CN114139293A

CN114139293A - 一种滚动轴承故障诊断方法及系统

Info

Publication number: CN114139293A
Application number: CN202110951428.4A
Authority: CN
Inventors: 姚立纲; 林堂鑫; 王振亚
Original assignee: Fuzhou University
Current assignee: Fuzhou University
Priority date: 2021-08-18
Filing date: 2021-08-18
Publication date: 2022-03-04

Abstract

本发明涉及一种滚动轴承故障诊断方法及系统，该方法首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。该方法及系统有利于对滚动轴承进行故障诊断，有效识别出滚动轴承的故障类型。

Description

一种滚动轴承故障诊断方法及系统

技术领域

本发明属于故障诊断技术领域，具体涉及一种滚动轴承故障诊断方法及系统。

背景技术

在旋转机械的部件中，滚动轴承是最容易发生故障的。当滚动轴承发生故障时，会呈现出非线性与复杂性的动力学特征，使得相应的振动信号具有非平稳、非线性的特点，并且在实际轴承振动信号的采集过程中，往往会受到现场恶劣的环境影响，采集的信号中噪声增加，信噪比降低。因此如何从非平稳、非线性、信噪比低、频率成分复杂的振动信号中提取出故障特征并进行状态的识别，是滚动轴承故障诊断的关键。

目前，常见的故障信号降噪方法主要包括：小波变换，经验模态分解(EMD)和局部均值分解等。然而小波变换事先需要选择小波基和分解层数等，缺乏自适应性；EMD 存在频率混淆、过包络、欠包络、端点效应等局限；局部均值分解具有运算速度慢、信号冲突问题等缺陷。变分模态分解(VMD)是在传统维纳滤波基础上，研发的一种非递归自适应信号分解新方法，与小波变换、EMD和局部均值分解等方法相比，VMD分解的信号，具有精度高、收敛快和鲁棒性好等特点，非常适用于处理滚动轴承故障信号。但 VMD算法信号处理效果与惩罚因子和分解个数这两个参数密切相关。

发明内容

本发明的目的在于提供一种滚动轴承故障诊断方法及系统，该方法及系统有利于对滚动轴承进行故障诊断，有效识别出滚动轴承的故障类型。

为实现上述目的，本发明采用的技术方案是：一种滚动轴承故障诊断方法，首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。

进一步地，该方法包括以下步骤：

步骤S1、利用加速度传感器采集滚动轴承在正常状态、内圈故障状态、外圈故障状态和滚动体故障状态下的振动加速度信号，获取其时域信号样本集；

步骤S2、利用优化算法优化变分模态分解算法中的模态数K和惩罚因子α，然后对采集的振动加速度信号进行分解，并将得到的本征模态分量进行重构；

步骤S3、利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；

步骤S4、将故障特征输入至灰狼群优化支持向量机分类器中进行训练与测试，诊断出滚动轴承故障类型。

进一步地，步骤S1中，振动加速度信号为驱动端振动加速度信号。

进一步地，步骤S2中，利用优化算法优化变分模态分解算法中的模态数K和惩罚因子α，包括以下步骤：

步骤S201、初始化优化算法的各项参数以及寻优参数寻优过程中的适应度函数；适应度函数为VMD分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，p_j为a(j)的归一化形式，a(j)为信号x(j)经希尔伯特变换后的包络信号，N为信号x(j)的长度；

步骤S202、计算每个团体成员当前位置下对应的适应度值；

步骤S203、将整个群体划分为c个团体，选出团体中适应度值最小的个体为团体领导者；将整个群体划分为d个区域，选出区域中适应度值最小的个体为区域获胜者；

步骤S204、进行竞选活动，其他成员根据团体领导者和区域获胜者更新自身位置，具体如下：

当

时，按照式(2)更新空间位置：

当

时，按照式(3)更新空间位置：

式中，

表示当迭代次数为t时，第i个团体的第j个成员所处的位置；

表示

中的第k个元素；m^*表示团体领导者或区域获胜者，迭代时，先令m^*为团体领导者，团体内成员根据领导者的位置更新自身位置，再令m^*为区域获胜者，区域内成员根据获胜者的位置更新自身位置；r为0到1之间的一个随机数；

步骤S205、以设定概率进行团体成员之间的位置交换；

步骤S206、计算位置更新后团体成员的适应度值，选出新的团体领导者和区域获胜者；

步骤S207、由各个区域的获胜者组成会议团体，并进行会议团体事务，按照式(4)更新位置：

式中，

表示a区域的获胜者，

表示b区域的获胜者，设区域个数为n，则a为1到n之间的一个随机整数，b＝1,2,…,n,a≠b；

根据

更新得到的新位置为

r为0到1之间的一个随机数；若

的适应度值优于

则替换其位置，否则维持原状；

步骤S208、重复步骤S204～S207，直到满足迭代终止条件，输出最优解，即为最佳α和K参数值。

进一步地，初始化各项参数为：群体规模为20，其中团体个数为5，区域个数为4，最大迭代次数为20，团体交换的最大概率为1，K的寻优范围为[3,10]，α的寻优范围为 [200,3000]。

进一步地，步骤S4具体包括以下步骤：

步骤S401、对步骤S3获得的故障特征集，在每种故障类别数量上按照设定比例分为训练样本集和测试样本集，然后对训练样本集和测试样本集进行归一化处理；

步骤S402、根据SVM模型，选用径向基函数作为核函数，利用灰狼群优化算法，按照训练样本三折交叉后的平均正确识别率定义为适应度值，自动确定出SVM模型的最佳惩罚因子和核函数参数；

步骤S403、利用训练样本构建SVM预测模型，并利用所述SVM预测模型对测试样本进行诊断识别，判断滚动轴承故障类型。

本发明还提供了一种滚动轴承故障诊断系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。

相较于现有技术，本发明具有以下有益效果：提供了一种滚动轴承故障诊断方法及系统，该方法及系统充分发挥了VMD算法在滚动轴承振动信号降噪方面的优势，同时引入优化算法，实现了对VMD算法参数优化选取，克服传统人为参数设置导致分解效果不佳现象的发生；此外，本发明引入精细复合多尺度模糊熵(RCMFE)作为故障特征参数，使得故障特征得到了有效提取，并由此构建了稳定的、便于分类识别的故障特征集；最后，本发明采用GWO-SVM分类器对故障特征集进行诊断、识别，运算速度快、泛化能力强。因此，本发明具有很强的实用性和广阔的应用前景。

附图说明

图1为本发明实施例的方法实现流程图。

图2为本发明实施例中滚动轴承不同状态下的时域波形图。

图3为本发明实施例中优化算法优化VMD的流程图。

图4为本发明实施例中对滚动体故障信号分解与重构结果。

图5为本发明实施例中RCMFE流程图。

图6为本发明实施例中四种状态RCMFE熵值曲线。

图7为本发明实施例中GWO-SVM识别结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和 /或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例提供了一种滚动轴承故障诊断方法，首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。

如图1所示，本方法具体包括以下步骤：

步骤S1、利用加速度传感器采集滚动轴承在正常状态、内圈故障状态、外圈故障状态和滚动体故障状态下的振动加速度信号，获取其时域信号样本集(如图2所示)。

步骤S2、利用优化算法优化变分模态分解(VMD)算法中的模态数K和惩罚因子α，然后对采集的振动加速度信号进行分解，并将得到的本征模态分量(IMF)进行重构。

步骤S3、利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集。

步骤S4、将故障特征输入至灰狼群优化支持向量机(GWO-SVM)分类器中进行训练与测试，诊断出滚动轴承故障类型。

步骤S1中，振动加速度信号为驱动端振动加速度信号。

步骤S2中，利用优化算法优化变分模态分解算法中的模态数K和惩罚因子α，即优化VMD算法的实现过程如下：

VMD算法是一种自适应信号分解方法，通过循环迭代来搜寻变分模型的最优解，确定本征模态分量(IMF)的频率中心及带宽，实现各分量的有效分离。VMD算法的实现方法如下：

1)令n＝0，初始化

和λ¹；

2)利用下式更新

和λⁿ⁺¹；

3)给定判别精度e>0，若

则停止跌代；否则，返回步骤2)。

优化算法的实现方法如下：

1)设置优化算法的各项参数：群体规模S＝团体个数p×区域个数a，最大迭代次数m，团体交换最大概率λ，参数个数d，参数取值上下界ub,lb以及寻优参数寻优过程中的适应度函数。

采用式(2)初始化群体S_p×a：

S_p×a＝rand(p,a)×(ub-lb)+lb (2)

2)计算每个团体成员当前位置下对应的适应度值；

3)将整个群体划分为p个团体，选出团体中适应度值最小的个体为团体领导者；将整个群体划分为a个区域，选出区域中适应度值最小的个体为区域获胜者；

4)进行竞选活动，其他成员根据团体领导者和区域获胜者更新自身位置，具体如下：

当

时，按照式(3)更新空间位置：

当

时，按照式(4)更新空间位置：

式中，

表示当迭代次数为t时，第i个团体的第j个成员所处的位置；

表示

5)以一定概率交换团体成员之间的位置；

6)计算位置更新后团体成员的适应度值，选出新的团体领导者和区域获胜者；

7)由各个区域的获胜者组成会议团体，并进行会议团体事务，按照式(5)更新位置：

式中，

表示a区域的获胜者，

根据

更新得到的新位置为

r为0到1之间的一个随机数。若

的适应度值优于

则替换其位置，否则维持原状；

8)重复4)至7)步骤，直到满足迭代终止条件，输出最优解。

基于此，本发明提出了优化VMD算法，其实现流程如下：

1)初始化优化算法的各项参数以及寻优参数寻优过程中的适应度函数，参数设置为：群体规模为20，其中团体个数为5，区域个数为4，最大迭代次数为20，团体交换的最大概率为1，K的寻优范围为[3,10]，α的寻优范围为[200,3000]；适应度函数为VMD 分解后全部IMF分量的包络熵均值定义为适应度值，并以最小包络均熵为寻优目标，从而得到最优参数；其中，包络熵Ep的定义如下：

式中，p_j为a(j)的归一化形式，a(j)为信号x(j)经希尔伯特变换后的包络信号。

2)计算每个团体成员当前位置下对应的适应度值。

3)将整个群体划分为5个团体，选出团体中适应度值最小的个体为团体领导者；将整个群体划分为4个区域，选出区域中适应度值最小的个体为区域获胜者。

4)进行竞选活动，其他成员按照(3)，(4)更新自身位置。

5)以一定概率交换团体成员之间的位置。

6)计算位置更新后团体成员的适应度值，选出新的团体领导者和区域获胜者。

7)由各个区域的获胜者组成会议团体，并进行会议团体事务，按照式(5)更新位置。

8)重复4)至7)步骤，直到满足迭代终止条件，输出最优解，即为最佳α和K参数值。

如图5所示，步骤S3中，精细复合多尺度模糊熵(RCMFE)的实现流程如下：

1)对于给定的时间序列{x(i),i＝1,2,...,N}，其复合粗粒化序列为：

式中，s为尺度因子。

2)在尺度s下，构造每个复合粗粒化序列的m维向量为：

式中，m为嵌入维数，

3)定义向量X_i和X_j之间的距离为：

式中，p＝1,2,…,m-1，i≠j。

4)引入模糊隶属度函数，定义向量X_i和X_j之间的相似度为：

D_i,j＝exp(-(d_i,j/r)ⁿ) (10)

式中，n和r分别代表了指数函数边界的梯度和相似度容限。

5)定义m维下的平均相似度函数为：

6)类似地，m+1维下的平均相似度函数

也可根据式(11)得出。在尺度s下，共有s个粗粒化序列，通过计算每个粗粒化序列的m和m+1维平均相似度函数最终可以得到，精细复合多尺度模糊熵的表达式为：

式中，

步骤S4中，采用灰狼群优化支持向量机(GWO-SVM)分类器进行故障识别，具体包括以下步骤：

1)对步骤S3获得的故障特征集，在每种故障类别数量上按照4:6的比例分为测试样本集和训练样本集。然后对训练样本集和测试样本集进行归一化处理。

2)根据SVM模型，选用径向基函数作为核函数，利用灰狼群优化算法，按照训练样本三折交叉后的平均正确识别率定义为适应度值，自动确定出SVM模型的最佳惩罚因子和核函数参数。其中，设置GWO算法灰狼种群规模为20，终止迭代为100。

3)利用训练样本构建SVM预测模型，并利用该SVM预测模型对测试样本进行诊断识别，判断滚动轴承故障类型。

本实施例还提供了一种滚动轴承故障诊断系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。

为验证本发明的有效性，利用滚动轴承故障诊断实验台进行实验数据的采集，分别采集滚动轴承在正常状态，内圈故障状态，外圈故障状态和滚动体故障状态下振动加速度信号各100组。本次实验设置电机转速为1772r/min，采样频率为f_s＝12000Hz，采样点设置为1024。

然后，如图1所示，按如下步骤实施：

步骤一：利用加速度传感器对上述旋转机械设备进行实验数据的采集，获取其振动加速信号。滚动轴承四种状态的时域波形图如图2所示。据图2可知，仅从信号时域波形无法有效区分出各工况类型，并且实验采集的信号存在一定噪声干扰，因此利用本发明所所提出的优化VMD方法对振动信号进行降噪处理。

步骤二：利用优化VMD算法对振动信号进行降噪，其流程如图3所示。以一组滚动体故障信号为例，利用优化VMD算法对其进行降噪，其中，优化算法对VMD参数寻优结果为[228,5]，全局最佳适应度值为2.8693，并对上述各IMF分量进行重构，即可得到降噪后的故障信号，对应分解与重构结果如图4所示。

步骤三：为全面表征不同工况故障信息，利用RCMFE对上述4种工况各100组样本故障特征提取，将尺度s设置为25,n＝2,m＝2,r＝0.15SD,400组样本即可得到25维数特征矩阵 F^400×25，4种工况熵值特征曲线如图6所示。

步骤四：将特征提取后的结果输入至GWO-SVM多故障分类器中进行识别，其中每类工况训练样本与测试样本按4:6随机分配，定义训练样本三折交叉后的平均识别率为适应度值，其中，设置GWO算法灰狼种群规模为20，终止迭代为100，识别结果如图7所示。根据图7可知，所提“优化VMD+RCMFE+GWO-SVM”故障诊断模型对滚动轴承不同工况的故障识别率达到100％，能够精准的将四类样本区分开，以此验证该模型的有效性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，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、等同变化与改型，仍属于本发明技术方案的保护范围。