CN112345249A - 基于优化变分模态分解的滚动轴承故障诊断方法 - Google Patents
基于优化变分模态分解的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112345249A CN112345249A CN202010735503.9A CN202010735503A CN112345249A CN 112345249 A CN112345249 A CN 112345249A CN 202010735503 A CN202010735503 A CN 202010735503A CN 112345249 A CN112345249 A CN 112345249A
- Authority
- CN
- China
- Prior art keywords
- entropy
- fault
- representing
- components
- energy
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005096 rolling process Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 241000288673 Chiroptera Species 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于优化变分模态分解的滚动轴承故障诊断方法，包括：选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化；以优化后的参数对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；以峭度、相关系数、边际谱熵作为筛选准则对分量进行筛选，求取保留分量的主频分布特征；将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。本发明通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于优化变分模态分解的滚动轴承故障诊断方法。
背景技术
滚动轴承在机械设备中有至关重要的作用，一旦出现故障，可能直接造成机械设备异常甚至停机，研究滚动轴承故障诊断方法是近年来机械设备故障诊断的热点内容。当滚动轴承发生故障时，它的振动信号包含了大量的故障信息，但是它的振动信号是非线性非平稳的，通过传统的频谱分析难以准确提取故障特征频率，而且也不能判断故障的严重程度。
基于以上的问题，Huang提出了经验模态分解法(EMD，Empirical ModeDecomposition)，区别于传统的信号处理方法，EMD无需设置基函数，通过自适应方法将信号分解为若干频率分量和一个残余分量，每个分量均包含信号在不同时间段的局部特征，但EMD方法存在端点效应以及模态混叠的问题。
相关技术中，提出变分模态分解，该法有可靠的数学理论基础，引入变分框架求解约束变分模型最优解，将原信号分解为一系列调幅调频信号。虽能有效避免模态混叠及端点效应，但在变分模态分解中，模态数和二次惩罚因子需要人工选取，效率低且若选取不当会对最后的分解效果产生影响，进而影响故障诊断的识别率。
发明内容
本发明为解决上述技术问题，提供了一种基于优化VMD(Variational ModeDecomposition，变分模态分解)的滚动轴承故障诊断方法，通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。
本发明采用的技术方案如下：
一种基于优化变分模态分解的滚动轴承故障诊断方法，包括以下步骤：步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化；步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征；步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。
根据本发明的一个实施例，根据以下公式(1)定义所述平均包络熵：
其中，a(j)表示第i个分量的包络线，K表示模态数，N表示采样点数， Pij表示第i个分量的归一化包络线，Eij表示第i个分量的包络熵，Ep表示平均包络熵，i和j为正整数。
根据本发明的一个实施例，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化，包括：
步骤S101，初始化蝙蝠个体的位置、速度、响度A、脉冲率r、响度衰减系数Af、脉冲频度增强系数Rf、种群数量N、最大迭代次数Tmax，其中，所述蝙蝠个体的初始位置采用混沌映射的方法生成，随机生成一个2维的 [0,1]上的向量Zi＝(Zi1，Zi2)，根据以下公式(2)迭代生成N-1个向量，
Zi+1＝4Zi(1-Zi) (2)；
步骤S102，根据以下公式(3)-(6)更新所述蝙蝠个体的速度和位置，
fi＝fmin+(fmax-fmin)β (6)；
其中，
以及
分别表示蝙蝠个体i在t和t-1代的飞行速度，
和
分别表示蝙蝠个体i在t和t-1代的位置，x*表示蝙蝠种群的当前最优解， pfitness(i)表示个体的适应度值，best min表示当前全局的最小适应度值， best max表示当前全局的最大适应度值，ω为权重因子，β为一个[0,1]上的随机向量，fmax和fmin分别是最大频率以及最小频率；
步骤S103，判断rand1是否大于
若满足，则通过以下公式(7)进行局部寻优：
其中，rand1为一个[0,1]上的随机数，
表示蝙蝠个体i在t代的位置， x*表示蝙蝠种群的当前最优解，
为蝙蝠个体i在t代的脉冲率，ε为一个 [0,1]上的随机向量，At是t代所有蝙蝠响度的平均值；
步骤S104，如果
且根据式(7)更新后的蝙蝠个体位置求得的适应度值小于蝙蝠个体i在t-1代时的适应度值，那么根据式(8)和式(9)更新所述响度A以及脉冲率r；
其中，rand2表示一个[0,1]上的随机数，
表示蝙蝠个体i在t代的响度，Af表示响度衰减系数，
表示蝙蝠个体i在t代的脉冲率，
表示初始脉冲频率，
表示脉冲频度增强因子；
返回步骤S103，直至达到最大迭代次数，将所述最小平均包络熵所对应的蝙蝠个体位置作为变分模态分解的最优模态数和二次惩罚因子进行优化。
根据本发明的一个实施例，步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵，包括：步骤S201，选取10种故障状态的信号的4096个采样点，使用优化后的模态数和二次惩罚因子对10个所述原始振动信号进行变分模态分解，每种故障状态生成K个分量，其中，10种故障状态分别为正常、内圈轻度故障、内圈中度故障、内圈重度故障、滚动体轻度故障、滚动体中度故障、滚动体重度故障、外圈轻度故障、外圈中度故障、外圈重度故障；
步骤S202，根据以下公式(10)和(11)求取所述能量熵和所述能谱熵，
式中，Ei表示第i个分量的能量，Pi表示第i个分量的归一化能量，H表示能量熵，ci(t)表示第i个分量，m表示采样点数；
式中，Pi的定义与式(10)中相同，VE表示能谱熵，k表示分量的总个数。
根据本发明的一个实施例，步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征，包括：
步骤S301，分别根据以下公式(12)、(14)、(14)求取所述分量的峭度、相关系数、边际谱熵的倒数；
式中，Kr表示分量的峭度，xi表示分量信号，N表示分量的采样点数；
式中，ρ表示分量的关系数，X以及Y分别表示分量与原始振动信号，μX与μY分别表示分量与原始信号的均值，σ(X)以及σ(Y)分别表示分量与原始信号的标准差，
式中，Hp表示边际谱熵的倒数，Pi表示第i个分量的边际谱的归一化， h(i)表示分量的边际谱；
步骤S302，所述分量以所述峭度、相关系数、边际谱熵作为筛选准则的值映射到三维直角坐标系中，其中，点的坐标设为：(0，峭度值，0)， (10*边际谱熵的倒数，0，0)，(0，0，10*相关系数)，将三个点相连后得到三角形，选取三角形面积最大的分量；
S303，根据以下公式(15)求取筛选后的分量的主频分布特征；
式中，K表示频谱线数，fk表示第k条频谱线的频率值，s(k)表示频谱。
根据本发明的一个实施例，步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断，包括：每种故障状态选取80个样本，每个样本有1024个点，获取10种故障状态的所有样本的特征向量，其中，每种故障状态选取60个样本作为训练样本， 20个样本则作为测试样本，将所述训练样本输入到所述支持向量机中进行模型的训练，训练完成后，将所述测试样本输入到所述模型中对10种故障状态进行分类识别。
本发明的有益效果：
1、使用改进的蝙蝠算法能够更快地找到最优解。
2、以最小平均包络熵作为优化目标，使用改进的蝙蝠算法对变分模态分解的参数寻优能够避免人工确定参数，且寻优的参数组合能够提高故障状态的识别率。
3、将三个筛选准则的值映射到三维直角坐标轴上，以三个轴上的点组成的三角形面积作为分量筛选方法，不仅避免了三个筛选准则影响权重的设置问题，而且能够提高保留分量的有用信息。
附图说明
图1是根据本发明一个实施例的基于优化变分模态分解的滚动轴承故障诊断方法的流程图；
图2是使用标准蝙蝠算法和改进蝙蝠算法对变分模态分解参数优化的迭代对比图；
图3是根据本发明一个具体示例的以峭度、相关系数、边际谱熵作为筛选准则的数值构成的三角形的示意图；
图4是根据本发明一个具体示例的对10种故障状态测试样本的分类结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明一个实施例的基于优化变分模态分解的滚动轴承故障诊断方法的流程图。如图1所示，该方法包括以下步骤：
步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化。
进一步地，在本发明的一个实施例中，根据以下公式(1)定义平均包络熵：
其中，a(j)表示第i个分量的包络线，K表示模态数，N表示采样点数， Pij表示第i个分量的归一化包络线，Eij表示第i个分量的包络熵，Ep表示平均包络熵，i和j为正整数。
进一步地，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化，包括：
步骤S101，初始化蝙蝠个体的位置、速度、响度A、脉冲率r、响度衰减系数Af、脉冲频度增强系数Rf、种群数量N、最大迭代次数Tmax，其中，蝙蝠个体的初始位置采用混沌映射的方法生成，随机生成一个2维的[0,1]上的向量Zi＝(Zi1，Zi2)，根据以下公式(2)迭代生成N-1个向量，
Zi+1＝4Zi(1-Zi) (2)；
步骤S102，根据以下公式(3)-(6)更新蝙蝠个体的速度和位置，
fi＝fmin+(fmax-fmin)β (6)；
其中，
以及
分别表示蝙蝠个体i在t和t-1代的飞行速度，
和
分别表示蝙蝠个体i在t和t-1代的位置，x*表示蝙蝠种群的当前最优解， pfitness(i)表示个体的适应度值，bestmin表示当前全局的最小适应度值，bestmax表示当前全局的最大适应度值，ω为权重因子，β为一个[0,1]上的随机向量，fmax和fmin分别是最大频率以及最小频率；
步骤S103，判断rand1是否大于
若满足，则通过以下公式(7)进行局部寻优：
其中，rand1为一个[0,1]上的随机数，
表示蝙蝠个体i在t代的位置， x*表示蝙蝠种群的当前最优解，
为蝙蝠个体i在t代的脉冲率，ε为一个 [0,1]上的随机向量，At是t代所有蝙蝠响度的平均值；
步骤S104，如果
且根据式(7)更新后的蝙蝠个体位置求得的适应度值小于蝙蝠个体i在t-1代时的适应度值，那么根据式(8)和式(9)更新响度A以及脉冲率r；
其中，rand2表示一个[0,1]上的随机数，
表示蝙蝠个体i在t代的响度，Af表示响度衰减系数，
表示蝙蝠个体i在t代的脉冲率，
表示初始脉冲频率，
表示脉冲频度增强因子；
返回步骤S103，直至达到最大迭代次数，将最小平均包络熵所对应的蝙蝠个体位置作为变分模态分解的最优模态数和二次惩罚因子进行优化。
也就是说，在达到最大迭代次数前，重复步骤S103中的速度以及位置更新，满足rand1大于
的条件时，使用式(7)更新个体位置，满足
条件且更新的个体适应度值小于蝙蝠个体i在t-1代时的适应度值时，更新个体的响度以及脉冲频率，迭代完成后，最小平均包络熵所对应的蝙蝠个体位置就是变分模态分解的最优参数组合。
以轻度内圈故障信号为例，发明人经相关实验得出图2所示的使用标准蝙蝠算法和改进蝙蝠算法对变分模态分解参数优化的迭代对比图，其中曲线 1代表标准蝙蝠算法对变分模态分解参数优化的迭代曲线，曲线2代表改进蝙蝠算法对变分模态分解参数优化的迭代曲线。由图2可以明确看出，使用改进的蝙蝠算法能够更快地找到最优解。
步骤S2，以优化后的模态数和二次惩罚因子对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵。
进一步而言，以优化后的模态数和二次惩罚因子对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵，包括：
步骤S201，选取10种故障状态的信号的4096个采样点，使用优化后的模态数和二次惩罚因子对10个原始振动信号进行变分模态分解，每种故障状态生成K个分量，其中，10种故障状态分别为正常、内圈轻度故障、内圈中度故障、内圈重度故障、滚动体轻度故障、滚动体中度故障、滚动体重度故障、外圈轻度故障、外圈中度故障、外圈重度故障；
步骤S202，根据以下公式(10)和(11)求取能量熵和能谱熵，
式中，Ei表示第i个分量的能量，Pi表示第i个分量的归一化能量，H表示能量熵，ci(t)表示第i个分量，m表示采样点数；
式中，Pi的定义与式(10)中相同，VE表示能谱熵，k表示分量的总个数。
步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对分量进行筛选，求取保留分量的主频分布特征。
进一步而言，步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征，包括：
步骤S301，分别根据以下公式(12)、(14)、(14)求取分量的峭度、相关系数、边际谱熵的倒数；
式中，Kr表示分量的峭度，xi表示分量信号，N表示分量的采样点数；
式中，ρ表示分量的关系数，X以及Y分别表示分量与原始振动信号，μX与μY分别表示分量与原始信号的均值，σ(X)以及σ(Y)分别表示分量与原始信号的标准差，
式中，Hp表示边际谱熵的倒数，Pi表示第i个分量的边际谱的归一化， h(i)表示分量的边际谱；
步骤S302，将分量的以峭度、相关系数、边际谱熵作为筛选准则的值映射到三维直角坐标系中，其中，点的坐标设为：(0，峭度值，0)，(10*边际谱熵的倒数，0，0)，(0，0，10*相关系数)，将三个点相连后得到三角形，选取三角形面积最大的分量。
具体地，图3是根据本发明一个具体示例的以峭度、相关系数、边际谱熵作为筛选准则的数值构成的三角形的示意图。
S303，根据以下公式(15)求取筛选后的分量的主频分布特征；
式中，K表示频谱线数，fk表示第k条频谱线的频率值，s(k)表示频谱。
步骤S4，将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。
进一步而言，在本发明的一个实施例中，将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断，包括：
每种故障状态选取80个样本，每个样本有1024个点，获取10种故障状态的所有样本的特征向量，其中，每种故障状态选取60个样本作为训练样本，20个样本则作为测试样本，将训练样本输入到支持向量机中进行模型的训练，训练完成后，将测试样本输入到模型中对10种故障状态进行分类识别。
也就是说，0种故障状态信号的4096个采样点完成VMD参数寻优后，每种故障状态选取80个样本，每个样本有1024个点，每种故障状态的 80个样本都使用参数优化后的VMD进行分解，根据步骤S2和S3，可求得能量熵、能谱熵、主频分布特征，将这三个特征组成特征向量；求取10种故障状态的所有样本的特征向量，每种故障状态都选取60个样本作为训练样本，其余20个样本则作为测试样本，将训练样本输入到支持向量机中进行模型的训练，训练完成后，将测试样本输入到模型中对10种故障状态进行分类识别。
根据本发明上述提出的基于优化变分模态分解的滚动轴承故障诊断方法，发明人经相关实验得出如图4所示的对10种故障状态测试样本的分类结果图。其中，采用本方法的故障状态的识别率可以达到97％，提高了故障状态的识别率。
综上所述，根据本发明实施例的基于优化变分模态分解的滚动轴承故障诊断方法，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化；以优化后的参数对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；以峭度、相关系数、边际谱熵作为筛选准则对分量进行筛选，求取保留分量的主频分布特征；将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。本发明通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置) ，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器 (CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化；
步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；
步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征；
步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。
2.根据权利要求1所述的基于优化变分模态分解的滚动轴承故障诊断方法，特征在于，根据以下公式(1)定义所述平均包络熵：
其中，a(j)表示第i个分量的包络线，K表示模态数，N表示采样点数，Pij表示第i个分量的归一化包络线，Eij表示第i个分量的包络熵，Ep表示平均包络熵，i和j为正整数。
3.根据权利要求2所述的基于优化变分模态分解的滚动轴承故障诊断方法，特征在于，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化，包括：
步骤S101，初始化蝙蝠个体的位置、速度、响度A、脉冲率r、响度衰减系数Af、脉冲频度增强系数Rf、种群数量N、最大迭代次数Tmax，其中，所述蝙蝠个体的初始位置采用混沌映射的方法生成，随机生成一个2维的[0,1]上的向量Zi＝(Zi1，Zi2)，根据以下公式(2)迭代生成N-1个向量，
Zi+1＝4Zi(1-Zi) (2)；
步骤S102，根据以下公式(3)-(6)更新所述蝙蝠个体的速度和位置，
fi＝fmin+(fmax-fmin)β (6)；
其中，
以及
分别表示蝙蝠个体i在t和t-1代的飞行速度，
和
分别表示蝙蝠个体i在t和t-1代的位置，x*表示蝙蝠种群的当前最优解，pfitness(i)表示个体的适应度值，best min表示当前全局的最小适应度值，best max表示当前全局的最大适应度值，ω为权重因子，β为一个[0,1]上的随机向量，fmax和fmin分别是最大频率以及最小频率；
步骤S103，判断rand1是否大于ri t-1，若满足，则通过以下公式(7)进行局部寻优：
其中，rand1为一个[0,1]上的随机数，
表示蝙蝠个体i在t代的位置，x*表示蝙蝠种群的当前最优解，ri t为蝙蝠个体i在t代的脉冲率，ε为一个[0,1]上的随机向量，At是t代所有蝙蝠响度的平均值；
步骤S104，如果
且根据式(7)更新后的蝙蝠个体位置求得的适应度值小于蝙蝠个体i在t-1代时的适应度值，那么根据式(8)和式(9)更新所述响度A以及脉冲率r；
其中，rand2表示一个[0,1]上的随机数，
表示蝙蝠个体i在t代的响度，Af表示响度衰减系数，ri t表示蝙蝠个体i在t代的脉冲率，ri 0表示初始脉冲频率，
表示脉冲频度增强因子，Rf表示脉冲频度增强系数；
返回步骤103，直至达到最大迭代次数，将所述最小平均包络熵所对应的蝙蝠个体位置作为变分模态分解的最优模态数和二次惩罚因子进行优化。
4.根据权利要求3所述基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵，包括：
步骤S201，选取10种故障状态的信号的4096个采样点，使用优化后的模态数和二次惩罚因子对10个所述原始振动信号进行变分模态分解，每种故障状态生成K个分量，其中，10种故障状态分别为正常、内圈轻度故障、内圈中度故障、内圈重度故障、滚动体轻度故障、滚动体中度故障、滚动体重度故障、外圈轻度故障、外圈中度故障、外圈重度故障；
步骤S202，根据以下公式(10)和(11)求取所述能量熵和所述能谱熵，
式中，Ei表示第i个分量的能量，Pi表示第i个分量的归一化能量，H表示能量熵，ci(t)表示第i个分量，m表示采样点数；
式中，Pi的定义与式(10)中相同，VE表示能谱熵，k表示分量的总个数。
5.根据权利要求4所述基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征，包括：
步骤S301，分别根据以下公式(12)、(14)、(14)求取所述分量的峭度、相关系数、边际谱熵的倒数；
式中，Kr表示分量的峭度，xi表示分量信号，N表示分量的采样点数；
式中，ρ表示分量的关系数，X以及Y分别表示分量与原始振动信号，μX与μY分别表示分量与原始信号的均值，σ(X)以及σ(Y)分别表示分量与原始信号的标准差，
式中，Hp表示边际谱熵的倒数，Pi表示第i个分量的边际谱的归一化，h(i)表示分量的边际谱；
步骤S302，将所述分量以所述峭度、相关系数、边际谱熵作为筛选准则的值映射到三维直角坐标系中，其中，点的坐标设为：(0，峭度值，0)，(10*边际谱熵的倒数，0，0)，(0，0，10*相关系数)，将三个点相连后得到三角形，选取三角形面积最大的分量；
S303，根据以下公式(15)求取筛选后的分量的主频分布特征；
式中，K表示频谱线数，fk表示第k条频谱线的频率值，s(k)表示频谱。
6.根据权利要求5所述的基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断，包括：
每种故障状态选取80个样本，每个样本有1024个点，获取10种故障状态的所有样本的特征向量，其中，每种故障状态选取60个样本作为训练样本，20个样本则作为测试样本，将所述训练样本输入到所述支持向量机中进行模型的训练，训练完成后，将所述测试样本输入到所述模型中对10种故障状态进行分类识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735503.9A CN112345249B (zh) | 2020-07-28 | 2020-07-28 | 基于优化变分模态分解的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735503.9A CN112345249B (zh) | 2020-07-28 | 2020-07-28 | 基于优化变分模态分解的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112345249A true CN112345249A (zh) | 2021-02-09 |
| CN112345249B CN112345249B (zh) | 2023-04-28 |
Family
ID=74358264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010735503.9A Active CN112345249B (zh) | 2020-07-28 | 2020-07-28 | 基于优化变分模态分解的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112345249B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
| CN113723546A (zh) * | 2021-09-03 | 2021-11-30 | 江苏理工学院 | 基于离散隐马尔可夫模型的轴承故障检测方法和系统 |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
| CN114563181A (zh) * | 2022-01-10 | 2022-05-31 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
| CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学（保定） | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
| CN115855508A (zh) * | 2023-02-22 | 2023-03-28 | 南京邮电大学 | 基于算术优化变分模态分解的轴承故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入（sille）维数化简的早期故障辨识方法 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
| CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
| CN111413089A (zh) * | 2020-04-08 | 2020-07-14 | 北华大学 | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 |
-
2020
- 2020-07-28 CN CN202010735503.9A patent/CN112345249B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入（sille）维数化简的早期故障辨识方法 |
| CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
| CN109163911A (zh) * | 2018-09-21 | 2019-01-08 | 昆明理工大学 | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 |
| CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
| CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
| CN111413089A (zh) * | 2020-04-08 | 2020-07-14 | 北华大学 | 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| YAGUO LEI 等: "Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
| 常雪 等: "基于改进蝙蝠算法优化的FCM聚类算法", 《计算机与现代化》 * |
| 杨琳: "VMD时频分析方法及在机械故障诊断中的应用研究", 《中国优秀硕士学位论文电子期刊》 * |
| 段永彬 等: "基于变分模态分解谱熵的电机轴承退化状态识别方法", 《机械设计与研究》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113252322B (zh) * | 2021-04-27 | 2022-05-31 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113252322A (zh) * | 2021-04-27 | 2021-08-13 | 国网安徽省电力有限公司亳州供电公司 | 一种含噪背景下的断路器机械故障诊断方法及装置 |
| CN113468688A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
| CN113468688B (zh) * | 2021-07-05 | 2022-12-09 | 西安交通大学 | 基于参数优化vmd和加权基尼指数的轴承故障诊断方法 |
| CN113723546A (zh) * | 2021-09-03 | 2021-11-30 | 江苏理工学院 | 基于离散隐马尔可夫模型的轴承故障检测方法和系统 |
| CN113723546B (zh) * | 2021-09-03 | 2023-12-22 | 江苏理工学院 | 基于离散隐马尔可夫模型的轴承故障检测方法和系统 |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
| CN114077847B (zh) * | 2021-10-27 | 2022-08-19 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
| CN114563181B (zh) * | 2022-01-10 | 2023-06-27 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
| CN114563181A (zh) * | 2022-01-10 | 2022-05-31 | 浙江工业大学之江学院 | 基于改进变分模态提取的旋转机械故障特征提取方法 |
| CN114578087A (zh) * | 2022-01-24 | 2022-06-03 | 华北电力大学（保定） | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
| CN114578087B (zh) * | 2022-01-24 | 2023-10-13 | 华北电力大学（保定） | 基于非支配排序和随机模拟算法的风速不确定性度量方法 |
| CN115855508A (zh) * | 2023-02-22 | 2023-03-28 | 南京邮电大学 | 基于算术优化变分模态分解的轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112345249B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112345249A (zh) | 基于优化变分模态分解的滚动轴承故障诊断方法 | |
| Spiridonakos et al. | Non-stationary random vibration modelling and analysis via functional series time-dependent ARMA (FS-TARMA) models–A critical survey | |
| Reynaud-Bouret et al. | Adaptive density estimation: a curse of support? | |
| CN111788629B (zh) | 学习装置、声音区间检测装置及声音区间检测方法 | |
| CN110853663A (zh) | 基于人工智能的语音增强方法、服务器及存储介质 | |
| CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
| CN115452362A (zh) | 一种齿轮箱故障诊断方法 | |
| CN111931983A (zh) | 一种降水量预测方法及系统 | |
| CN111695624A (zh) | 数据增强策略的更新方法、装置、设备及存储介质 | |
| CN115455745B (zh) | 自适应频点采样的扫频方法、系统及相关设备 | |
| Godsill et al. | Bayesian inference for time series with heavy-tailed symmetric α-stable noise processes | |
| CN116186495A (zh) | 基于完备模态分解和随机森林响应面拟合的结构参数求解方法 | |
| CN110909453A (zh) | 一种基于eemd的输电线路覆冰等级预测方法 | |
| CN116465624B (zh) | 基于hngo优化kelm的齿轮箱故障诊断方法 | |
| JP3638310B2 (ja) | 事例推論支援装置 | |
| CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
| CN112001256A (zh) | 混合信号去工频干扰方法及系统 | |
| Milman | Approachable sets of vector payoffs in stochastic games | |
| CN115169747A (zh) | 电力负荷的非平稳时间序列预测方法、装置及相关设备 | |
| CN111833199A (zh) | 社区结构的划分方法、装置、设备及计算机可读介质 | |
| CN108595648B (zh) | 音乐主旋律提取系统 | |
| CN113743571A (zh) | 数据处理的方法、电子设备和存储介质 | |
| CN111798862A (zh) | 音频降噪方法、系统、设备及存储介质 | |
| CN111047039A (zh) | 深度神经网络裁剪方法、装置及电子设备 | |
| CN116206188B (zh) | 一种图像识别方法、系统、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |