CN114692702A - 一种自适应单模态变分模态分解的轴承故障诊断方法 - Google Patents
一种自适应单模态变分模态分解的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114692702A CN114692702A CN202210607169.8A CN202210607169A CN114692702A CN 114692702 A CN114692702 A CN 114692702A CN 202210607169 A CN202210607169 A CN 202210607169A CN 114692702 A CN114692702 A CN 114692702A
- Authority
- CN
- China
- Prior art keywords
- formula
- modal decomposition
- mode
- fault
- 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
Images
Classifications
-
- 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
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2218/08—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
-
- 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
Abstract
本发明公开了一种自适应单模态变分模态分解的轴承故障诊断方法,包括:步骤1:载入测试信号;步骤2:输入粒子群各参数,设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围,输入感兴趣的故障周期;步骤3:粒子种群位置初始化;步骤4:求解初始中心频率和惩罚因子的最优参数组合;步骤5:将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中,进而提取故障模态;步骤6:对故障模态进行包络谱分析,与理论故障特征频率比对,判断轴承是否发生故障。本发明用于轴承故障信号的准确提取,以提升算法自适应性,适用于轴承故障诊断技术领域。
Description
技术领域
本发明属于轴承故障诊断技术领域,具体的说,涉及一种自适应单模态变分模态分解的轴承故障诊断方法。
背景技术
滚动轴承是旋转机械中的关键部件之一,其实际工作情况对机械系统能否正常运行起着重要作用。由于高速列车轴箱轴承的服役环境较为恶劣,所以在列车运行过程中经常发生轴箱轴承失效现象。复杂激扰下高速列车轴箱轴承的振动信号通常是非线性、非平稳的。由于轮轨冲击和环境噪声的影响,在采集到的振动信号中常含有较强的噪声和干扰,这使得准确提取轴承微弱的故障特征信息一直是机械故障诊断领域的一大挑战。
为此我们提出一种自适应单模态变分模态分解的轴承故障诊断方法,用于轴承故障信号的准确提取。
发明内容
本发明提供了一种自适应单模态变分模态分解的轴承故障诊断方法,用于轴承故障信号的准确提取,以提升算法的自适应性。
为实现上述目的,本发明所采用的技术方案如下:
步骤1:载入测试信号;
步骤2:在粒子群算法中输入各参数,设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围,输入感兴趣的故障周期;
步骤3:粒子种群位置初始化;
步骤4:求解初始中心频率和惩罚因子的最优参数组合;
步骤5:将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中,进而提取故障模态;
步骤6:对故障模态进行包络谱分析,与理论故障特征频率比对,判断轴承是否发生故障。
进一步的,所述步骤4中初始中心频率和惩罚因子的最优参数组合求解包括如下步骤:
步骤a:构造约束变分模型;
步骤b:构造非约束变分模型;
步骤c:变分模态分解转为单模态变分模态分解;
步骤d:将初始化的种群位置代入单模态变分模态分解中,计算各粒子的适应度函数值,根据粒子群算法的迭代准则,进行粒子位置迭代更新;
步骤e:粒子位置迭代更新,直至达到最大迭代次数,得到初始中心频率和惩罚因子的最优参数组合。
进一步的,构造约束变分模型,公式如下:
进一步的,所述单模态变分模态分解的收敛准则公式如下:
进一步的,所述粒子群算法的迭代准则公式如下:
式中,为粒子群中粒子的数量;为向量的维数;为当前迭代次数;和为学习因子;和为介于[0,1]间的随机数;为粒子第次迭代中维的速度;为第次迭代中粒子在维的位置;为惯性权重,表示粒子在维的最佳位置,表示种群在维的最佳位置,迭代更新公式如下:
进一步的,所述步骤3中粒子种群位置初始化公式如下:
进一步的,步骤2中初始中心频率ICF和惩罚因子β范围设置的公式如下:
进一步的,所述相关峭度指标公式如下:
本发明由于采用了上述的方法,其与现有技术相比,所取得的技术进步在于:
粒子种群位置初始化之后,通过粒子群的迭代准则和终止条件,求解出初始中心频率和惩罚因子的最优参数组合,将最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中,提取到故障模态,并对故障模态进行包络谱分析,与理论故障特征频率比对,判断轴承是否发成故障。
利用改进的粒子群算法,即通过粒子群的种群位置初始化、迭代准则和终止条件,能够保证粒子群算法在种群数量和迭代次数较小的情况下依然拥有稳定的性能,从而提升了自适应单模态变分模态分解算法的计算效率。利用优化后的单模态变分模态分解算法提取故障模态,生成故障模态的包络谱,从而判断轴承是否发生故障。通过单模态变分模态分解可以对振动信号中的噪声和干扰进行有效剔除,准确提取信号中故障冲击的共振频带,从而可以准确判断轴承运行情况,克服了轮轨冲击和环境噪声的影响,并能够准确提取轴承微弱的故障特征信息,实现准确机械故障诊断。
通过输入不同的感兴趣故障周期,可以实现轴承的单点故障和复合故障的诊断。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明提供的轴承故障诊断方法的流程图;
图2为轴箱轴承振动信号的时域波形图;
图3为轴箱轴承振动信号的频谱;
图4为轴箱轴承振动信号的包络谱;
图5为故障模态在频域的位置;
图6为故障模态的时域波形;
图7为故障模态的包络谱。
具体实施方式
以下结合附图对本发明的优选实施例进行说明。应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
因轴箱轴承工作环境复杂,故障特征信息常被强烈的背景噪声湮没,用加速度传感器采集到的振动信号中常含有较强的噪声和干扰。本发明提供了一种自适应单模态变分模态分解的轴承故障诊断方法,利用单模态变分模态分解可以提取振动信号中故障冲击的共振频带,利用改进的粒子群算法优化单模态变分模态分解的初始中心频率和惩罚因子,用优化后的单模态变分模态分解提取故障模态,生成故障模态的包络谱,从而判断轴承是否发生故障。
为了验证本发明所提方法能够准确提取轴承微弱故障特征信息的有效性,进行轴箱轴承故障诊断试验分析。试验轴承为高速列车轴箱轴承,型号为TRAOL130/240-B,其主要参数如下表1所示。利用线切割技术在轴承外圈上加工了一个局部损伤,损伤长约5 mm、宽约1 mm、深约0.7 mm。与轴承的结构尺寸相比,故障缺陷非常轻微。为了真实地模拟轴箱轴承运行过程中的载荷变化,通过轴承试验台,施加最大轴向力为±40 kN、平均径向力为80kN的动态载荷,其最大激励频率为20 Hz。试验时,采样频率设置为51.2 kHz,转频为28.5Hz。根据轴承尺寸和试验工况,计算得到外圈故障特征频率=208.1 Hz,内圈故障特征频率=276.4 Hz,滚动体故障特征频率=97.5 Hz。
用加速度传感器采集振动信号,图2为轴箱轴承振动信号的时域波形图,从中我们看不到明显的周期性脉冲。图3和图4分别为对应的频谱和包络谱。在强噪声的影响下,我们无法在包络谱中找到任何故障特征信息。
表1 测试轴承的主要参数表
节径 (mm) | 滚子直径 (mm) | 滚子个数 | 接触角 (deg) |
185 | 26.5 | 17 | 10 |
用本发明所提供的方法分析该振动信号,过程如图1所示,包括步骤如下:
步骤1:载入图2所示的测试信号;
步骤2:在粒子群算法中输入各参数,具体参数如下:
相关峭度指标公式如下:
步骤3:用公式8所示的准则,初始化粒子种群的位置:
通过本发明建立的种群位置初始化准则,可以使各粒子均匀地分散在整个搜索空间中,增加了种群位置初始化的分散程度。
步骤4:求解初始中心频率和惩罚因子的最优参数组合;
具体的,初始中心频率和惩罚因子的最优参数组合求解包括如下步骤:
步骤a:构造约束变分模型;
公式如下:
步骤c:变分模态分解转为单模态变分模态分解;
所述单模态变分模态分解的收敛准则公式如下:
步骤d:将初始化的种群位置代入单模态变分模态分解中,计算各粒子的适应度函数值,根据粒子群算法的迭代准则,进行粒子位置迭代更新;
所述粒子群算法的迭代准则公式如下:
式中,为粒子群中粒子的数量;为向量的维数;为当前迭代次数;和为学习因子;和为介于[0,1]间的随机数;为粒子第次迭代中维的速度;为第次迭代中粒子在维的位置;为惯性权重,表示粒子在维的最佳位置,表示种群在维的最佳位置,迭代更新公式如下:
步骤e:粒子位置不断迭代更新,直至达到最大迭代次数,输出初始中心频率和惩罚因子的最优参数组合。
步骤5:将步骤4中得到的最优的初始中心频率和惩罚因子输入到单模态变分模态分解公式中,进而提取故障模态;
步骤6:对故障模态进行包络谱分析,与理论故障特征频率比对,判断轴承是否发生故障。
图5显示了故障模态在频域的位置。图6为故障模态的时域波形,可以发现周期性脉冲已经非常明显。图7为故障模态的包络谱,在图上我们可以发现两个非常凸出的谱线,对应的频域值分别为207.9 Hz和415.8 Hz。通过与外圈、内圈和滚动体的故障特征频率的对比,我们不难发现这两个数值与外圈故障特征频率及其二倍频非常接近,因此可以断定此轴承存在外圈故障。
试验结果表明,本发明提出的自适应单模态变分模态分解算法可以在强噪声的环境下,实现轴箱轴承的精准故障诊断。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对式中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明权利要求保护的范围之内。
Claims (10)
1.一种自适应单模态变分模态分解的轴承故障诊断方法,其特征在于,包括如下步骤:
步骤1:载入测试信号;
步骤2:在粒子群算法中输入各参数,设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围,输入感兴趣的故障周期;
步骤3:粒子种群位置初始化;
步骤4:求解初始中心频率和惩罚因子的最优参数组合;
步骤5:将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中,进而提取故障模态;
步骤6:对故障模态进行包络谱分析,与理论故障特征频率比对,判断轴承是否发生故障。
2.根据权利要求1所述的一种自适应单模态变分模态分解的轴承故障诊断方法,其特征在于:所述步骤4中初始中心频率和惩罚因子的最优参数组合求解包括如下步骤:
步骤a:构造约束变分模型;
步骤b:构造非约束变分模型;
步骤c:变分模态分解转为单模态变分模态分解;
步骤d:将初始化的种群位置代入单模态变分模态分解中,计算各粒子的适应度函数值,根据粒子群算法的迭代准则,进行粒子位置迭代更新;
步骤e:粒子位置迭代更新,直至达到最大迭代次数,得到初始中心频率和惩罚因子的最优参数组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607169.8A CN114692702B (zh) | 2022-05-31 | 2022-05-31 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607169.8A CN114692702B (zh) | 2022-05-31 | 2022-05-31 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692702A true CN114692702A (zh) | 2022-07-01 |
CN114692702B CN114692702B (zh) | 2022-09-02 |
Family
ID=82130944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607169.8A Active CN114692702B (zh) | 2022-05-31 | 2022-05-31 | 一种自适应单模态变分模态分解的轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692702B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674199A (zh) * | 2024-02-01 | 2024-03-08 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的新型电力系统调频方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN108760316A (zh) * | 2018-08-16 | 2018-11-06 | 苏州大学 | 变分模态分解的变参信息融合方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
-
2022
- 2022-05-31 CN CN202210607169.8A patent/CN114692702B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171263A (zh) * | 2017-12-26 | 2018-06-15 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
CN108760316A (zh) * | 2018-08-16 | 2018-11-06 | 苏州大学 | 变分模态分解的变参信息融合方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
CUIXING LI.ETC: ""Wheelset bearing fault diagnosis method based on a novel parameter-adaptive VMD"", 《SSRN》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117674199A (zh) * | 2024-02-01 | 2024-03-08 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的新型电力系统调频方法和系统 |
CN117674199B (zh) * | 2024-02-01 | 2024-04-23 | 西安热工研究院有限公司 | 一种超级电容耦合锂电池的电力系统调频方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114692702B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Fault analysis of wind power rolling bearing based on EMD feature extraction | |
Cui et al. | Double-dictionary matching pursuit for fault extent evaluation of rolling bearing based on the Lempel-Ziv complexity | |
Bin et al. | Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
Zhao et al. | Sparse classification based on dictionary learning for planet bearing fault identification | |
Zhou et al. | Novel synthetic index-based adaptive stochastic resonance method and its application in bearing fault diagnosis | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
Kong et al. | Discriminative dictionary learning based sparse representation classification for intelligent fault identification of planet bearings in wind turbine | |
Hou et al. | Interpretable online updated weights: Optimized square envelope spectrum for machine condition monitoring and fault diagnosis | |
Wang et al. | A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture | |
Gomez et al. | Angular modeling of a rotating machine in non-stationary conditions: Application to monitoring bearing defects of wind turbines with instantaneous angular speed | |
Wang et al. | A general sequential Monte Carlo method based optimal wavelet filter: A Bayesian approach for extracting bearing fault features | |
Ma et al. | Early fault diagnosis of rotating machinery based on composite zoom permutation entropy | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
CN114692702B (zh) | 一种自适应单模态变分模态分解的轴承故障诊断方法 | |
Wang et al. | Online bearing fault diagnosis using numerical simulation models and machine learning classifications | |
Huang et al. | Novel morphological scale difference filter with application in localization diagnosis of outer raceway defect in rolling bearings | |
CN110940524B (zh) | 一种基于稀疏理论的轴承故障诊断方法 | |
CN111076934A (zh) | 一种基于s变换诊断轴承潜在故障的方法 | |
He et al. | Bearing condition evaluation based on the shock pulse method and principal resonance analysis | |
Zhang et al. | Wind turbine blade bearing fault detection with Bayesian and Adaptive Kalman Augmented Lagrangian Algorithm | |
Jiang et al. | A complete dynamics model of defective bearings considering the three-dimensional defect area and the spherical cage pocket | |
Yan et al. | Tacholess skidding evaluation and fault feature enhancement base on a two-step speed estimation method for rolling bearings | |
Gao et al. | Weak fault feature extraction for polycrystalline diamond compact bit based on ensemble empirical mode decomposition and adaptive stochastic resonance | |
Zhao et al. | Peak envelope spectrum Fourier decomposition method and its application in fault diagnosis of rolling bearings |
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 |