性能。据不完全统计，大约30％的机械故障是由轴承失效引起的。为了保证设备的使用，需要对滚动轴承的故障进行检测。
目前常用的检测方法有：通过监测轴承座(或箱体)处的温度来判断轴承工作是否正常的温度法、对轴承所使用的润滑油中取出的油样中金属颗粒的大小和形状的收集和分析来判断轴承工况和故障的油样分析法以及通过安装在轴承座或箱体适当方位的振动传感器监测轴承振动信号，并对此信号进行分析与处理来判断轴承工况与故障的振动法。由于振动法具有：适用于各种类型各种工况的轴承；可以有效地诊断出早期微小故障；信号测试与处理简单、直观；诊断结果可靠等优点，所以在实际中的应用最为广泛。
然而，滚动轴承在实际使用过程中易发生多源故障，在实际使用时由于传感器的限制，测得的复合振动信号难以区分进行后续的故障诊断，常规的盲源分离方法由于受到“欠定”的影响，分离提取信号的效果不是很好，使得影响后续的故障诊断结果。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效分离和提取信号的滚动轴承振动信号盲源分离方法、装置及计算机设备。
一种滚动轴承振动信号盲源分离方法，所述方法包括：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
在其中一个实施例中，所述采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在其中一个实施例中，所述对所述滚动轴承振动信号进行聚类分析得到信源个数的步骤包括：
采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
在其中一个实施例中，所述采用果蝇算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
获取预设的初始惩罚因子X和初始信号个数Y作为初始化果蝇群体位置(X,Y)；
随机生成果蝇个体利用嗅觉搜寻食物的距离与方向，得到果蝇个体的迭代模型：
Figure BDA0002669775650000031
其中，Xi为第i次迭代后的果蝇群体位置横坐标，Yi为第i次迭代后的果蝇群体位置纵坐标，Lr为迭代步长；
计算所述果蝇群体中每个果蝇个体与原点的距离：
Figure BDA0002669775650000032
其中，Di为每个果蝇个体与原点的距离，Si为果蝇个体所在位置的食物浓度；
将食物浓度Si的值代入预设的目标函数中求解每个果蝇个体的味道浓度；
重复迭代直至包络谱峰因子达到最大值时，确定果蝇群体中所述味道浓度最大的果蝇个体；
将所述味道浓度最大的果蝇个体的横坐标选定为所述惩罚因子，纵坐标选定为所述信号个数。
在其中一个实施例中，所述选取信源个数个所述模态分量进行独立成分分析，得到独立分量的步骤包括：
根据相关系数最大准则选取信源个数个所述模态分量进行独立成分分析，得到独立分量。
一种滚动轴承振动信号盲源分离装置，所述装置包括：
振动信号获取模块，用于获取滚动轴承振动信号；
参数选取模块，用于采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
复变分模态分解模块，用于对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
聚类模块，用于对所述滚动轴承振动信号进行聚类分析得到信源个数；
独立成分分析模块，用于选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
在其中一个实施例中，所述参数选取模块用于采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在其中一个实施例中，所述聚类模块用于采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
上述滚动轴承振动信号盲源分离方法、装置及计算机设备，通过群体智能优化算法选取惩罚因子和信号个数，得到最优的参数后对滚动轴承振动信号进行复变分模态分解，得到信号个数个模态分量，另外对滚动轴承振动信号进行聚类分析得到信源个数，从分解得到的模态分量中选取信源个数个进行独立成分分析得到独立分量，根据独立分量进行滚动轴承故障诊断，利用群体智能优化算法配合复变分模态分解，能够更加准确有效地获得复合信号中感兴趣的信号，并结合聚类分析和独立成分分析对信号的特征进行提取，采用提取出的独立分量进行故障诊断，实现更为准确的故障诊断。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为其中一个实施例中，滚动轴承振动信号盲源分离方法的流程示意图；
图2为其中一个实施例中，滚动轴承振动信号盲源分离方法的流程示意图；
图3为其中一个实施例中，滚动轴承振动信号盲源分离方法的流程示意图；
图4为其中一个实施例中，采用果蝇算法选取复变分模态分解的惩罚因子和信号个数步骤的流程示意图；
图5为其中一个实施例中，滚动轴承振动信号盲源分离方法的流程示意图；
图6为其中一个实施例中，滚动轴承振动信号盲源分离装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
在其中一个实施例中，如图1所示，提供了一种滚动轴承振动信号盲源分离方法，所述方法包括：
步骤S100，获取滚动轴承振动信号；
步骤S200，采用群体智能优化算法选取复变分模态分解的惩罚因子α和信号个数K；
步骤S300，对滚动轴承振动信号进行复变分模态分解得到信号个数K个模态分量；
步骤S400，对滚动轴承振动信号进行聚类分析得到信源个数；
步骤S500，选取信源个数个模态分量进行独立成分分析，得到独立分量；独立分量用于进行滚动轴承故障诊断。
滚动轴承振动信号通过设置在设备上的振动传感器进行采集，获取的滚动轴承振动信号可以是由多个振动传感器采集的多个信号，也可以是一个振动传感器在一段时间内采集的多个信号。群体智能算法的核心思想是若干个简单个体构成一个群体,通过合作、竞争、交互与学习等机制表现出高级和复杂的功能,在缺少局部信息和模型的情况下,仍能够完成复杂问题的求解，经过迭代求解,计算目标函数的输出值.群体智能优化算法不依赖于梯度信息,对待求解问题无连续、可导等要求,使得该类算法既适应连续型数值优化,也适应离散型组合优化。利用群体智能算法寻找复变分模态分解的惩罚因子α和信号个数K，能够提高复变分模态分解得到的信号的准确性。
在空间谱估计技术中,估计信号源数(即信源个数)是一个关键问题。空间谱估计技术中的大部分算法需要知道入射信号数N。实际应用场合,信号源数往往是一个未知数,往往需要先估计信号源数目或假设已知,然后再估计信号源的方向。但当信号源数目估计不准确时,信号子空间和噪声子空间的维数将发生偏差,从而造成两者不完全正交,就会造成估计信号源时的漏警或者虚警,进而导致估计信号来向时,产生较大的误差。聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类，对滚动轴承振动信号进行聚类分析能够相对准确地估计出信源个数，使得最终能够有效提取的独立分量。
复变分模态分解是以振动能量最大化为依据的，在f-x复数域中体现为频率带宽之和最小。在此基础上，延伸拓展出复数域上的一种线性变换，即希尔伯特变换。希尔伯特变换能够保证信号的频率不变，单边频谱同时能量是原来的两倍，能够更加清楚地获得感兴趣的信号并对信号进行特征的提取与识别。
复变分模态分解(复变分模态)其原理如下：
对于实数值函数x(t)，
Figure BDA0002669775650000081
经过希尔伯特变换后，得到：
Figure BDA0002669775650000082
对
Figure BDA0002669775650000083
进行傅里叶变换，用
Figure BDA0002669775650000084
来表示变换后的信号，根据卷积的性质，两个函数的卷积傅里叶变换等同于两个函数经过傅里叶变换之后的乘积，那么：
Figure BDA0002669775650000085
由上面的公式可以看出：当频率是正频时，希尔伯特变换是将原信号顺时针旋转
Figure BDA0002669775650000086
当频率是负频时。希尔伯特变换则是将原信号逆时针旋转
Figure BDA0002669775650000087
综上所述，希尔伯特变换可称为90°移相器。
引入函数Z(t)来探究复数域信号的实际意义，可以表示为：
Figure BDA0002669775650000088
Figure BDA0002669775650000089
上式中，A(t)代表幅值，
Figure BDA00026697756500000810
是相位，f0代表瞬时频率。Z(t)经过傅里叶变换，得到：
Figure BDA00026697756500000811
从上式可以看出，在复数域中，频率与原来的频率保持一致而且是单边频谱，对应的幅值是原来的两倍。
上述滚动轴承振动信号盲源分离方法，通过群体智能优化算法选取惩罚因子和信号个数，得到最优的参数后对滚动轴承振动信号进行复变分模态分解，得到信号个数个模态分量，另外对滚动轴承振动信号进行聚类分析得到信源个数，从分解得到的模态分量中选取信源个数个进行独立成分分析得到独立分量，根据独立分量进行滚动轴承故障诊断，利用群体智能优化算法配合复变分模态分解，能够更加准确有效地获得复合信号中感兴趣的信号，并结合聚类分析和独立成分分析对信号的特征进行提取，采用提取出的独立分量进行故障诊断，实现更为准确的故障诊断。
在其中一个实施例中，如图2所示，所述采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
步骤S210，采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在其中一个实施例中，如图3所示，对滚动轴承振动信号进行聚类分析得到信源个数的步骤包括：
步骤S410，采用OPTICS算法对滚动轴承振动信号进行聚类分析得到信源个数。
OPTICS算法是一种密度聚类算法，OPTICS算法是对DBSCAN算法的改进算法，DBSCAN算法中，有两个初始参数Eps(邻域半径)和minPts(Eps邻域最小点数)需要手动设置，并且聚类的结果对这两个参数的取值非常敏感，不同的取值将产生不同的聚类结果。为了克服DBSCAN算法这一缺点，提出了OPTICS算法(Ordering Points to identify theclustering structure)，即对点排序以此来确定簇结构的算法。该算法可以让算法对半径Eps不再敏感。只要确定minPts的值，半径Eps的轻微变化，并不会影响聚类结果。OPTICS算法并不显示的产生结果类簇，而是为聚类分析生成一个增广的簇排序(比如，以可达距离为纵轴，样本点输出次序为横轴的坐标图)，这个排序代表了各样本点基于密度的聚类结构。它包含的信息等价于从一个广泛的参数设置所获得的基于密度的聚类，从这个排序中可以得到基于任何参数Eps和minPts的DBSCAN算法的聚类结果。采用OPTICS算法进行聚类分析得到的信源个数更加可靠，能够提高最终获得的独立分量的准确性，提高滚动轴承故障诊断结果的准确性。
在其中一个实施例中，如图4所示，所述采用果蝇算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
步骤S211，获取预设的初始惩罚因子X和初始信号个数Y作为初始化果蝇群体位置(X,Y)；
步骤S212，随机生成果蝇个体利用嗅觉搜寻食物的距离与方向，得到果蝇个体的迭代模型：
Figure BDA0002669775650000101
其中，Xi为第i次迭代后的果蝇群体位置横坐标，Yi为第i次迭代后的果蝇群体位置纵坐标，Lr为迭代步长；
步骤S213，计算果蝇群体中每个果蝇个体与原点的距离：
Figure BDA0002669775650000102
其中，Di为每个果蝇个体与原点的距离，Si为果蝇个体所在位置的食物浓度；
步骤S214，将食物浓度Si的值代入预设的目标函数中求解每个果蝇个体的味道浓度；
步骤S215，重复迭代直至包络谱峰因子达到最大值时，确定果蝇群体中味道浓度最大的果蝇个体；
步骤S216，将味道浓度最大的果蝇个体的横坐标选定为惩罚因子α，纵坐标选定为信号个数K。
果蝇算法具有计算量小、运行时间短、算法复杂度低、且寻优精度较高等特点，采用果蝇算法对惩罚因子和信号个数进行寻优，避免主观选取分解参数的随机性和偶然性，通过果蝇算法自适应的选取参数最优解，使得复合信号有较好的分解效果，能够提高信号分离的处理效率，还能提高复变分模态分解信号的准确性，有利于提高滚动轴承故障诊断的效率和故障分析的准确性。目标函数即适应度函数，选用包络谱峰因子作为目标函数，能够提高寻优精度，当输入的果蝇个体的位置不同时(即迭代的惩罚因子和信号个数不同)，得到的包络谱峰因子的大小也不同，通过不断迭代，直至包络谱峰因子达到最大值时，此时便对应着最优的信号个数K和惩罚因子α，将此时的果蝇个体位置坐标(Xt,Yt)的值确定为信号个数和惩罚因子，即α＝Xt，K＝Yt。
在其中一个实施例中，如图5所示，所述选取信源个数个所述模态分量进行独立成分分析，得到独立分量的步骤包括：
步骤S510，根据相关系数最大准则选取信源个数个所述模态分量进行独立成分分析，得到独立分量。
根据模态分量与滚动轴承振动信号的相关系数选取出信源个数个模态分量，相关系数是研究变量之间线性相关程度的量，计算出每个模态分量与滚动轴承震动信号的相关系数，根据相关系数的大小对模态分量进行排列，从最大的开始，选取信源个数个模态分量。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种滚动轴承振动信号盲源分离装置100，所述装置包括：
振动信号获取模块110，用于获取滚动轴承振动信号；
参数选取模块120，用于采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
复变分模态分解模块130，用于对滚动轴承振动信号进行复变分模态分解得到信号个数个模态分量；
聚类模块140，用于对滚动轴承振动信号进行聚类分析得到信源个数；
独立成分分析模块150，用于选取信源个数个模态分量进行独立成分分析，得到独立分量；独立分量用于进行滚动轴承故障诊断。
在其中一个实施例中，所述参数选取模块用于采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在其中一个实施例中，所述聚类模块用于采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
关于滚动轴承振动信号盲源分离装置的具体限定可以参见上文中对于滚动轴承振动信号盲源分离方法的限定，在此不再赘述。上述滚动轴承振动信号盲源分离装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种滚动轴承振动信号盲源分离方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设的初始惩罚因子X和初始信号个数Y作为初始化果蝇群体位置(X,Y)；
随机生成果蝇个体利用嗅觉搜寻食物的距离与方向，得到果蝇个体的迭代模型：
Figure BDA0002669775650000141
其中，Xi为第i次迭代后的果蝇群体位置横坐标，Yi为第i次迭代后的果蝇群体位置纵坐标，Lr为迭代步长；
计算所述果蝇群体中每个果蝇个体与原点的距离：
Figure BDA0002669775650000142
其中，Di为每个果蝇个体与原点的距离，Si为果蝇个体所在位置的食物浓度；
将食物浓度Si的值代入预设的目标函数中求解每个果蝇个体的味道浓度；
重复迭代直至包络谱峰因子达到最大值时，确定果蝇群体中所述味道浓度最大的果蝇个体；
将所述味道浓度最大的果蝇个体的横坐标选定为所述惩罚因子，纵坐标选定为所述信号个数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设的初始惩罚因子X和初始信号个数Y作为初始化果蝇群体位置(X,Y)；
随机生成果蝇个体利用嗅觉搜寻食物的距离与方向，得到果蝇个体的迭代模型：
Figure BDA0002669775650000151
其中，Xi为第i次迭代后的果蝇群体位置横坐标，Yi为第i次迭代后的果蝇群体位置纵坐标，Lr为迭代步长；
计算所述果蝇群体中每个果蝇个体与原点的距离：
Figure BDA0002669775650000161
其中，Di为每个果蝇个体与原点的距离，Si为果蝇个体所在位置的食物浓度；
将食物浓度Si的值代入预设的目标函数中求解每个果蝇个体的味道浓度；
重复迭代直至包络谱峰因子达到最大值时，确定果蝇群体中所述味道浓度最大的果蝇个体；
将所述味道浓度最大的果蝇个体的横坐标选定为所述惩罚因子，纵坐标选定为所述信号个数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种滚动轴承振动信号盲源分离方法，其特征在于，所述方法包括：
获取滚动轴承振动信号；
采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
对所述滚动轴承振动信号进行聚类分析得到信源个数；
选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
2.根据权利要求1所述的滚动轴承振动信号盲源分离方法，其特征在于，所述采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
3.根据权利要求1所述的滚动轴承振动信号盲源分离方法，其特征在于，所述对所述滚动轴承振动信号进行聚类分析得到信源个数的步骤包括：
采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
4.根据权利要求2所述的滚动轴承振动信号盲源分离方法，其特征在于，所述采用果蝇算法选取复变分模态分解的惩罚因子和信号个数的步骤包括：
获取预设的初始惩罚因子X和初始信号个数Y作为初始化果蝇群体位置(X,Y)；
随机生成果蝇个体利用嗅觉搜寻食物的距离与方向，得到果蝇个体的迭代模型：
Figure FDA0002669775640000011
其中，Xi为第i次迭代后的果蝇群体位置横坐标，Yi为第i次迭代后的果蝇群体位置纵坐标，Lr为迭代步长；
计算所述果蝇群体中每个果蝇个体与原点的距离：
Figure FDA0002669775640000021
其中，Di为每个果蝇个体与原点的距离，Si为果蝇个体所在位置的食物浓度；
将食物浓度Si的值代入预设的目标函数中求解每个果蝇个体的味道浓度；
重复迭代直至包络谱峰因子达到最大值时，确定果蝇群体中所述味道浓度最大的果蝇个体；
将所述味道浓度最大的果蝇个体的横坐标选定为所述惩罚因子，纵坐标选定为所述信号个数。
5.根据权利要求1至4任意一项所述的滚动轴承振动信号盲源分离方法，其特征在于，所述选取信源个数个所述模态分量进行独立成分分析，得到独立分量的步骤包括：
根据相关系数最大准则选取信源个数个所述模态分量进行独立成分分析，得到独立分量。
6.一种滚动轴承振动信号盲源分离装置，其特征在于，所述装置包括：
振动信号获取模块，用于获取滚动轴承振动信号；
参数选取模块，用于采用群体智能优化算法选取复变分模态分解的惩罚因子和信号个数；
复变分模态分解模块，用于对所述滚动轴承振动信号进行复变分模态分解得到所述信号个数个模态分量；
聚类模块，用于对所述滚动轴承振动信号进行聚类分析得到信源个数；
独立成分分析模块，用于选取信源个数个所述模态分量进行独立成分分析，得到独立分量；所述独立分量用于进行滚动轴承故障诊断。
7.根据权利要求6所述的滚动轴承振动信号盲源分离装置，其特征在于，所述参数选取模块用于采用果蝇算法选取复变分模态分解的惩罚因子和信号个数。
8.根据权利要求6所述的滚动轴承振动信号盲源分离装置，其特征在于，所述聚类模块用于采用OPTICS算法对所述滚动轴承振动信号进行聚类分析得到所述信源个数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202010929682.XA 2020-09-07 2020-09-07 滚动轴承振动信号盲源分离方法、装置及计算机设备 Pending CN112179653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010929682.XA CN112179653A (zh) 2020-09-07 2020-09-07 滚动轴承振动信号盲源分离方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010929682.XA CN112179653A (zh) 2020-09-07 2020-09-07 滚动轴承振动信号盲源分离方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN112179653A true CN112179653A (zh) 2021-01-05

Family

ID=73925651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010929682.XA Pending CN112179653A (zh) 2020-09-07 2020-09-07 滚动轴承振动信号盲源分离方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN112179653A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837254A (zh) * 2021-02-25 2021-05-25 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN113218962A (zh) * 2021-04-27 2021-08-06 京东方科技集团股份有限公司 显示缺陷检测装置及其检测方法、显示缺陷检测系统
CN113884236A (zh) * 2021-08-24 2022-01-04 西安电子科技大学 一种多传感器融合动平衡分析方法、系统、设备、介质
CN117253501A (zh) * 2023-11-16 2023-12-19 临沂金诺视讯数码科技有限公司 基于voip呼叫的安防音视频数据增强方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390780A (zh) * 2014-11-25 2015-03-04 沈阳化工大学 一种基于盲源分离的齿轮箱故障诊断方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN107255563A (zh) * 2017-06-28 2017-10-17 石家庄铁道大学 实现齿轮箱混合故障信号盲源分离方法
CN111178318A (zh) * 2020-01-06 2020-05-19 东南大学 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法
US20200200648A1 (en) * 2018-02-12 2020-06-25 Dalian University Of Technology Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104390780A (zh) * 2014-11-25 2015-03-04 沈阳化工大学 一种基于盲源分离的齿轮箱故障诊断方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN107255563A (zh) * 2017-06-28 2017-10-17 石家庄铁道大学 实现齿轮箱混合故障信号盲源分离方法
US20200200648A1 (en) * 2018-02-12 2020-06-25 Dalian University Of Technology Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy
CN111178318A (zh) * 2020-01-06 2020-05-19 东南大学 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周乔珂: "基于复变分模态分解的轴承振动信号盲源分离方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837254A (zh) * 2021-02-25 2021-05-25 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN112837254B (zh) * 2021-02-25 2024-06-11 普联技术有限公司 一种图像融合方法、装置、终端设备及存储介质
CN113218962A (zh) * 2021-04-27 2021-08-06 京东方科技集团股份有限公司 显示缺陷检测装置及其检测方法、显示缺陷检测系统
CN113884236A (zh) * 2021-08-24 2022-01-04 西安电子科技大学 一种多传感器融合动平衡分析方法、系统、设备、介质
CN113884236B (zh) * 2021-08-24 2022-06-21 西安电子科技大学 一种多传感器融合动平衡分析方法、系统、设备、介质
CN117253501A (zh) * 2023-11-16 2023-12-19 临沂金诺视讯数码科技有限公司 基于voip呼叫的安防音视频数据增强方法及系统
CN117253501B (zh) * 2023-11-16 2024-02-02 临沂金诺视讯数码科技有限公司 基于voip呼叫的安防音视频数据增强方法及系统

Similar Documents

Publication Publication Date Title
Surendran et al. Deep learning based intelligent industrial fault diagnosis model.
CN112179653A (zh) 滚动轴承振动信号盲源分离方法、装置及计算机设备
Kanarachos et al. Detecting anomalies in time series data via a deep learning algorithm combining wavelets, neural networks and Hilbert transform
Wang et al. A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery
Aremu et al. A machine learning approach to circumventing the curse of dimensionality in discontinuous time series machine data
Gao et al. Intelligent fault diagnosis for rolling bearings based on graph shift regularization with directed graphs
CN110705722A (zh) 一种工业设备故障诊断的诊断模型及其构建方法和应用
Tong et al. A fault diagnosis method of rolling bearing based on improved deep residual shrinkage networks
Li et al. Multiple manifolds analysis and its application to fault diagnosis
Li et al. A novel data-driven fault feature separation method and its application on intelligent fault diagnosis under variable working conditions
Buschow et al. Local dimension and recurrent circulation patterns in long-term climate simulations
CN117419828B (zh) 基于光纤传感器的新能源电池温度监测方法
CN116257663A (zh) 面向无人地面车辆的异常检测与关联分析方法及相关设备
Yang et al. A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine
Huang et al. Frequency Hoyer attention based convolutional neural network for remaining useful life prediction of machinery
CN111339986A (zh) 基于时域/频域分析的装备用频规律挖掘方法和系统
Colgan et al. Architectural optimization and feature learning for high-dimensional time series datasets
CN114021275B (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
Saha et al. Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions
Wang et al. Fault diagnosis of bearing based on improved refined composite hierarchical fuzzy entropy and least squares support vector machine
CN113449626B (zh) 隐马尔科夫模型振动信号分析方法装置、存储介质和终端
CN115114956A (zh) 一种故障诊断方法及系统
CN115358327A (zh) 基于pca-svm的海洋温跃层数据可视化方法、装置、设备及介质
Yadav et al. Multiclass Fault Classification of an Induction Motor Bearing Vibration Data Using Wavelet Packet Transform Features and Artificial Intelligence
Al-Maskari et al. Feature extraction for smart sensing using multi-perspectives transformation

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: 20210105

RJ01 Rejection of invention patent application after publication