CN113361205A - 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，首先获取电机轴承故障振动信号，然后产生随机高斯白噪声利用EEMD分解得到一系列本征模态函数(IMF)；接着采用遗传算法对高斯白噪声幅值进行优化，最后将优化后的白噪声幅值代入CEEMD算法中分解原始振动信号，得到实际结果。本发明结合EEMD和遗传算法对电机轴承故障振动信号自适应的匹配合适的高斯白噪声幅值，降低了匹配白噪声幅值的计算时间，抑制了IMF中的模态混叠现象；再将优化的白噪声幅值代入CEMMD算法中分解振动信号，得到最终IMF结果，并对IMF进行频谱分析，提高了故障特征信息提取精度，解决了利用CEEMD进行轴承故障诊断的白噪声匹配问题。

Description

基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计 方法

技术领域

本发明涉及一种故障诊断优化设计方法，更具体地说是基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法。

背景技术

随着生产生活现代化和科学技术的发展，电机日益趋向大型化，精密化，智能化。轴承作为电机设备的重要组成部分，是电机正常运行的主要承担者之一。当轴承发生故障时，轻则影响电机运行性能，降低电机效率；重则使电机无法运行，发生生产事故。基于以上理由，电机轴承的状态监测和故障诊断显得十分有必要。

在电机的众多轴承诊断方法中，利用电机的振动信号是最为常见的一种。由于电机轴承振动信号具有非线性、非稳态的特点，如何从振动信号中准确提取故障特征信号成为一个关键的问题。经验模态分解(EMD)作为分析非线性、非稳态信号的重要手段之一，可以将信号分解成一组本征模态函数(IMF)，并通过频谱分析提取出故障特征频率。但是由于EMD得到的IMF往往会产生模态混叠现象，对故障特征频谱的提取造成影响，由此产生完备互补经验模态分解(CEEMD)算法以抑制本征模态函数的模态混叠现象。CEEMD通过在原始信号中加入一组相反的高斯白噪声，然后进行EMD，可有效地抑制本征模态函数中的模态混叠现象。然而，所选高斯白噪声幅值是否合适对能否有效抑制模态混叠现象有很大的影响，而如何选取白噪声幅值并没有一个计算公式，一般依赖于人为选择。因此，根据不同的原始信号自适应的匹配白噪声幅值，从而分解出可靠地IMF值得研究。通过结合遗传算法的自适应CEEMD将减少人工成本，有效提取故障信号，进一步实现故障诊断智能化。

发明内容

本发明的目的在于提供一种基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，该方法以智能化提取故障特征信号为优化设计目标。达到减少人工成本，准确诊断故障的目的。

为了达到上述目的，本发明的解决技术方案是：

本发明一种基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，包括以下步骤：

S10.获取轴承故障振动信号x(t)并进行数据预处理；

S20.设置高斯白噪声组数，利用随机函数获得高斯白噪声幅值；

S30.使用S20中的白噪声幅值，利用集合经验模态算法进行分解，将轴承振动信号分解成一系列本征模态函数；

S40.利用遗传算法对S30中高斯白噪声幅值进行优化；

S50.将S40中的白噪声幅值优化结果代入互补集合经验模态分解，分解轴承振动信号，得到优化结果。

本发明的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，

优选地，步骤S10中，所述轴承振动信号包括多点轴承振动数据。

优选地，在步骤S20中，高斯白噪声组数为10～50，幅值范围是振动信号标准差的0.1～0.4倍。

优选地，步骤S30中，集合经验模态分解按以下步骤进行分解：

S31.基于经验模态分解方法，将振动信号数据x(t)分解成多个IMF和一个残余分量，如下所示：

式中，n为IMF个数，c_i为第i个IMF，r_n为残余分量，t为时间；

S32.基于集合经验模态分解方法，向振动信号数据x(t)中加入多组随机高斯白噪声产生多组数据x^m(t)，对x^m(t)分解获得多组IMF及残余分量，如下：

x^m(t)＝x(t)+ε^m(t),m∈{1,...,I}

式中，I为白噪声组数，ε为高斯白噪声，x^m(t)为第m个添加白噪声的振动信号，t为时间；

S33.基于集合经验模态分解方法，对S32获得的IMF和残余分量求平均值，如下：

式中，

为分解x^m(t)求取平均值后第i个IMF分量，r为残余分量，I为白噪声组数。

优选地，步骤S40中，遗传算法按以下设置优化白噪声幅值：

S41：基于遗传算法，设置初始种群数为S20中的高斯白噪声组数；

S42：基于遗传算法，适应度函数为集合经验模态分解振动信号得到IMF之间的互信息平均值，平均值越小则适应度越高；

S43：基于遗传算法，迭代代数为20～40，终止条件为互信息平均值小于0.1；

S44：基于遗传算法，种群个体转化为2进制，长度为8，搜索范围为0.1～0.4；

S45：基于遗传算法，亲代选择方法为轮盘赌法；

S46：基于遗传算法，交叉方式为单点交叉；

S47：基于遗传算法，个体变异几率为0.01；

S48：基于遗传算法，对高斯白噪声幅值进行优化，直至达到迭代代数最大值或终止条件，提取优化后的适应度最佳个体。

优选地，步骤S50中，互补集合经验模态分解按以下步骤分解：

S51：基于互补集合经验模态分解方法，向振动信号数据中加入幅值相同，正负号相反的高斯白噪声：

式中，x⁺(t)和x^-(t)为处理后的振动信号数据，a为优化后的白噪声幅值，ε(t)为高斯白噪声；

S52：对振动信号数据进行经验模态分解，得到两组IMF和残余分量：

式中，

和

为两组数据分解得到的IMF，r⁺和r^-为残余分量；

S53：对两组IMF和残余分量结果求平均值，如下：

式中，c_i为最终的第i个IMF，r为残余分量。

与已有的技术相比，本发明有益效果体现在：

(1)本发明利用遗传算法解决了CEEMD中高斯白噪声的选择问题。该方法能够自适应的匹配CEEMD所使用的白噪声幅值，减少人工成本，智能化的进行故障诊断；

(2)本发明利用遗传算法和CEEMD对轴承故障信号进行分解，进一步抑制分解结果IMF的模态混叠问题，更精确的提取故障信息。

附图说明

图1为本发明的基于遗传算法和CEEMD的轴承故障诊断优化设计方法的流程示意图。

图2为实施例中的IMF互信息优化效果对比图。

图3为实施例中优化后IMF故障信息提取图。

具体实施方式

下面结合具体实施方式对本发明进行阐述，然而本发明的保护范围并非紧紧局限于以下实施例，实施例的说明只是用于帮助理解本发明的方法及其核心思想。凡在本专利的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明要求的保护范围之内。

提供一种基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，设计流程如图1所示，包括以下步骤：

S10：获取轴承故障振动信号x(t)，包含1024点数据；

S20：设置高斯白噪声组数为20，利用随机函数获得高斯白噪声幅值，幅值选择范围为0.1～0.4，选择范围源于相关文献和经验；

S30.使用S20中的白噪声幅值，利用集合经验模态算法进行分解，将轴承振动信号分解成一系列本征模态函数，一共含有20组IMF，集合经验模态分解按以下步骤进行分解：

S31：将振动信号数据x(t)分解，可获得5个IMF和一个残余分量，如下所示：

式中，n为5，c_i为第i个IMF，r_n为残余分量，t为时间；

S32：基于集合经验模态分解方法，向振动信号数据x(t)中加入20组随机高斯白噪声产生20组振动信号数据x^m(t)，对x^m(t)分解获得20组IMF及残余分量，如下：

x^m(t)＝x(t)+ε^m(t),m∈{1,...,I}

式中，I为白噪声组数，等于20；ε为高斯白噪声，大小为S20中高斯白噪声的幅值；x^m(t)为第m个添加白噪声的振动信号；t为时间；

S33：对S32获得的20组IMF和残余分量分别求平均值，如下：

式中，

为分解x^m(t)求取平均值后第i个IMF分量，r为残余分量，I为白噪声组数。

S40:利用遗传算法对S30中高斯白噪声幅值进行优化；

S41:设置初始种群数为S20中的高斯白噪声组数,即20；

S42：设置适应度函数为集合经验模态分解振动信号得到IMF之间的互信息平均值；

S43：设置迭代代数为20，终止条件为IMF的互信息平均值小于0.1；

S44：设置种群个体转化为2进制，长度为8，搜索范围为0.1～0.4；

S45：设置亲代选择方法为轮盘赌法；

S46：设置交叉方式为单点交叉；

S47：设置个体变异几率为0.01；

S48：对高斯白噪声幅值进行优化，直至达到迭代代数最大值或终止条件，提取优化后的适应度最佳个体；优化所得的白噪声幅值为0.1544。

S50.将S40中的白噪声幅值优化结果代入互补集合经验模态分解，分解轴承振动信号，得到优化结果。

S51：基于互补集合经验模态分解方法，向振动信号数据中加入幅值相同，正负号相反的高斯白噪声，白噪声幅值为0.1544倍振动信号的标准差：

式中，x⁺(t)和x^-(t)为处理后的振动信号数据；a为优化后的白噪声幅值，即0.1544；ε(t)为高斯白噪声；

S52：对振动信号数据进行经验模态分解，得到两组IMF和残余分量：

式中，

和

为两组数据分解得到的IMF，r⁺和r^-为残余分量，n＝5；

S53：对两组IMF和残余分量结果求平均值，如下：

式中，c_i为最终的第i个IMF，r为残余分量，n＝5。

通过上述方法得到了优化后的IMF结果，一共包含5个IMF和一个残余分量。

为了说明本发明方法的有效性，根据经验法取白噪声幅值为0.1、0.2、0.3和0.4时的CEEMD分解结果与优化后的结果相比较。计算添加的白噪声幅值分别为0.1、0.2、0.3、0.4和0.1544时，CEEMD分解对应振动信号产生的IMF之间的互信息平均值。如图2所示，其互信息平均值分别为0.7865、0.7915、0.7961、0.7978和0.7831，可以看出使用本发明方法所选取的白噪声幅值时，IMF之间的互信息平均值最小，即各个IMF之间的相关性最小。与实际经验相比，优化方法优化后的IMF互信息平均值分别减少了0.43％、1.07％、1.66％和1.88％。同时，我们对优化的IMF结果进行傅里叶分解，得到IMF的频谱图。图3展示了IMF2和IMF3的频谱图，IMF2中标出了-F_R+16F_O轴承故障频率，IMF3中标出了5F_O轴承故障频率。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于，包括以下步骤：

S10.获取轴承故障振动信号x(t)并进行数据预处理；

S20.设置高斯白噪声组数，利用随机函数获得高斯白噪声幅值；

S30.使用S20中的白噪声幅值，利用集合经验模态算法进行分解，将轴承振动信号分解成一系列本征模态函数；

S40.利用遗传算法对S30中高斯白噪声幅值进行优化；

S50.将S40中的白噪声幅值优化结果代入互补集合经验模态分解，分解轴承振动信号，得到优化结果。

2.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S10中，所述轴承振动信号包括多点轴承振动数据。

3.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：在步骤S20中，高斯白噪声组数为10～50，幅值范围是振动信号标准差的0.1～0.4倍。

4.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S30中，集合经验模态分解按以下步骤进行分解：

S31.基于经验模态分解方法，将振动信号数据x(t)分解成多个IMF和一个残余分量，如下所示：

式中，n为IMF个数，c_i为第i个IMF，r_n为残余分量，t为时间序列；

S32.基于集合经验模态分解方法，向振动信号数据x(t)中加入多组随机高斯白噪声产生多组数据x^m(t)，对x^m(t)分解获得多组IMF及残余分量，如下：

x^m(t)＝x(t)+ε^m(t),m∈{1,...,I}

式中，I为白噪声组数，ε为高斯白噪声，x^m(t)为第m个添加白噪声的振动信号，t为时间；

S33.基于集合经验模态分解方法，对S32获得的IMF和残余分量求平均值，如下：

式中，

为分解x^m(t)求取平均值后第i个IMF分量，r为残余分量。

5.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S40中，遗传算法按以下设置优化白噪声幅值：

S41：基于遗传算法，设置初始种群数为S20中的高斯白噪声组数；

S42：基于遗传算法，适应度函数为集合经验模态分解振动信号得到IMF之间的互信息平均值，平均值越小则适应度越高；

S43：基于遗传算法，迭代代数为20～40，终止条件为互信息平均值小于0.1；

S44：基于遗传算法，种群个体转化为2进制，长度为8，搜索范围为0.1～0.4；

S45：基于遗传算法，亲代选择方法为轮盘赌法；

S46：基于遗传算法，交叉方式为单点交叉；

S47：基于遗传算法，个体变异几率为0.01；

S48：基于遗传算法，对高斯白噪声幅值进行优化，直至达到迭代代数最大值或终止条件，提取优化后的适应度最佳个体。

6.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S40中，遗传算法初始种群数即初始高斯白噪声组数。

7.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S40中，遗传算法种群代数为20～40。

8.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S50中，白噪声幅值为S40中优化的结果。

9.根据权利要求1所述的基于遗传算法和CEEMD的轴承振动信号故障诊断优化设计方法，其特征在于：步骤S50中，互补集合经验模态分解按以下步骤分解：

S51：基于互补集合经验模态分解方法，向振动信号数据中加入幅值相同，正负号相反的高斯白噪声：

式中，x⁺(t)和x^-(t)为处理后的振动信号数据，a为优化后的白噪声幅值，ε(t)为高斯白噪声，t为时间序列；

S52：对振动信号数据进行经验模态分解，得到两组IMF和残余分量：

式中，

和

为两组数据分解得到的IMF，r⁺和r^-为残余分量，t为时间序列；

S53：对两组IMF和残余分量结果求平均值，如下：

式中，c_i为最终的第i个IMF，r为残余分量。

Images