CN113780056A - 基于振动信号的滚动轴承故障诊断方法 - Google Patents
基于振动信号的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113780056A CN113780056A CN202110829505.9A CN202110829505A CN113780056A CN 113780056 A CN113780056 A CN 113780056A CN 202110829505 A CN202110829505 A CN 202110829505A CN 113780056 A CN113780056 A CN 113780056A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- algorithm
- imf
- rolling bearing
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 9
- 241000282461 Canis lupus Species 0.000 claims description 57
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 8
- 241000282421 Canidae Species 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims 1
- 230000006798 recombination Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001179 sorption measurement 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
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于振动信号的滚动轴承故障诊断方法，采用CEEMDAN算法对振动信号进行分解，对得到的本征模态函数进行去趋势波动分析，计算各IMF分量的标度函数值，选取出噪声主导的IMF分量进行去噪处理；能够更好地去除噪声，并降低信号的失真度；计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率，引入灰狼算法对多尺度排列熵的初始参数进行优化，再对重构信号进行MPE值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别，使熵值区分度高，构建故障特征向量更好，识别率更高。
Description
技术领域
本发明涉及滚动轴承故障诊断方法，具体的说，是涉及一种基于振动信号的滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械的核心元件，也是极易受损的器件，若是滚动轴承发生故障，轻则导致生产线停止工作，重则导致人员伤亡。因此需要对轴承进行故障诊断，判断其故障位置，并对故障部件及时进行维修或更换。
对于滚动轴承不同部件发生故障，其运转周期以及结构尺寸都不同，这也就导致轴承故障频率不同。
目前轴承振动信号去噪方法主要有两种：一种是基于小波阈值去噪法，另一种是基于经验模态分解(EMD)去噪法。小波阈值去噪针对整个信号进行处理，但是噪声是高频分量，小波阈值对于低频分量处理时，会造成一定程度的信号失真。基于经验模态分解(EMD)去噪法，EMD算法具有端点效应、模态混叠的不足；CEEMDAN经验模态分解可实现对信号的自适应分解，产生一些列IMF分量，但其去噪是将含有噪声分量较多的IMF 分量直接去除，同时一些有用信息也被去除掉，造成信号失真度较高。
目前对滚动轴承进行故障特征提取的方法主要有：时域分析法、频域分析法和时频域分析法。
(1)时域分析法，对滚动轴承故障特征提取最早使用的方法是时域分析法，它原理成熟、计算简单并且容易理解。但某些情况下，轴承发生故障时，单纯的采用时域特征量无法对轴承的故障特征进行准确提取。
(2)频域分析法，使用快速傅里叶算法采集振动信号频域内的信息，再对其进行包络谱、功率谱、峭度谱、奇异谱等分析，从而提取出轴承故障特征。仅仅对振动信号的频域信息进行分析，而忽略信号的时域信息，会在一定程度上降低提取出来的故障特征的有效性。
(3)时频域分析法。由于滚动轴承工作环境复杂恶劣，导致采集到的轴承振动信号具有非线性、非平稳等特性，单纯的时域分析和频域分析具有一定的局限性，所以时频域分析法应运而生。常用的时频域分析主要为小波变换、经验模态分解、奇异值分解等。
仅仅将故障特征信息提取出来还无法对滚动轴承的故障类型进行自动识别，所以自动识别技术也被运用到滚动轴承故障诊断之中。目前常用的故障类型方法主要为人工神经网络和SVM，其中基于支持向量机的故障类型识别，支持向量机可以较好的解决人工神经网络在样本数量少时学习结果较差的缺陷，但支持向量机参数需要进行优化，否则识别准确率不高。单纯的MPE-SVM识别，存在MPE熵值混叠现象。
发明内容
针对上述现有技术中的不足，本发明提供一种能够更好地去除噪声，并降低信号的失真度，构建故障特征向量更好，识别率更高的基于振动信号的滚动轴承故障诊断方法。
本发明所采取的技术方案是：
一种基于振动信号的滚动轴承故障诊断方法，包括如下步骤：
首先，对采集到的滚动轴承振动信号进行去噪处理；
步骤S101，采集或输入含有噪音的振动信号；
步骤S102，采用CEEMDAN算法对振动信号进行分解，分解得到多个 IMF分量；
步骤S103，对得到的本征模态函数进行去趋势波动分析；
步骤S104，计算各IMF分量的标度函数值，判别IMF分量是否为噪音主导分量；是噪音主导的分量选取出噪声主导的IMF分量，跳转步骤 S105，否则跳转步骤S107；
步骤S105，对其运用改进的小波阈值函数进行去噪处理；
步骤S106，得到去噪后的全部IMF分量；
步骤S107，得到有用信号主导的IMF分量；
其次，对滚动轴承振动信号进行故障特征提取以及故障类型识别；
步骤S108，将去噪之后的振动信号进行重构再次进行CEEMDAN算法分解；
步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构；
步骤S110，使用灰狼算法对MPE的参数进行优化；
步骤S111，利用灰狼-MPE对重构信号进行排列熵计算，构建特征向量；
步骤S112，将特征量输入到SVM中进行分类和识别。
对滚动轴承振动信号进行故障特征提取以及故障类型识别时，首先将去噪之后的振动信号再次进行CEEMDAN算法分解，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率。为实现轴承故障类型自动识别，引入灰狼算法，对多尺度排列熵(MPE)的初始参数进行优化，再对重构信号进行MPE值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。
CEEMDAN算法对分解之后的信号进行重构时，其偏差几乎为零，与EEMD算法相比具有更好的分解完备性，并且可以较好的克服EEMD算法存在的缺陷。它的计算过程如下：
优选的，(1)通过EMD算法对信号进行分解，产生的第j个IMF分量用算子Ej(·)来进行定义，并且CEEMDAN算法分解出来的第j个IMF分量定义为IMFj′,ni(t)代表着高斯白噪声。CEEMDAN算法对待处理的原信号和白噪声组合形成的含噪信号x(t)+ε0·ni(t)进行I次EMD分解试验，得：
(2)当在第一阶段(j＝1)时求取第一个残余序列：
r1(t)＝x(t)-IMF1′(t) (2)
(3)对于r1(t)+ε1E1(ni(t))(i＝1,2,…)，使用EMD算法进行多次处理，一直处理到产生第一个IMF分量为止，然后在紧跟着计算第二个IMF分量：
(4)对其他剩下的阶段(j＝2,3,…J),进行上述第(3)步，将第j+1个 IMF分量表示为：
rj(t)＝rj-1-IMFj(t) (4)
(5)对于j进行加1处理，并且反复进行第(4)步，一直求到的残余序列不能在进行处理为止，当CEEMDAN算法停止时，求得的IMF分量的数目为J个，将最后计算所得的残余序列表示为如下：
(6)经CEEMDAN算法处理完之后的原始信号x(t)用IMF分量和残余分量表示为：
针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判定的问题，将去趋势波动分析(DFA)引入到IMF分量临界点的判定上来；
DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来避免非平稳性造成的虚假相关性，其具体步骤如下：
(1)首先是对已知的时间序列x(i)进行处理，计算公式如(8)所示，再对计算所得的时间序列y(k)进行分段处理，分解为长度是n的Nn个分段。
其中，
定义为x(i)在时间段[1,N]中的平均值。
(2)进行公式(10)的计算获得每个序列分段的自有趋势ys(i)，主要是对每个序列分段当中的极值点使用最小二乘法进行非线性融合。
(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系数求出来，计算公式分别为(11)与(12)。
(4)更改步骤(1)中求取出来的分段长度n，并且重复步骤2、3的计算，这样就可以得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲线图，其中曲线的斜率α就是所需要的标度函数。
F(n)∝nα(14)
根据求取出来的标度函数值α进行判断IMF分量中的噪声和有用信息分量，对噪声主导的IMF分量进行改进小波阈值去噪。步骤如下：
根据选取出来的IMF分量进行重构x(t)，对x(t)进行一维离散小波变换：
其中，ψ(t)为离散小波尺度函数。式(3.15)对应的小波系数表达式为：
dj,k＝uj,k+ej,k
其中，dj,k为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，uj,k与ej,k分别为有用信号和噪声信号经过小波变换多尺度分解后的细节系数。
在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理后的各层小波细节系数dj,k’；
其中，dj,k是小波系数，λ是设置的阈值，sign(·)是符号函数。
其中δ代表的是噪声强度，i代表的是分解层数。
最后将得到的小波细节系数dj,k’对x(t)进行重构，得到去噪后的信号 x’(t)。
优选的，故障特征提取与故障识别步骤如下：
对上述去噪后的信号x’(t)再次使用CEEMDAN分解，按照下式(18)和 (19)选取含有故障信息较多的IMF分量进行重构,得到重构信号f(t)。
其中，如果滚动轴承正常运转，那么测试所得振动信号趋于正态分布，K值约为3；如果滚动轴承出现故障，那么测试所得振动信号某时段的K值大于3；峭度值越大，测试所得振动信号中包含的故障冲击成分越明显；
对重构后的信号f(t)进行包络谱分析；
(1)对做Hilbert包络谱变换,定义为y(t):
式中：t为时间，τ为某一时刻。
(2)构造解析函数z(t)为：
z(t)＝f(t)+iy(t)＝a(t)eiφ(t) (20)
式中：i为虚数单位。
(3)变换之后的幅值函数a(t)为：
瞬时相位φ(t)为：
为实现滚动轴承故障类型自动识别，在构建故障特征集输入到支持向量机中进行识别；
首先对f(t)进行空间重组，计算出矩阵(23)。
其中，矩阵中j＝1,2,…,T；λ代表延迟时间；m代表嵌入维数。
H＝n-(m-1)λ，在矩阵上具有T行，就可以获得T个重构量。将f(t)重新构造的矩阵分量按照递增的顺序进行排序，jm在这里被规定为元素的索引，如下式(24)所示；
f[i+(j1-1)λ]≤f[i+(j2-1)λ]≤…≤f[i+(jm-1)λ] (24)
如果得到的重构分量中存在着和数值一样的情况，则按照j1,j2的值进行排列。即(25)和(26)所示。
f[i+(j1-1)λ]＝f[i+(j2-1)λ] (25)
f[i+(j1-1)λ]≤f[i+(j2-1)λ] (26)
这时就可以对随意的一个时间序列x(i)进行重构，就可以得到重构矩阵的每一行系数，如公式(27)所示；
S(l)＝(j1,j2,…,jm) (27)
上述公式l＝1,2,…,t,并且t≤m！,在这里把每一行的序列S(l)发生的概率表示为p1,p2,…,pt，并按照熵原理，把T种时间序列x(i)表示为下式(28)；
多尺度排列熵[62-64]的理论基础是建立在多尺度分析和排列熵上的。其核心就是对最初的时间序列进行粗粒化计算，进而实现多尺度时间序列的创建。多尺度排列熵的详细计算过程如下：
(1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列
计算公式如(29)所示。
(2)对上述求得的序列
进一步处理，按照公式(30)求出所需的多尺度排列熵。
经过计算发现，求取出来的MPE熵值受初始参数的影响较大，导致 MPE熵值区分度不大，引入灰狼算法对MPE的参数进行优化处理。
优选的，灰狼算法如下：
在狩猎过程中，将灰狼围捕猎物的行为定义为：
式(32)表示个体与猎物的距离，t是目前迭代代数，
和
分别是猎物的位置向量和灰狼的位置向量，
是系数向量，其计算公式为：
灰狼的位置更新公式为：
式(34)中
是系数向量，其计算公式为：
式(35)中，
是收敛因子，随着迭代次数从2线性减小到0，
和
的取模[0,1]之间的随机数；
灰狼个体跟踪猎物位置的数学模型描述如下：
式(35)中，
分别表示α、β、δ与其它个体间的距离。
分别表示α、β、δ的当前位置；
狼群中ω个体朝向α、β、δ前进的步长和方向，可定义为：
ω个体的最终位置为：
灰狼算法优化流程为：
(1)初始化灰狼种群，以及狼群领导者和各项系数。
(2)计算灰狼个体的适应度，保存适应度最好的前3匹狼。
(3)更新当前灰狼的位置，更新领导者和各项系数；
(4)计算全部灰狼的适应度，更新前3匹狼的适应度和位置；
(5)判断是否达到最大迭代代数，如果是则结束，如果否，则重复第(3)至第(5)步骤。
本发明相对现有技术的有益效果：
本发明基于振动信号的滚动轴承故障诊断方法，CEMDN渠道是将含有噪声分量比较多的IMF分量直接去除，它的缺点就是失真率特别高，然后小波渠道的话，它是对全部的那个整个信号进行一个渠道，它也是存在一个失真率的问题，然后这个三者结合的话就可以通过DF它的判别，然后来判断CMDN分解出来的MF分量中，哪个MF分量，还有噪声比较多，然后对这个分量进行一个小波的渠道，对于还有的噪声分量比较少的那个MF 分量就不用管它了，这样的话，渠道的失真率就比较低一些，他渠道就有那个针对性，能够更好地去除噪声，并降低信号的失真度。
本发明基于振动信号的滚动轴承故障诊断方法，对滚动轴承振动信号进行故障特征提取以及故障类型识别，将去噪之后的振动信号再次进行CEEMDAN算法分解，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率。为实现轴承故障类型自动识别，引入灰狼算法对多尺度排列熵(MPE)的初始参数进行优化，再对重构信号进行MPE 值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。仿真结果表明，多尺度排列熵值灰狼算法优化后的故障识别准确率为97.5％，较未优化之前故障识别准确率提高了11.67％；单纯的MPE-SVM识别，存在MPE熵值混叠现象，使用灰狼算法进行优化，使熵值区分度高，构建故障特征向量更好，识别率更高。
附图说明
图1是基于振动信号的滚动轴承故障诊断方法的灰狼算法+MPE+SVM故障识别流程图；
图2是基于振动信号的滚动轴承故障诊断方法的内圈故障原始信号时域图；
图3是基于振动信号的滚动轴承故障诊断方法的内圈故障原始信号包络谱图；
图4是基于振动信号的滚动轴承故障诊断方法的内圈故障去噪信号时域图；
图5是基于振动信号的滚动轴承故障诊断方法的内圈故障去噪信号包络谱图；
图6是基于振动信号的滚动轴承故障诊断方法的滚动轴承的MPE值图；
图7是基于振动信号的滚动轴承故障诊断方法的滚动轴承的灰狼算法-MPE值图；
图8是基于振动信号的滚动轴承故障诊断方法的A测试集识别结果结构示意图；
图9是基于振动信号的滚动轴承故障诊断方法的B测试集识别结果结构示意图；
图10是基于振动信号的滚动轴承故障诊断方法的C测试集识别结果结构示意图；
图11是基于振动信号的滚动轴承故障诊断方法的D测试集识别结果结构示意图。
具体实施方式
以下参照附图及实施例对本发明进行详细的说明：
附图1-11可知，一种基于振动信号的滚动轴承故障诊断方法，包括如下步骤：
首先，对采集到的滚动轴承振动信号进行去噪处理；
步骤S101，采集或输入含有噪音的振动信号；
步骤S102，采用CEEMDAN算法对振动信号进行分解，分解得到多个 IMF分量；
步骤S103，对得到的本征模态函数进行去趋势波动分析；
步骤S104，计算各IMF分量的标度函数值，判别IMF分量是否为噪音主导分量；是噪音主导的分量选取出噪声主导的IMF分量，跳转步骤 S105，否则跳转步骤S107；
步骤S105，对其运用改进的小波阈值函数进行去噪处理；
步骤S106，得到去噪后的全部IMF分量；
步骤S107，得到有用信号主导的IMF分量；
其次，对滚动轴承振动信号进行故障特征提取以及故障类型识别；
步骤S108，将去噪之后的振动信号进行重构再次进行CEEMDAN算法分解；
步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构；
步骤S110，使用灰狼算法对MPE的参数进行优化；
步骤S111，利用灰狼-MPE对重构信号进行排列熵计算，构建特征向量；求出来的多尺度排列熵值作为特征量，一开始用一些排列熵值作为训练集，另外一些做故障集。就是采集到了100个信号，可以选取50个作为训练集，50个故障集，然后对其进行分析，求出来各自的排列熵值，其中训练集的排列熵值代表的故障类型是清楚的，将训练集和故障集的排列熵值输入到SVN中，就可以进行故障集故障类型的判别。
步骤S112，将特征量输入到SVM中进行分类和识别。
对滚动轴承振动信号进行故障特征提取以及故障类型识别时，首先将去噪之后的振动信号再次进行CEEMDAN算法分解，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率。为实现轴承故障类型自动识别，引入灰狼算法，对多尺度排列熵(MPE)的初始参数进行优化，再对重构信号进行MPE值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。
CEEMDAN算法对分解之后的信号进行重构时，其偏差几乎为零，与 EEMD算法相比具有更好的分解完备性，并且可以较好的克服EEMD算法存在的缺陷。它的计算过程如下：
优选的，(1)通过EMD算法对信号进行分解，产生的第j个IMF分量用算子Ej(·)来进行定义，并且CEEMDAN算法分解出来的第j个IMF分量定义为IMFj′,ni(t)代表着高斯白噪声。CEEMDAN算法对待处理的原信号和白噪声组合形成的含噪信号x(t)+ε0·ni(t)进行I次EMD分解试验，得：
(2)当在第一阶段(j＝1)时求取第一个残余序列：
r1(t)＝x(t)-IMF1′(t) (2)
(3)对于r1(t)+ε1E1(ni(t))(i＝1,2,…)，使用EMD算法进行多次处理，一直处理到产生第一个IMF分量为止，然后在紧跟着计算第二个IMF分量：
(4)对其他剩下的阶段(j＝2,3,…J),进行上述第(3)步，将第j+1个 IMF分量表示为：
rj(t)＝rj-1-IMFj(t) (4)
(5)对于j进行加1处理，并且反复进行第(4)步，一直求到的残余序列不能在进行处理为止，当CEEMDAN算法停止时，求得的IMF分量的数目为J个，将最后计算所得的残余序列表示为如下：
(6)经CEEMDAN算法处理完之后的原始信号x(t)用IMF分量和残余分量表示为：
针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判定的问题，将去趋势波动分析(DFA)引入到IMF分量临界点的判定上来；
DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来避免非平稳性造成的虚假相关性，其具体步骤如下：
(1)首先是对已知的时间序列x(i)进行处理，计算公式如(8)所示，再对计算所得的时间序列y(k)进行分段处理，分解为长度是n的Nn个分段。
其中，
定义为x(i)在时间段[1,N]中的平均值。
(2)进行公式(10)的计算获得每个序列分段的自有趋势ys(i)，主要是对每个序列分段当中的极值点使用最小二乘法进行非线性融合。
(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系数求出来，计算公式分别为(11)与(12)。
(4)更改步骤(1)中求取出来的分段长度n，并且重复步骤2、3的计算，这样就可以得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲线图，其中曲线的斜率α就是所需要的标度函数。
F(n)∝nα (14)
根据求取出来的标度函数值α进行判断IMF分量中的噪声和有用信息分量，对噪声主导的IMF分量进行改进小波阈值去噪。步骤如下：
根据选取出来的IMF分量进行重构x(t)，对x(t)进行一维离散小波变换：
其中，ψ(t)为离散小波尺度函数。式(15)对应的小波系数表达式为：
dj,k＝uj,k+ej,k
其中，dj,k为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，uj,k与ej,k分别为有用信号和噪声信号经过小波变换多尺度分解后的细节系数。
在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理后的各层小波细节系数dj,k’；
其中，dj,k是小波系数，λ是设置的阈值，sign(·)是符号函数。
其中δ代表的是噪声强度，i代表的是分解层数。
最后将得到的小波细节系数dj,k’对x(t)进行重构，得到去噪后的信号 x’(t)。
优选的，故障特征提取与故障识别步骤如下：
对上述去噪后的信号x’(t)再次使用CEEMDAN分解，按照下式(18)和 (19)选取含有故障信息较多的IMF分量进行重构,得到重构信号f(t)。
其中，如果滚动轴承正常运转，那么测试所得振动信号趋于正态分布，K值约为3；如果滚动轴承出现故障，那么测试所得振动信号某时段的K值大于3；峭度值越大，测试所得振动信号中包含的故障冲击成分越明显；
对重构后的信号f(t)进行包络谱分析；
(1)对做Hilbert包络谱变换,定义为y(t):
式中：t为时间，τ为某一时刻。
(2)构造解析函数z(t)为：
z(t)＝f(t)+iy(t)＝a(t)eiφ(t) (20)
式中：i为虚数单位。
(3)变换之后的幅值函数a(t)为：
瞬时相位φ(t)为：
为实现滚动轴承故障类型自动识别，在构建故障特征集输入到支持向量机中进行识别；
首先对f(t)进行空间重组，计算出矩阵(23)。
其中，矩阵中j＝1,2,…,T；λ代表延迟时间；m代表嵌入维数。
H＝n-(m-1)λ，在矩阵上具有T行，就可以获得T个重构量。将f(t)重新构造的矩阵分量按照递增的顺序进行排序，jm在这里被规定为元素的索引，如下式(24)所示；
f[i+(j1-1)λ]≤f[i+(j2-1)λ]≤…≤f[i+(jm-1)λ] (24)
如果得到的重构分量中存在着和数值一样的情况，则按照j1,j2的值进行排列。即(25)和(26)所示。
f[i+(j1-1)λ]＝f[i+(j2-1)λ] (25)
f[i+(j1-1)λ]≤f[i+(j2-1)λ] (26)
这时就可以对随意的一个时间序列x(i)进行重构，就可以得到重构矩阵的每一行系数，如公式(27)所示；
S(l)＝(j1,j2,…,jm) (27)
上述公式l＝1,2,…,t,并且t≤m！,在这里把每一行的序列S(l)发生的概率表示为p1,p2,…,pt，并按照熵原理，把T种时间序列x(i)表示为下式(28)；
多尺度排列熵[62-64]的理论基础是建立在多尺度分析和排列熵上的。其核心就是对最初的时间序列进行粗粒化计算，进而实现多尺度时间序列的创建。多尺度排列熵的详细计算过程如下：
(1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列
计算公式如(29)所示。
(2)对上述求得的序列
进一步处理，按照公式(30)求出所需的多尺度排列熵。
经过计算发现，求取出来的MPE熵值受初始参数的影响较大，导致 MPE熵值区分度不大，引入灰狼算法对MPE的参数进行优化处理。
优选的，灰狼算法如下：
在狩猎过程中，将灰狼围捕猎物的行为定义为：
式(32)表示个体与猎物的距离，t是目前迭代代数，
和
分别是猎物的位置向量和灰狼的位置向量，
是系数向量，其计算公式为：
灰狼的位置更新公式为：
式(34)中
是系数向量，其计算公式为：
式(35)中，
是收敛因子，随着迭代次数从2线性减小到0，
和
的取模[0,1]之间的随机数；
灰狼个体跟踪猎物位置的数学模型描述如下：
式(35)中，
分别表示α、β、δ与其它个体间的距离。
分别表示α、β、δ的当前位置；
狼群中ω个体朝向α、β、δ前进的步长和方向，可定义为：
ω个体的最终位置为：
灰狼算法优化流程为：
(1)初始化灰狼种群，以及狼群领导者和各项系数。
(2)计算灰狼个体的适应度，保存适应度最好的前3匹狼。
(3)更新当前灰狼的位置，更新领导者和各项系数；
(4)计算全部灰狼的适应度，更新前3匹狼的适应度和位置；
(5)判断是否达到最大迭代代数，如果是则结束，如果否，则重复第(3)至第(5)步骤。
本发明基于振动信号的滚动轴承故障诊断方法，
(1)首先，对采集到的滚动轴承振动信号进行去噪处理，采用 CEEMDAN算法对振动信号进行分解，对得到的本征模态函数(IMF分量) 进行去趋势波动分析(DFA)，计算各IMF分量的标度函数值，选取出噪声主导的IMF分量，对其运用改进的小波阈值函数进行去噪处理；能够更好地去除噪声，并降低信号的失真度。
(2)对滚动轴承振动信号进行故障特征提取以及故障类型识别，将去噪之后的振动信号再次进行CEEMDAN算法分解，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率，为实现轴承故障类型自动识别，引入灰狼算法对多尺度排列熵(MPE)的初始参数进行优化，再对重构信号进行MPE值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。
1、正弦滚轴筛滚动轴承故障实验平台。
本发明采用正弦滚轴筛滚动轴承故障实验平台，实验中选用厦门米切尔机械自动化公司生产的振动传感器，检测轴承的振动信号。传感器安装方式是磁性直接吸附，安装在轴承下侧的支撑架上。
滚动轴承发生不同故障时的特征频率是不一样的，特征频率值与轴承的参数相关，根据轴承的基本参数就可以推导出滚动轴承的特征频率，滚动轴承参数如表1所示。
表1滚动轴承参数
滚动轴承转速为500r/min，滚动轴承发生故障时特征频率如表2所示：实际测得的故障频率因一些不可预测因素会与理论计算值有一定偏差，只要误差在±10％以内，则认为是同一种故障。
表2正弦滚轴筛滚动轴承故障特征频率
2、滚动轴承故障信号去噪与特征提取。
图3和图4分别为轴承内圈故障信号的时域分析图和包络谱分析图。从图中可以发现内圈故障信号受到噪声的干扰导致特征频率不明显，若工作的环境进一步复杂，故障特征频率极易被噪声所淹没，导致无法对轴承故障进行诊断。
根据本发明提出的CEEMDAN-DFA-改进小波阈值去噪法对内圈信号进行去噪，以消除噪声干扰。在这对采集到的轴承内圈故障信号进行 CEEMDAN算法分解，对分解产生的IMF分量进行标度函数α值计算。按照DFA算法相关性的判别，认为前四阶IMF分量是以噪声为主，所以对前四阶IMF分量去噪，将去噪后的信号与剩余IMF分量进行重构，重构后的信号就是轴承内圈去噪信号，如图7所示。
对上述去噪之后的信号再次进行CEEMDAN算法分解，计算各IMF分量的相关系数和峭度值，结果如表3所示。
表3内圈信号各IMF分量的相关系数和峭度值
分析表3可以发现前五阶IIMF分量的相关系数和峭度数值较大所以在这里选取前五阶分量进行重构，并且对重构信号进行HHT包络谱分析，分析结果如图8所示。从图8中可以清晰的看出正弦滚轴筛滚动轴承内圈故障频率为39.55Hz与理论计算值40.143Hz相差无几。
3、灰狼算法-MPE故障特征集构建。
在上文重构信号进行多尺度排列熵值计算，其中MPE算法的初始参数设置为N＝1024，λ＝1，m＝6，τ＝12，滚动轴承的四种运行状态MPE值如图7所示。
从图中可以发现四种运行状态的熵值相差不大，相互交融在一起，不适合构造故障特征量。所以运用灰狼算法对MPE算法的初始参数进行优化处理，使四种运行状态的熵值区分度增大，优化结果如表4所示。
表4灰狼算法优化后的MPE的参数
使用优化之后的MPE对四类运行状态的熵值再次进行计算，结果如图8所示。与图7相比，图8现四种状态的熵值实现完美分离，没有重叠部分，适合构造故障特征集用于故障类型识别。
从图8中可以发现，滚动轴承的多尺度排列熵在τ≥7时，曲线较为平缓，也就是熵值变化不大；而在τ﹤7时，熵值变化较大。综合考虑，在这里选取尺度因子7、8、9、10的熵值构建故障特征集。
4、滚动轴承故障识别及对照实验。
为验证本发明所提滚动轴承故障类型识别方法的有效性，本小节对正弦滚轴筛滚动轴承的四种工作状况进行故障识别分析。分别选取四种工作状况下的40组振动数据，总共为160组，其中100组做训练样本，剩余 60组做测试样本。对比对象分别为未经优化的MPE-SVM故障识别方法对原始信号进行故障识别(A)和经灰狼算法优化后的MPE-SVM故障识别方法对原始信号进行故障识别(B)以及对原始信号进行去噪处理之后分别使用 MPE-SVM进行故障识别(C)和使用灰狼算法-MPE-SVM进行故障识别 (D)。图9-11和表5-8给出了四类测试集各自的测试结果。
表5原始信号MPE-SVM故障识别结果(A)
表6原始信号灰狼算法-MPE-SVM故障识别结果(B)
表7去噪信号MPE-SVM故障识别结果(C)
表8去噪信号灰狼算法-MPE-SVM故障识别准确率(D)
分析图8-11可发现：
(1)当未对振动信号进行去噪处理，直接进行MPE-SVM故障识别时，出现23个错误识别，识别准确率仅为61.67％；当对故障数据的MPE 值进行灰狼算法优化后，识别错误量为17个，识别正确率为71.67％。说明实际采集的振动信号中的噪声对轴承故障诊断具有较大的干扰。
(2)对采集到的振动信号去噪后，再进行MPE-SVM故障识别，错误识别数目减少到10个，识别正确率上升为83.33％，较未去噪之前正确率有大幅的提升；当使用灰狼算法-MPE-SVM进行故障识别时，错误识别数目仅为3个，故障识别正确率为95％，较未对MPE参数优化前识别准确率提高了11.67％。
通过以上分析，验证了本发明所提方法对提高轴承故障识别准确率的有效性。
本发明基于振动信号的滚动轴承故障诊断方法，CEMDN渠道是将含有噪声分量比较多的IMF分量直接去除，它的缺点就是失真率特别高，然后小波渠道的话，它是对全部的那个整个信号进行一个渠道，它也是存在一个失真率的问题，然后这个三者结合的话就可以通过DF它的判别，然后来判断CMDN分解出来的MF分量中，哪个MF分量，还有噪声比较多，然后对这个分量进行一个小波的渠道，对于还有的噪声分量比较少的那个MF 分量就不用管它了，这样的话，渠道的失真率就比较低一些，他渠道就有那个针对性，能够更好地去除噪声，并降低信号的失真度。
本发明基于振动信号的滚动轴承故障诊断方法，对滚动轴承振动信号进行故障特征提取以及故障类型识别，将去噪之后的振动信号再次进行 CEEMDAN算法分解，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构，并对重构信号进行希尔伯特包络谱分析，提取故障特征频率。为实现轴承故障类型自动识别，引入灰狼算法对多尺度排列熵(MPE)的初始参数进行优化，再对重构信号进行MPE 值计算，并选择合适的MPE值构建滚动轴承故障特征集，将故障特征向量输入到训练好的支持向量机中进行滚动轴承故障识别。仿真结果表明，多尺度排列熵值灰狼算法优化后的故障识别准确率为97.5％，较未优化之前故障识别准确率提高了11.67％；单纯的MPE-SVM识别，存在MPE熵值混叠现象，使用灰狼算法进行优化，使熵值区分度高，构建故障特征向量更好，识别率更高。
以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。
Claims (4)
1.一种基于振动信号的滚动轴承故障诊断方法，其特征在于，包括如下步骤：
首先，对采集到的滚动轴承振动信号进行去噪处理；
步骤S101，采集或输入含有噪音的振动信号；
步骤S102，采用CEEMDAN算法对振动信号进行分解，分解得到多个IMF分量；
步骤S103，对得到的本征模态函数进行去趋势波动分析；
步骤S104，计算各IMF分量的标度函数值，判别IMF分量是否为噪音主导分量；是噪音主导的分量选取出噪声主导的IMF分量，跳转步骤S105，否则跳转步骤S107；
步骤S105，对其运用改进的小波阈值函数进行去噪处理；
步骤S106，得到去噪后的全部IMF分量；
步骤S107，得到有用信号主导的IMF分量；
其次，对滚动轴承振动信号进行故障特征提取以及故障类型识别；
步骤S108，将去噪之后的振动信号进行重构再次进行CEEMDAN算法分解；
步骤S109，计算各阶IMF分量的相关系数和峭度值，选取相关系数和峭度值较大的IMF分量进行信号重构；
步骤S110，使用灰狼算法对MPE的参数进行优化；
步骤S111，利用灰狼-MPE对重构信号进行排列熵计算，构建特征向量；
步骤S112，将特征量输入到SVM中进行分类和识别。
2.根据权利要求1所述基于振动信号的滚动轴承故障诊断方法，其特征在于：
CEEMDAN算法对分解之后的信号进行重构时，其偏差几乎为零，与EEMD算法相比具有更好的分解完备性，并且可以较好的克服EEMD算法存在的缺陷；它的计算过程如下：
(1)通过EMD算法对信号进行分解，产生的第j个IMF分量用算子Ej(·)来进行定义，并且CEEMDAN算法分解出来的第j个IMF分量定义为IMFj′,ni(t)代表着高斯白噪声；CEEMDAN算法对待处理的原信号和白噪声组合形成的含噪信号x(t)+ε0·ni(t)进行I次EMD分解试验，得：
(2)当在第一阶段(j＝1)时求取第一个残余序列：
r1(t)＝x(t)-IMF1′(t) (2)
(3)对于r1(t)+ε1E1(ni(t))(i＝1,2,…)，使用EMD算法进行多次处理，一直处理到产生第一个IMF分量为止，然后在紧跟着计算第二个IMF分量：
(4)对其他剩下的阶段(j＝2,3,…J),进行上述第(3)步，将第j+1个IMF分量表示为：
rj(t)＝rj-1-IMFj(t) (4)
(5)对于j进行加1处理，并且反复进行第(4)步，一直求到的残余序列不能在进行处理为止，当CEEMDAN算法停止时，求得的IMF分量的数目为J个，将最后计算所得的残余序列表示为如下：
(6)经CEEMDAN算法处理完之后的原始信号x(t)用IMF分量和残余分量表示为：
针对传统CEEMDAN去噪中噪声和信息主导的IMF分量的临界点较难判定的问题，将去趋势波动分析(DFA)引入到IMF分量临界点的判定上来；
DFA是一种衡量非平稳序列长程相关性的方法，通过消除时间序列的局部趋势来避免非平稳性造成的虚假相关性，其具体步骤如下：
(1)首先是对已知的时间序列x(i)进行处理，计算公式如(8)所示，再对计算所得的时间序列y(k)进行分段处理，分解为长度是n的Nn个分段；
其中，
定义为x(i)在时间段[1,N]中的平均值；
(2)进行公式(10)的计算获得每个序列分段的自有趋势ys(i)，主要是对每个序列分段当中的极值点使用最小二乘法进行非线性融合；
(3)对求得的每个序列分段中的不确定趋势进行去除，并且把序列分段的二阶波动系数求出来，计算公式分别为(11)与(12)；
(4)更改步骤(1)中求取出来的分段长度n，并且重复步骤2、3的计算，这样就可以得到在分段长度n发生变化时的时间序列波动函数变化量，进一步按照变化量绘制变化曲线图，其中曲线的斜率α就是所需要的标度函数；
F(n)∝nα (14)
根据求取出来的标度函数值α进行判断IMF分量中的噪声和有用信息分量，对噪声主导的IMF分量进行改进小波阈值去噪；步骤如下：
根据选取出来的IMF分量进行重构x(t)，对x(t)进行一维离散小波变换：
其中，ψ(t)为离散小波尺度函数；式(15)对应的小波系数表达式为：
dj,k＝uj,k+ej,k
其中，dj,k为重构信号x(t)经过小波变换多尺度分解后的各层小波细节系数，uj,k与ej,k分别为有用信号和噪声信号经过小波变换多尺度分解后的细节系数；
在这里运用改进的小波阈值函数对小波细节系数dj,k进行处理，得到处理后的各层小波细节系数dj,k’；
其中，dj,k是小波系数，λ是设置的阈值，sign(·)是符号函数；
其中δ代表的是噪声强度，i代表的是分解层数；
最后将得到的小波细节系数dj,k’对x(t)进行重构，得到去噪后的信号x’(t)。
3.根据权利要求1所述基于振动信号的滚动轴承故障诊断方法，其特征在于：故障特征提取与故障识别步骤如下：
对上述去噪后的信号x’(t)再次使用CEEMDAN分解，按照下式(18)和(19)选取含有故障信息较多的IMF分量进行重构,得到重构信号f(t)；
其中，如果滚动轴承正常运转，那么测试所得振动信号趋于正态分布，K值约为3；如果滚动轴承出现故障，那么测试所得振动信号某时段的K值大于3；峭度值越大，测试所得振动信号中包含的故障冲击成分越明显；
对重构后的信号f(t)进行包络谱分析；
(1)对做Hilbert包络谱变换,定义为y(t):
式中：t为时间，τ为某一时刻；
(2)构造解析函数z(t)为：
z(t)＝f(t)+iy(t)＝a(t)eiφ(t) (20)
式中：i为虚数单位；
(3)变换之后的幅值函数a(t)为：
瞬时相位φ(t)为：
为实现滚动轴承故障类型自动识别，在构建故障特征集输入到支持向量机中进行识别；
首先对f(t)进行空间重组，计算出矩阵(23)；
其中，矩阵中j＝1,2,…,T；λ代表延迟时间；m代表嵌入维数；
H＝n-(m-1)λ，在矩阵上具有T行，就可以获得T个重构量；将f(t)重新构造的矩阵分量按照递增的顺序进行排序，jm在这里被规定为元素的索引，如下式(24)所示；
f[i+(j1-1)λ]≤f[i+(j2-1)λ]≤…≤f[i+(jm-1)λ] (24)
如果得到的重构分量中存在着和数值一样的情况，则按照j1,j2的值进行排列；即(25)和(26)所示；
f[i+(j1-1)λ]＝f[i+(j2-1)λ] (25)
f[i+(j1-1)λ]≤f[i+(j2-1)λ] (26)
这时就可以对随意的一个时间序列x(i)进行重构，就可以得到重构矩阵的每一行系数，如公式(27)所示；
S(l)＝(j1,j2,…,jm) (27)
上述公式l＝1,2,…,t,并且t≤m！,在这里把每一行的序列S(l)发生的概率表示为p1,p2,…,pt，并按照熵原理，把T种时间序列x(i)表示为下式(28)；
多尺度排列熵[62-64]的理论基础是建立在多尺度分析和排列熵上的；其核心就是对最初的时间序列进行粗粒化计算，进而实现多尺度时间序列的创建；多尺度排列熵的详细计算过程如下：
(1)对最初的时间序列x(i)进行粗粒化计算，得到粗粒度序列
计算公式如(29)所示；
(2)对上述求得的序列
进一步处理，按照公式(30)求出所需的多尺度排列熵；
经过计算发现，求取出来的MPE熵值受初始参数的影响较大，导致MPE熵值区分度不大，引入灰狼算法对MPE的参数进行优化处理。
4.根据权利要求3所述基于振动信号的滚动轴承故障诊断方法，其特征在于：
灰狼算法如下：
在狩猎过程中，将灰狼围捕猎物的行为定义为：
式(32)表示个体与猎物的距离，t是目前迭代代数，
和
分别是猎物的位置向量和灰狼的位置向量，
是系数向量，其计算公式为：
灰狼的位置更新公式为：
式(34)中
是系数向量，其计算公式为：
式(35)中，
是收敛因子，随着迭代次数从2线性减小到0，
和
的取模[0,1]之间的随机数；
灰狼个体跟踪猎物位置的数学模型描述如下：
式(35)中，
分别表示α、β、δ与其它个体间的距离；
分别表示α、β、δ的当前位置；
狼群中ω个体朝向α、β、δ前进的步长和方向，可定义为：
ω个体的最终位置为：
灰狼算法优化流程为：
(1)初始化灰狼种群，以及狼群领导者和各项系数；
(2)计算灰狼个体的适应度，保存适应度最好的前3匹狼；
(3)更新当前灰狼的位置，更新领导者和各项系数；
(4)计算全部灰狼的适应度，更新前3匹狼的适应度和位置；
(5)判断是否达到最大迭代代数，如果是则结束，如果否，则重复第(3)至第(5)步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829505.9A CN113780056B (zh) | 2021-07-22 | 2021-07-22 | 基于振动信号的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110829505.9A CN113780056B (zh) | 2021-07-22 | 2021-07-22 | 基于振动信号的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780056A true CN113780056A (zh) | 2021-12-10 |
| CN113780056B CN113780056B (zh) | 2024-01-05 |
Family
ID=78836026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110829505.9A Active CN113780056B (zh) | 2021-07-22 | 2021-07-22 | 基于振动信号的滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780056B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169376A (zh) * | 2021-12-14 | 2022-03-11 | 哈尔滨理工大学 | 一种基于振动信号的轴承滚动体离散失效方法 |
| CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
| CN114427972A (zh) * | 2022-02-09 | 2022-05-03 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种滚动轴承性能退化特征提取方法及系统 |
| CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
| CN114486262A (zh) * | 2022-01-28 | 2022-05-13 | 河海大学 | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 |
| CN114510964A (zh) * | 2022-01-11 | 2022-05-17 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
| CN114705289A (zh) * | 2022-04-13 | 2022-07-05 | 中国石油天然气集团有限公司 | 随钻钻具振动测量方法及系统和设备 |
| CN115096634A (zh) * | 2022-08-26 | 2022-09-23 | 启东市嘉信精密机械有限公司 | 一种机械设备运行故障检测方法及系统 |
| CN115446662A (zh) * | 2022-07-22 | 2022-12-09 | 湖南工业大学 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
| CN115452377A (zh) * | 2022-08-15 | 2022-12-09 | 盐城工学院 | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 |
| CN115510925A (zh) * | 2022-11-17 | 2022-12-23 | 中国人民解放军国防科技大学 | 一种机械故障诊断方法、装置、介质 |
| CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
| CN115615540A (zh) * | 2022-12-20 | 2023-01-17 | 潍坊百特磁电科技有限公司 | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 |
| CN115876476A (zh) * | 2023-02-16 | 2023-03-31 | 山东科技大学 | 滚动轴承故障诊断方法、系统、计算机设备以及存储介质 |
| CN116124456A (zh) * | 2023-02-15 | 2023-05-16 | 广东海洋大学 | 一种自适应的滚动轴承故障特征提取诊断方法及装置 |
| CN116337445A (zh) * | 2023-04-13 | 2023-06-27 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
| CN116680556A (zh) * | 2023-08-02 | 2023-09-01 | 昆明理工大学 | 一种水泵机组振动信号特征提取与状态识别方法 |
| CN117473872A (zh) * | 2023-11-10 | 2024-01-30 | 广东石油化工学院 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
| CN117556344A (zh) * | 2024-01-08 | 2024-02-13 | 浙江大学 | 基于多源信息融合的球磨机传动系统故障诊断方法与系统 |
| CN117574057A (zh) * | 2023-11-24 | 2024-02-20 | 昆明理工大学 | 一种立式水泵机组智能故障诊断方法 |
| CN117629636A (zh) * | 2023-12-05 | 2024-03-01 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
| CN117629636B (zh) * | 2023-12-05 | 2024-05-24 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
| CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN112183259A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
-
2021
- 2021-07-22 CN CN202110829505.9A patent/CN113780056B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
| CN111652031A (zh) * | 2019-12-02 | 2020-09-11 | 昆明理工大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
| CN112183259A (zh) * | 2020-09-17 | 2021-01-05 | 昆明理工大学 | 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法 |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张珂;邢金鹏;: "基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究", 机械研究与应用, no. 01, pages 88 - 92 * |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169376A (zh) * | 2021-12-14 | 2022-03-11 | 哈尔滨理工大学 | 一种基于振动信号的轴承滚动体离散失效方法 |
| CN114354188A (zh) * | 2022-01-10 | 2022-04-15 | 郑州大学 | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 |
| CN114510964B (zh) * | 2022-01-11 | 2023-09-05 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
| CN114510964A (zh) * | 2022-01-11 | 2022-05-17 | 广东德尔智慧工厂科技有限公司 | 一种轴承振动信号故障特征提取方法及系统 |
| CN114486262A (zh) * | 2022-01-28 | 2022-05-13 | 河海大学 | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 |
| CN114427972A (zh) * | 2022-02-09 | 2022-05-03 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种滚动轴承性能退化特征提取方法及系统 |
| CN114486254A (zh) * | 2022-02-09 | 2022-05-13 | 青岛迈金智能科技股份有限公司 | 一种基于时/频双域分析的自行车轴承检测方法 |
| CN114705289A (zh) * | 2022-04-13 | 2022-07-05 | 中国石油天然气集团有限公司 | 随钻钻具振动测量方法及系统和设备 |
| CN115446662A (zh) * | 2022-07-22 | 2022-12-09 | 湖南工业大学 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
| CN115446662B (zh) * | 2022-07-22 | 2023-10-10 | 湖南工业大学 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
| CN115452377A (zh) * | 2022-08-15 | 2022-12-09 | 盐城工学院 | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 |
| CN115452377B (zh) * | 2022-08-15 | 2024-01-12 | 盐城工学院 | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 |
| CN115096634A (zh) * | 2022-08-26 | 2022-09-23 | 启东市嘉信精密机械有限公司 | 一种机械设备运行故障检测方法及系统 |
| CN115510913A (zh) * | 2022-10-04 | 2022-12-23 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
| CN115510913B (zh) * | 2022-10-04 | 2023-06-02 | 兰州理工大学 | 基于数据驱动的h桥级联逆变器的故障诊断方法 |
| CN115510925A (zh) * | 2022-11-17 | 2022-12-23 | 中国人民解放军国防科技大学 | 一种机械故障诊断方法、装置、介质 |
| CN115615540A (zh) * | 2022-12-20 | 2023-01-17 | 潍坊百特磁电科技有限公司 | 一种永磁自卸除铁器的托辊故障识别方法、设备及介质 |
| CN116124456A (zh) * | 2023-02-15 | 2023-05-16 | 广东海洋大学 | 一种自适应的滚动轴承故障特征提取诊断方法及装置 |
| CN115876476A (zh) * | 2023-02-16 | 2023-03-31 | 山东科技大学 | 滚动轴承故障诊断方法、系统、计算机设备以及存储介质 |
| CN116337445A (zh) * | 2023-04-13 | 2023-06-27 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
| CN116337445B (zh) * | 2023-04-13 | 2024-02-23 | 中国航发沈阳发动机研究所 | 基于多尺度排列熵和峭度值融合因子的轴承故障提取方法 |
| CN116680556A (zh) * | 2023-08-02 | 2023-09-01 | 昆明理工大学 | 一种水泵机组振动信号特征提取与状态识别方法 |
| CN117473872A (zh) * | 2023-11-10 | 2024-01-30 | 广东石油化工学院 | 一种基于fft编码和l-cnn滚动轴承故障诊断方法 |
| CN117574057A (zh) * | 2023-11-24 | 2024-02-20 | 昆明理工大学 | 一种立式水泵机组智能故障诊断方法 |
| CN117574057B (zh) * | 2023-11-24 | 2024-05-28 | 昆明理工大学 | 一种立式水泵机组智能故障诊断方法 |
| CN117629636A (zh) * | 2023-12-05 | 2024-03-01 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
| CN117629636B (zh) * | 2023-12-05 | 2024-05-24 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
| CN117556344A (zh) * | 2024-01-08 | 2024-02-13 | 浙江大学 | 基于多源信息融合的球磨机传动系统故障诊断方法与系统 |
| CN117556344B (zh) * | 2024-01-08 | 2024-05-14 | 浙江大学 | 基于多源信息融合的球磨机传动系统故障诊断方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780056B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780056A (zh) | 基于振动信号的滚动轴承故障诊断方法 | |
| CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN112381180B (zh) | 一种基于互重构单类自编码器的电力设备故障监测方法 | |
| CN109443752B (zh) | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 | |
| CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
| Zhou et al. | A hybrid denoising model using deep learning and sparse representation with application in bearing weak fault diagnosis | |
| CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
| CN113033323A (zh) | 一种基于滤波分解组合指标的齿轮故障识别方法 | |
| Eo et al. | Deep learning framework with essential pre-processing techniques for improving mixed-gas concentration prediction | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 | |
| CN115700104B (zh) | 基于多尺度原型学习的本身可解释的脑电信号分类方法 | |
| CN117871097A (zh) | 一种基于组稀疏学习算法与随机森林的轴承故障诊断方法 | |
| CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
| CN117648598A (zh) | 一种轴承故障分类的方法及相关装置 | |
| Li et al. | A Fully Transparent Deep Signal Operator Network for Intelligent Fault Diagnosis | |
| Zhao et al. | Bearing fault diagnosis using hyper-laplacian priors and non-convex optimization | |
| Agarwal et al. | Refinement of Cryo-EM 3D Maps with Self-Supervised Denoising Model: crefDenoiser |
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 |