CN114199570A - 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 - Google Patents
基于改进变分模态分解的风电齿轮箱轴承故障识别方法 Download PDFInfo
- Publication number
- CN114199570A CN114199570A CN202111520548.5A CN202111520548A CN114199570A CN 114199570 A CN114199570 A CN 114199570A CN 202111520548 A CN202111520548 A CN 202111520548A CN 114199570 A CN114199570 A CN 114199570A
- Authority
- CN
- China
- Prior art keywords
- encoder
- layer
- signal
- self
- fault
- 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 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000005299 abrasion Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004026 adhesive bonding Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- DEFOZIFYUBUHHU-IYQKUMFPSA-N fluprednidene acetate Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1CC(=C)[C@@](C(=O)COC(=O)C)(O)[C@@]1(C)C[C@@H]2O DEFOZIFYUBUHHU-IYQKUMFPSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004901 spalling Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于改进变分模态分解的故障识别方法，该方法结合变分模态分解和深度自编码器的混合方法来实现风电齿轮箱轴承故障的识别，首先，利用功率谱熵优化变分模态分解的本征模态函数数目和模态初始中心约束强度；然后，利用样本熵阈值将本征模态函数分为高噪声和低噪声分量，接着用小波阈值对高噪声本征模态函数分量进行降噪重构；之后，利用深度自编码器对故障特征进行提取和降维；最后，利用支持向量机对轴承故障进行识别。本发明可以更好的提取故障轴承的特征，对故障进行更快更精确的识别。
Description
技术领域
本发明涉及一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法。
背景技术
传统的碳基能源因其不可再生和环境污染问题，发展日益受限，而风能的低成本和灵活性，使其成为全球能源发展的焦点。然而，在风力发电系统中，机械传动系统的可靠性和可维护性成为其发展的制约问题。特别在风电机组运行的过程中，风电齿轮箱的轴承故障突出，此外，在机组高空、低速、重载工况的干扰下，轴承的故障信号组成变得更加复杂，上述情况对轴承故障特征的提取造成极大干扰。国内外学者针对此问题进行了大量的研究，其中，多数仅针对轴承的稳态运行工况，对振动信号进行时域和频域的统计，后将得到的统计特征输入到分类模型进行训练，实现风电齿轮箱轴承的故障诊断。然而，在实际情况下，风机的主轴转速和转矩波动较为显著，轴承振动信号包含大量干扰噪声，传统的信号处理方法会导致信号出现模态混叠、弱特征信号丢失、噪声敏感等问题，从而影响故障特征的提取。此外，已有的机器学习分类模型在训练时需要大量带有标签的样本，且样本数据的维度较高，导致计算开销过大和模型过拟合等问题。
发明内容
针对上述问题，本发明提出了一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，与其他方法相比，本发明提出的方法可以更好的提取故障轴承的特征，对故障进行更快更精确的识别。
本发明解决其技术问题所采用的技术方案是：
一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，所述方法包括以下步骤：
步骤1：轴承故障信号的获取，过程如下：
风电齿轮箱的轴承在运行中的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀，基于上述轴承故障种类，利用风电传动实验装置获得10种典型的轴承故障信号，包括轴承无故障信号、内滚道点蚀信号、滚动体点蚀信号、内圈外壁磨损信号、内圈内壁磨损信号、外圈内壁磨损信号、滚动体胶合信号、内圈断裂信号、内圈断裂信号、保持架断裂信号，故障轴承产生的振动信号通过加速度传感器和加速度信号采集板卡进行获取；
步骤2：轴承故障信号预处理降噪，过程如下：
首先，通过变分模态分解将原始信号分解为不同数量的本征模态函数，对得到的每一个本征模态函数分量进行功率谱熵的计算，然后确定最优模态参数k和模态初始中心约束强度参数α；
接着，利用最优模态数参数k和模态初始中心约束强度参数α对原始信号进行变分模态分解，对分解得到的每一个本征模态函数分量进行样本熵的计算；得到的样本熵与设定的样本熵阈值进行比较，将样本熵大于阈值的本征模态函数设为高噪声分量，对其进行小波阈值降噪；然后，对降噪后的本征模态函数分量进行重构，直至重构后本征模态函数的样本熵小于阈值为止；
然后，将降噪后的本征模态函数叠加重构，得到降噪后的时序信号，用于深度自编码器的特征提取；
步骤3：基于深度自编码器的故障特征提取，过程为：
3.1)，自编码器的搭建，自编码器模型包含输入层L，隐藏层H和输出层Z；其中，输入层和隐藏层构成编码器，隐藏层和输出层构成解码器；
3.2)，深度自编码器的搭建，深度自编码器模型包含输入层L1，隐藏层H1、H2、H3、H4，隐藏层H1到H4的神经元个数逐层递减；；
步骤4：支持向量机对特征进行分类：将步骤3中降维后的数据作为输入层输入到SVM分类器中，通过调整支持向量机的惩罚因子C和核函数的自带参数γ来实现故障的识别。
进一步，所述步骤2中，一维时序振动信号的去噪重构过程如下：
2.1)参数初始化，对变分模态分解中的模态初始中心约束强度参数α进行初始化赋值，使α＝2000，设定模态数参数k的取值范围为[1,10]，初始值为1，逐渐递增k＝k+1，对原始信号进行k层变分模态分解；
2.2)计算确定每一次分解所得的每一个本征模态函数分量的功率谱熵，当获得功率谱熵最小值时得到参数k的最优解；
2.3)确定分解层数参数k后，再进行功率谱熵计算确定模态初始中心约束强度参数α的最优解，设定参数α的范围为[500,2500]，步长为20，令最小功率谱熵所对应的模态初始中心约束强度参数α为最优的值，最终确定最优模态参数k和模态初始中心约束强度参数α,并令该组合为(k,α)；
2.4)设置本征模态函数样本熵的阈值为0.2，原始信号根据优化后的参数(k,α)进行变分模态分解，然后对分解得到的每个本征模态函数进行样本熵计算，令样本熵大于0.2的本征模态函数分量为高噪声分量，低于0.2的为低噪声分量；
2.5)对高噪声分量的本征模态函数进行小波阈值降噪，对降噪重构后的本征模态函数分量再计算样本熵，然后调整小波阈值使高噪声本征模态函数分量的样本熵在规定的样本熵阈值范围内；
2.6)最后将降噪后的本征模态函数叠加重构，得到降噪后的时序信号。
再进一步，所述步骤3中，每一层的细节如下：
输入层：将轴承原始振动信号通过变分模态分解，然后进行去噪和重构，对重构后的信号进行采样，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；
隐藏层：自编码器由编码器和解码器的三层网络构成，编码器将输入层的高维输入数据映射到低维空间的隐藏层H，解码器从隐藏层H重构输入数据，将输入层和输出层的均方误差作为损失函数；然后，通过最小化损失函数的值来实现权值和偏置的优化，通过保留自编码器的编码器部分，把优化后的隐藏层H作为深度自编码器的隐藏层H1，然后把隐藏层H1作为下一个自编码器的输入层，再次进行自编码器的搭建，获得第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。
优选的，所述3.1)的过程如下；首先，对降噪处理后的时序信号进行采样处理，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；然后，编码器将输入层L的数据输送给隐藏层H，并将小波函数作为激活函数，得到一个Hm×Hd的矩阵，其中，m代表矩阵的维数，d代表隐藏层中神经元的个数，且隐藏层的神经元个数d小于输入样本的特征数D的个数。之后，将隐藏层视为输入层，通过解码器得到一个Zm×ZD矩阵，其中，m代表矩阵的维度，D代表矩阵的长度；最后，自编码器以均方误差作为损失函数，来优化模态初始中心约束强度参数α＝(W(1),b(1),W(2),b(2))，使损失函数的值达到最小；其中，W(1)为编码器中的权重，b(1)为编码器的偏置；W(2为解码器中的权重，b(2)为解码器中的偏置；
所述3.2)的过程如下：首先，保留训练完成后自编码器的编码器部分，作为深度自编码器的第一个隐藏层H1；然后，将编码器的隐藏层H1作为隐藏层H2的输入层来搭建一个新的自编码器，重复第一步中自编码器的搭建过程，然后保留编码器部分，作为深度自编码器中的第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。
本发明方案的实现步骤：第一步，利用功率谱熵优化变分模态分解的本征模态函数数目和模态初始中心约束强度。第二步，利用样本熵计算分解得到的每一个本征模态函数的样本熵，通过设定样本熵的阈值，将本征模态函数分为高噪声分量和低噪声分量。利用小波阈值降噪的方法对高噪声分量进行降噪，该过程通过调整小波阈值，使重构后高噪声分量的样本熵在设定的能量谱熵的范围内，而后将降噪后的本征模态函数分量叠加重构。第三步，对重构后的信号进行采样，将采样数据输入到深度自编码器中进行特征提取，然后利用支持向量机对提取的特征进行分类，最终实现轴承故障识别的目的。
该方法对传统变分模态分解进行深度改进，通过变分模态分解对风电齿轮箱原始振动信号进行分解，使分解的本征模态函数具有数学解释性；利用功率谱熵优化变分模态分解的分解层数参数k和模态初始中心约束强度参数α，使变分模态分解效果达到最优；利用样本熵的阈值将本征模态函数分为高噪声分量和低噪声分量；利用小波分解对高噪声的本征模态函数分量进行去噪，提高轴承故障特征的识别效果；利用深度自编码器无监督学习的特点，避免了人工对数据样本的标注，节约了人工成本；利用深度自编码器降维的优点，降低了数据的维度，提高了支持向量机对故障类型的分类效率。
本发明的有益效果为：(1)结合变分模态分解的数学解释性、快速的收敛性和明显的分解结果，避免了模态混叠的干扰，提高了提取的故障特征的可靠性；(2)结合功率谱熵使变分模态分解的分解层数和模态初始中心约束强度达到最优，提高了变分模态分解的效果；(3)结合样本熵的阈值将本征模态函数分为高噪声分量和低噪声分量，然后利用小波分解对高噪声的本征模态函数进行去噪，降低了噪声对故障识别的干扰；(4)结合深度自编码器强泛化性和无监督学习的特点，避免了人工对数据样本的标注，节约了人工成本；(5)结合深度自编码器降维的特点，降低了数据的维度，减少了支持向量机对数据的计算时间，提高了故障分类的效率。
附图说明
图1是基于改进变分模态分解的风电齿轮箱轴承故障识别方法。
图2是自编码器的架构图。
图3是深度自编码器的架构图。
具体实施方式
下面对本发明做进一步说明。
参照图1～图3，一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，包括以下步骤：
步骤1：轴承故障信号的获取，过程如下：
风电齿轮箱的轴承在运行中常见的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀等，基于上述轴承故障种类，利用风电传动实验装置获得10种典型的轴承故障信号，包括轴承无故障信号、内滚道点蚀信号、滚动体点蚀信号、内圈外壁磨损信号、内圈内壁磨损信号、外圈内壁磨损信号、滚动体胶合信号、内圈断裂信号、内圈断裂信号、保持架断裂信号。故障轴承产生的振动信号通过加速度传感器和加速度信号采集板卡进行获取，由伺服电机提供恒定转速600r/min,并通过增速比为2.5的齿轮箱进行加速，采样率为25.6kHz，共采集10个轴承故障数据集，每个故障集120个样本，每个样本1024个采样点；
步骤2：轴承故障信号预处理降噪，过程如下：
在得到模拟故障的振动数据后，利用变分模态分解方法将原始信号进行分割，得到有限个本征模态函数，在进行去噪后重构信号，过程包括：
2.1)参数初始化，对变分模态分解中的模态初始中心约束强度参数α进行初始化赋值，使α＝2000，设定模态数参数k的取值范围为[1,10]，初始值为1，逐渐递增k＝k+1，对原始信号进行k层变分模态分解；
2.2)计算确定每一次分解所得的每一个本征模态函数分量的功率谱熵，当获得功率谱熵最小值时得到参数k的最优解；
2.3)确定分解层数参数k后，再进行功率谱熵计算确定惩罚因子参数α的最优解。设定参数α的范围为[500，2500]，步长为20，令最小功率谱熵所对应的α为最优的值，最终确定最优参数(k,α)；
2.4)设置本征模态函数样本熵的阈值为0.2，原始信号根据优化后的参数(k,α)进行变分模态分解，然后对分解得到的每个本征模态函数进行样本熵计算，令样本熵大于0.2的本征模态函数分量为高噪声分量，低于0.2的为低噪声分量；
2.5)对高噪声分量的本征模态函数进行小波阈值降噪，对降噪重构后的本征模态函数分量再计算样本熵，然后调整小波阈值使高噪声本征模态函数分量的样本熵在规定的样本熵阈值范围内；
2.6)最后将降噪后的本征模态函数叠加重构，得到降噪后的时序信号；
重构后时序振动信号的采样率为25.6kHz，采集时间5s，分别采集10个轴承故障集，每个故障集120个样本(其中80个训练集，40个作为测试集)，每个样本1024个采样点。深度自编码器设置一个输入层和四个隐藏层，每一层的神经元数分别为(800,500,250,20)；
步骤3：基于深度自编码器的故障特征提取，过程为：
3.1)，自编码器的搭建，自编码器模型包含输入层L，隐藏层H和输出层Z；其中，输入层和隐藏层构成编码器，隐藏层和输出层构成解码器，过程如下：首先，对降噪处理后的时序信号进行采样处理，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；然后，编码器将输入层L的数据输送给隐藏层H，并将小波函数作为激活函数，得到一个Hm×Hd的矩阵，其中，m代表矩阵的维数，d代表隐藏层中神经元的个数，且隐藏层H的神经元个数d小于输入样本的特征数D的个数；之后，将隐藏层视为输入层，通过解码器得到一个Zm×ZD矩阵，其中，m代表矩阵的维度，D代表矩阵的长度；最后，自编码器以均方误差作为损失函数，来优化模态初始中心约束强度参数α＝(W(1),b(1),W(2),b(2))，使损失函数的值达到最小；其中，W(1)为编码器中的权重，b(1)为编码器的偏置；W(2为解码器中的权重，b(2)为解码器中的偏置；
3.2)，深度自编码器的搭建，深度自编码器模型包含输入层L1，隐藏层H1、H2、H3、H4，隐藏层H1到H4的神经元个数逐层递减，过程如下：首先，保留训练完成后自编码器的编码器部分，作为深度自编码器的第一个隐藏层H1；然后，将编码器的隐藏层H1作为隐藏层H2的输入层来搭建一个新的自编码器，重复第一步中自编码器的搭建过程，然后保留编码器部分，作为深度自编码器中的第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维；
深度自编码器的框架和每一层的细节如下所示：
3输入层：将轴承原始振动信号通过变分模态分解，然后进行去噪和重构，对重构后的信号进行采样，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层。
3隐藏层：自编码器由编码器和解码器的三层网络构成，编码器将输入层的高维输入数据映射到低维空间的隐藏层H，解码器从隐藏层H重构输入数据，将输入层和输出层的均方误差作为损失函数；然后，通过最小化损失函数的值来实现权值和偏置的优化。通过保留自编码器的编码器部分，把优化后的隐藏层H作为深度自编码器的隐藏层H1，然后把隐藏层H1作为下一个自编码器的输入层，再次进行自编码器的搭建，获得第二个隐藏层H2。最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维；
步骤4：支持向量机对提取特征进行分类：
在步骤3中通过深度自编码器实现数据的降维，降维后的数据作为输入层输入到支持向量机分类器中，通过调整支持向量机的惩罚因子C和核函数的自带参数γ来实现故障的识别，最终得到十类故障的分类结果。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (5)
1.一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述方法包括以下步骤：
步骤1：轴承故障信号的获取，过程如下：
风电齿轮箱的轴承在运行中的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀，基于上述轴承故障种类，利用风电传动实验装置获得10种典型的轴承故障信号，包括轴承无故障信号、内滚道点蚀信号、滚动体点蚀信号、内圈外壁磨损信号、内圈内壁磨损信号、外圈内壁磨损信号、滚动体胶合信号、内圈断裂信号、内圈断裂信号、保持架断裂信号，故障轴承产生的振动信号通过加速度传感器和加速度信号采集板卡进行获取；
步骤2：轴承故障信号预处理降噪，过程如下：
首先，通过变分模态分解将原始信号分解为不同数量的本征模态函数，对得到的每一个本征模态函数分量进行功率谱熵的计算，然后确定最优模态参数k和模态初始中心约束强度参数α；
接着，利用最优模态数参数k和模态初始中心约束强度参数α对原始信号进行变分模态分解，对分解得到的每一个本征模态函数分量进行样本熵的计算；得到的样本熵与设定的样本熵阈值进行比较，将样本熵大于阈值的本征模态函数设为高噪声分量，对其进行小波阈值降噪；然后，对降噪后的本征模态函数分量进行重构，直至重构后本征模态函数的样本熵小于阈值为止；
然后，将降噪后的本征模态函数叠加重构，得到降噪后的时序信号，用于深度自编码器的特征提取；
步骤3：基于深度自编码器的故障特征提取，过程为：
3.1)，自编码器的搭建，自编码器模型包含输入层L，隐藏层H和输出层Z；其中，输入层和隐藏层构成编码器，隐藏层和输出层构成解码器；
3.2)，深度自编码器的搭建，深度自编码器模型包含输入层L1，隐藏层H1、H2、H3、H4，隐藏层H1到H4的神经元个数逐层递减；；
步骤4：支持向量机对特征进行分类：将步骤3中降维后的数据作为输入层输入到SVM分类器中，通过调整支持向量机的惩罚因子C和核函数的自带参数γ来实现故障的识别。
2.如权利要求1所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述步骤2中，一维时序振动信号的去噪重构过程如下：
2.1)参数初始化，对变分模态分解中的模态初始中心约束强度参数α进行初始化赋值，使α＝2000，设定模态数参数k的取值范围为[1,10]，初始值为1，逐渐递增k＝k+1，对原始信号进行k层变分模态分解；
2.2)计算确定每一次分解所得的每一个本征模态函数分量的功率谱熵，当获得功率谱熵最小值时得到参数k的最优解；
2.3)确定分解层数参数k后，再进行功率谱熵计算确定模态初始中心约束强度参数α的最优解，设定参数α的范围为[500,2500]，步长为20，令最小功率谱熵所对应的模态初始中心约束强度参数α为最优的值，最终确定最优模态参数k和模态初始中心约束强度参数α,并令该组合为(k,α)；
2.4)设置本征模态函数样本熵的阈值为0.2，原始信号根据优化后的参数(k,α)进行变分模态分解，然后对分解得到的每个本征模态函数进行样本熵计算，令样本熵大于0.2的本征模态函数分量为高噪声分量，低于0.2的为低噪声分量；
2.5)对高噪声分量的本征模态函数进行小波阈值降噪，对降噪重构后的本征模态函数分量再计算样本熵，然后调整小波阈值使高噪声本征模态函数分量的样本熵在规定的样本熵阈值范围内；
2.6)最后将降噪后的本征模态函数叠加重构，得到降噪后的时序信号。
3.如权利要求1或2所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述步骤3中，每一层的细节如下：
输入层：将轴承原始振动信号通过变分模态分解，然后进行去噪和重构，对重构后的信号进行采样，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；
隐藏层：自编码器由编码器和解码器的三层网络构成，编码器将输入层的高维输入数据映射到低维空间的隐藏层H，解码器从隐藏层H重构输入数据，将输入层和输出层的均方误差作为损失函数；然后，通过最小化损失函数的值来实现权值和偏置的优化，通过保留自编码器的编码器部分，把优化后的隐藏层H作为深度自编码器的隐藏层H1，然后把隐藏层H1作为下一个自编码器的输入层，再次进行自编码器的搭建，获得第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。
4.如权利要求3所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述3.1)的过程如下；首先，对降噪处理后的时序信号进行采样处理，得到m个训练样本，每个样本的特征数为D，并将训练样本构成的训练集定义为X；训练集X构成一个Xm×XD的矩阵，作为自编码器的输入层；然后，编码器将输入层L的数据输送给隐藏层H，并将小波函数作为激活函数，得到一个Hm×Hd的矩阵，其中，m代表矩阵的维数，d代表隐藏层中神经元的个数，且隐藏层的神经元个数d小于输入样本的特征数D的个数。之后，将隐藏层视为输入层，通过解码器得到一个Zm×ZD矩阵，其中，m代表矩阵的维度，D代表矩阵的长度；最后，自编码器以均方误差作为损失函数，来优化模态初始中心约束强度参数α＝(W(1),b(1),W(2),b(2))，使损失函数的值达到最小；其中，W(1)为编码器中的权重，b(1)为编码器的偏置；W(2为解码器中的权重，b(2)为解码器中的偏置。
5.如权利要求3所述的基于改进变分模态分解的风电齿轮箱轴承故障识别方法，其特征在于，所述3.2)的过程如下：首先，保留训练完成后自编码器的编码器部分，作为深度自编码器的第一个隐藏层H1；然后，将编码器的隐藏层H1作为隐藏层H2的输入层来搭建一个新的自编码器，重复第一步中自编码器的搭建过程，然后保留编码器部分，作为深度自编码器中的第二个隐藏层H2；最后，重复上述步骤，完成深度自编码器隐藏层H3、H4的搭建工作，形成一个完整的深度自编码器，来实现数据的降维。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520548.5A CN114199570B (zh) | 2021-12-13 | 2021-12-13 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111520548.5A CN114199570B (zh) | 2021-12-13 | 2021-12-13 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114199570A true CN114199570A (zh) | 2022-03-18 |
| CN114199570B CN114199570B (zh) | 2024-02-02 |
Family
ID=80653116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111520548.5A Active CN114199570B (zh) | 2021-12-13 | 2021-12-13 | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114199570B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 江苏省特种设备安全监督检验研究院 | 基于vmd-pse的压力管道多点泄漏定位方法 |
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
| 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 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
-
2021
- 2021-12-13 CN CN202111520548.5A patent/CN114199570B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153388A1 (zh) * | 2018-02-12 | 2019-08-15 | 大连理工大学 | 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法 |
| CN109469837A (zh) * | 2018-11-19 | 2019-03-15 | 江苏省特种设备安全监督检验研究院 | 基于vmd-pse的压力管道多点泄漏定位方法 |
| CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| 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 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张勇 等: "基于VMD去噪及多尺度模糊熵的管道小泄漏研究", 《电子测量技术》, vol. 44, no. 22 * |
| 郭远晶 等: "S变换时频谱SVD降噪的冲击特征提取方法", 《振动工程学报》, vol. 27, no. 4 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232244A (zh) * | 2020-10-22 | 2021-01-15 | 昆明理工大学 | 一种滚动轴承故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114199570B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110595780B (zh) | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 | |
| Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
| CN111323220A (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
| CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
| CN111089720B (zh) | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 | |
| CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及系统 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN114659790B (zh) | 一种变转速风电高速轴轴承故障的识别方法 | |
| CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
| CN114548190B (zh) | 一种基于自适应残差神经网络的风力涡轮机故障诊断方法及装置 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| CN112577736A (zh) | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 | |
| CN114199570B (zh) | 基于改进变分模态分解的风电齿轮箱轴承故障识别方法 | |
| CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
| CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
| CN116109292A (zh) | 一种基于联邦半监督学习的风机齿轮箱故障诊断方法 | |
| CN113673442B (zh) | 一种基于半监督单分类网络的变工况故障检测方法 | |
| CN114154254A (zh) | 一种燃气轮机电动执行器故障诊断方法 | |
| CN110909509B (zh) | 基于InfoLSGAN和AC算法的轴承寿命预测方法 | |
| CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
| CN115204234A (zh) | 一种风力发电机故障诊断方法 | |
| CN115470630A (zh) | 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法 |
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 |