CN115062665A - 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 - Google Patents
一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 Download PDFInfo
- Publication number
- CN115062665A CN115062665A CN202210756586.9A CN202210756586A CN115062665A CN 115062665 A CN115062665 A CN 115062665A CN 202210756586 A CN202210756586 A CN 202210756586A CN 115062665 A CN115062665 A CN 115062665A
- Authority
- CN
- China
- Prior art keywords
- modal
- power spectrum
- modal decomposition
- rolling bearing
- decomposition
- 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.)
- Pending
Links
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
- 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]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于信号分析与故障诊断技术领域,公开了一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,包括以下步骤:S1、采集滚动轴承的振动信号;S2、将最小综合故障指数作为目标函数,结合麻雀算法计算得到最佳的麻雀个体位置对应的变分模态分解参数(K,α)作为分解参数,对原始振动信号进行变分模态分解;S3、去除小于平均功率谱峭度的模态分量,得到重构信号;S4、对重构后的信号进行包络解调分析,从而确定轴承的故障类型。本发明通过综合故障指数进行自适应模态分解,可以实现故障冲击和背景噪声的分离,提高了故障诊断的准确性。
Description
技术领域
本发明属于信号分析与故障诊断技术领域,特别涉及一种基于自适应变分模态分解的滚动轴承早期故障诊断方法。
背景技术
滚动轴承作为旋转机械的重要组成部分,其运行状态直接影响机械系统的工作效率及整体性能。在其运行过程中,容易发生各种故障,早期故障具有特征信息微弱和信噪比低等特点,使得产生的周期性脉冲信号往往淹没在背景噪声中不易识别和提取。
变分模态分解作为一种具有坚实理论基础的新方法,能够从低信噪比的原始振动信号中分离出含有故障特征的信号分量。变分模态分解(Variational modedecomposition,VMD)具有较高的运算效率及良好的噪声鲁棒性,在诸多领域有着广泛的应用。但是VMD算法处理信号时需要预先确定模态数量K和二次惩罚因子α等参数,这严重影响了VMD的计算效率。
为了改善VMD在故障领域的性能,通过对VMD的参数进行优化,从而实现自适应分解,现有技术中已经构造了集合峭度、包络谱峭度、包络熵等指标。这些指标有助于解决背景噪声干扰的问题,实现轴承故障的准确诊断。但是,这些指标在故障诊断时可能会丢失一些重要信息。因此,需要提供一种新的故障诊断方法,通过更准确的故障指标来对VMD的参数进行优化,提取微弱故障特征,实现故障位置和类型的精确诊断。
发明内容
针对滚动轴承早期故障特征微弱难以提取且变分模态分解中参数需要提前确定的问题,本发明提出了一种自适应变分模态分解方法,实现了滚动轴承早期故障的精确诊断。
为了解决上述技术问题,本发明采用的技术方案为:一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,包括以下步骤:
S1、采集滚动轴承的振动信号f(n);
S2、设置变分模态分解参数的取值范围,初始化分模态分解参数;根据变分模态分解参数对采集到的振动信号f(n)进行变分模态分解,计算各个模态分量的综合故障指数,选取其中的最小值作为当前麻雀个体位置下的综合故障指数;将最小综合故障指数作为目标函数,采用麻雀算法对变分模态分解参数进行全局搜索,直到得到最佳麻雀个体位置;将最佳麻雀个体位置对应的变分模态分解参数(K,α)作为分解参数,对原始振动信号进行变分模态分解,得到K个模态分量;其中,K表示模态数量,α表示惩罚因子;
S3、计算各个模态分量的功率谱峭度,将其与平均功率谱峭度进行比较,把小于平均功率谱峭度的模态分量舍去,将剩余模态分量相加,得到重构信号;
S4、对重构后的信号进行包络解调分析,从而确定轴承的故障类型。
所述步骤S2中,综合故障指数的计算过程为:
对变分模态分解得到的各个模态分量进行希尔伯特变换,得到变换信号gH(t);
根据变换信号gH(t)计算各个模态分量的功率谱S(k);
根据功率谱S(k)计算各个模态分量的功率谱峭度Q和功率谱熵H;
根据功率谱峭度Q和功率谱熵H计算各个模态分量的综合故障指数CFI,计算公式为:
CFI=H·Q;。
所述步骤S2中,各个模态分量的功率谱S(k)的计算公式为:
式中,DFT表示离散傅里叶变换函数。
所述步骤S2中,各个模态分量的功率谱峭度Q和功率谱熵H的计算公式为:
式中,m4表示四阶中心距,m2表示二阶中心矩,P(S(k))表示功率谱幅值为S(k)的概率。
所述步骤S3中,各个模态分量的功率谱峭度计算方法为:
S301、计算各个模态分量的功率谱S(k),计算公式为:
S302、计算各个模态分量的功率谱峭度KPSi,计算公式为:
其中,m4表示四阶中心距,m2表示二阶中心矩,P(S(k))表示功率谱幅值为S(k)的概率。
所述步骤S3中,平均功率谱峭度AKPS的计算公式为:
所述步骤S2中,变分模态分解参数的设置范围为:K∈[2,10],α∈[100,5000]。
所述步骤S2中,采用麻雀算法对变分模态分解参数进行全局搜索时,若达到设定迭代循环次数,则输出当前各个麻雀个体位置下的综合故障指数中的最小值对应的麻雀个体位置作为最佳麻雀个体。
所述步骤S1中,振动信号f(n)通过振动传感器及数据采集设备采集得到。
本发明与现有技术相比具有以下有益效果:
1、本发明提出了一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,将最小综合故障指数作为目标函数,利用麻雀搜索算法自适应搜索VMD的最优参数,并进行变分模态分解。计算分解后模态分量的功率谱峭度,筛选功率谱峭度较大的分量重构信号,对重构后的信号进行包络解调分析,从而确定轴承的故障类型。
2、本发明提出了一个新的故障诊断指标-综合故障指数,该指标能够将复杂信号分解成多个分量,实现故障冲击和背景噪声的分离。
3、本发明将平均功率谱峭度设为阈值,将信号的功率谱峭度与阈值比较,将小于阈值的模态分量去除,减少噪声的干扰。
附图说明
图1为本发明实施例提供的一种基于自适应变分模态分解的滚动轴承早期故障诊断方法的流程示意图;
图2为本发明实施例中自适应变分模态分解方法的流程示意图;
图3为本发明实施例中采用的实验信号及其包络谱的示意图;
图4为本发明实施例对实验信号进行自适应变分模态分解处理得到的各个模态分量信号及其包络谱的示意图;
图5为本发明实施例中重构后的信号及包络谱的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,包括以下步骤:
S1、采集滚动轴承的振动信号f(n)。
具体地,振动信号f(n)通过振动传感器及数据采集设备采集得到。具体地,可以利用固定在驱动电机侧轴承座上的加速度传感器和相关数据采集设备采集振动信号f(n)。
S2、通过自适应变分模态分解方式,对振动信号f(n)进行分解,得到K个模态分量。
本实施例中,首先设置变分模态分解参数(K,α)的取值范围并进行初始化;根据初始参数对采集到的振动信号f(n)进行变分模态分解,计算综合故障指数;将最小综合故障指数作为目标函数,采用麻雀算法(Sparrow search algorithm,SSA)对参数(K,α)进行全局搜索,将最佳麻雀个体位置对应的参数(K,α)作为分解参数,对原始振动信号进行变分模态分解,得到K个模态分量。
进一步地,步骤S2的具体步骤为:
S201、初始化麻雀搜索算法参数,设置变分模态分解参数K和α的范围,本实施例中,K∈[2,10],α∈[100,5000],将综合故障指数确定为适应度函数;麻雀个体位置对应变分模态分解参数K和α。
S202、将振动信号f(n)进行变分模态分解,计算各个模态分量的综合故障指数,选取其中的最小值作为当前麻雀个体位置下的综合故障指数。
本实施例中,各个模态分量的综合故障指数的计算方法为:
S2021、对变分模态分解后的各个模态分量分别进行希尔伯特变换,得到变换信号gH(n);其表达式为:
gH(n)=Hilbert{g(n)}; (1)
其中,g(n)表示振动信号分解后的一个模态分量。
S2022、根据变换信号gH(n)计算信号的功率谱S(k);
本实施例中,对得到的变换信号gH(n)进行N次采样,并进行离散傅里叶变换,进而得到信号的功率谱S(k),信号的功率谱S(k)的计算公式为:
式中,DFT表示离散傅里叶变换函数,其表达式为:
其中,n表示信号的长度,k表示功率谱的长度,N表示采样次数。
S2023、根据功率谱S(k)计算功率谱峭度Q和功率谱熵H。
其中,功率谱峭度Q和功率谱熵H的计算公式为:
式中,m4表示四阶中心距,m2表示二阶中心矩,P(S(k))表示功率谱幅值为S(k)的概率。
S2024、根据功率谱峭度Q和功率谱熵H计算各个模态分量的综合故障指数CFI(Comprehensive fault index),计算公式为:
CFI=H·Q; (6)
S2025、比较各个模态分量的综合故障指数CFI的值,将其中的最小值作为当前麻雀个体位置的综合故障指数。
S203、将综合故障指数作为适应度函数进行全局搜索,不断更新麻雀个体的位置,重复步骤S202,直至寻找到适应度函数的最小值对应的变分模态分解参数(K,α),或者,当达到设定的迭代循环次数,输出当前适应度函数的最小值对应的变分模态分解参数(K,α),该变分模态分解参数即为最佳麻雀个体位置。
S204、将得到的变分模态分解参数(K,α)作为分解参数,对原始振动信号进行变分模态分解,得到K个模态分量。
本实施例中,麻雀算法采用的目标函数objf为最小综合故障指数(Minimumcomprehensive fault index,MCFI),可表示为:
S3、计算各个模态分量的功率谱峭度,将其与平均功率谱峭度进行比较,把小于平均功率谱峭度的模态分量舍去,将剩余模态分量相加,得到重构信号。
所述步骤S3中,各个模态分量的功率谱峭度计算步骤为:
S301、计算各个模态分量的功率谱S(k),计算公式为:
S302、计算各个模态分量的功率谱峭度KPSi,计算公式为:
其中,m4表示四阶中心距,m2表示二阶中心矩,P(S(k))表示功率谱幅值为S(k)的概率,KPSi表示第i个模态分量的功率谱峭度。
所述步骤S3中,平均功率谱峭度AKPS的计算公式为:
S4、对重构后的信号进行包络解调分析,从而确定轴承的故障类型。
本实施例中,实验数据来自凯斯西储大学轴承数据中心,在故障信号中加入信噪比为2dB的强噪声,原始信号及其包络谱如图3所示,可以发现信号受到较强的噪声干扰,故障特征被完全淹没。通过本发明实施例的诊断方法,将最小综合故障指数作为目标函数,利用麻雀算法自适应搜索VMD的最优参数,得到的参数为:模态数量K=6,惩罚因子α=1338,对振动信号进行变分模态分解,得到6个IMF分量,分别记为IMF1~IMF6,如图4所示,为各个模态分量信号IMF1~IMF6及其包络谱的示意图。
计算各个模态分量的功率谱峭度,将其与平均功率谱峭度进行比较,把小于平均功率谱峭度的模态分量舍去,即舍去模态分量1、2和6,从而减少噪声的干扰,将剩余的模态分量3、4和5相加,得到重构信号。阈值筛选结果如表1所示。
表1阈值筛选结果
IMF | 1 | 2 | 3 | 4 | 5 | 6 |
KPS | 75.5597 | 42.6570 | 226.6138 | 226.3041 | 176.0750 | 77.1499 |
选择 | √ | √ | √ |
重构后的信号如图5中(a)所示,对重构的信号进行包络解调分析,得到的包络谱如图5中(b)所示,从包络谱中可以清楚看到内圈故障频率及其多个倍频,从而确定轴承发生了内圈故障。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,其特征在于,包括以下步骤:
S1、采集滚动轴承的振动信号f(n);
S2、设置变分模态分解参数的取值范围,初始化分模态分解参数;根据变分模态分解参数对采集到的振动信号f(n)进行变分模态分解,计算各个模态分量的综合故障指数,选取其中的最小值作为当前麻雀个体位置下的综合故障指数;将最小综合故障指数作为目标函数,采用麻雀算法对变分模态分解参数进行全局搜索,直到得到最佳麻雀个体位置;将最佳麻雀个体位置对应的变分模态分解参数(K,α)作为分解参数,对原始振动信号进行变分模态分解,得到K个模态分量;其中,K表示模态数量,α表示惩罚因子;
S3、计算各个模态分量的功率谱峭度,将其与平均功率谱峭度进行比较,把小于平均功率谱峭度的模态分量舍去,将剩余模态分量相加,得到重构信号;
S4、对重构后的信号进行包络解调分析,从而确定轴承的故障类型。
2.根据权利要求1所述的一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,其特征在于,所述步骤S2中,综合故障指数的计算过程为:
对变分模态分解得到的各个模态分量进行希尔伯特变换,得到变换信号gH(t);
根据变换信号gH(t)计算各个模态分量的功率谱S(k);
根据功率谱S(k)计算各个模态分量的功率谱峭度Q和功率谱熵H;
根据功率谱峭度Q和功率谱熵H计算各个模态分量的综合故障指数CFI,计算公式为:
CFI=H·Q。
7.根据权利要求1所述的一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,其特征在于,所述步骤S2中,变分模态分解参数的设置范围为:K∈[2,10],α∈[100,5000]。
8.根据权利要求1所述的一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,所述步骤S2中,采用麻雀算法对变分模态分解参数进行全局搜索时,若达到设定迭代循环次数,则输出当前各个麻雀个体位置下的综合故障指数中的最小值对应的麻雀个体位置作为最佳麻雀个体。
9.根据权利要求1所述的一种基于自适应变分模态分解的滚动轴承早期故障诊断方法,其特征在于,所述步骤S1中,振动信号f(n)通过振动传感器及数据采集设备采集得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210756586.9A CN115062665A (zh) | 2022-06-30 | 2022-06-30 | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210756586.9A CN115062665A (zh) | 2022-06-30 | 2022-06-30 | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062665A true CN115062665A (zh) | 2022-09-16 |
Family
ID=83203343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210756586.9A Pending CN115062665A (zh) | 2022-06-30 | 2022-06-30 | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062665A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN117235643A (zh) * | 2023-09-06 | 2023-12-15 | 南京林业大学 | 一种滚动轴承早期微弱故障诊断方法 |
-
2022
- 2022-06-30 CN CN202210756586.9A patent/CN115062665A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN115901248B (zh) * | 2022-10-18 | 2023-09-19 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN117235643A (zh) * | 2023-09-06 | 2023-12-15 | 南京林业大学 | 一种滚动轴承早期微弱故障诊断方法 |
CN117235643B (zh) * | 2023-09-06 | 2024-03-22 | 南京林业大学 | 一种滚动轴承早期微弱故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115062665A (zh) | 一种基于自适应变分模态分解的滚动轴承早期故障诊断方法 | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
CN113642508B (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN109655266B (zh) | 一种基于avmd和谱相关分析的风电机组轴承故障诊断方法 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN115655455A (zh) | 一种基于自适应噪声变换和随机共振的机械故障诊断方法 | |
CN115130495A (zh) | 一种滚动轴承故障预测方法及系统 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
CN113776837B (zh) | 基于ceemdan与gwo-nlm的滚动轴承故障诊断方法 | |
CN115169396A (zh) | 基于参数字典和omp算法的轴承微弱故障特征提取方法 | |
CN111507305B (zh) | 基于wcsnr分数阶自适应随机共振轴承故障诊断方法 | |
CN113281047A (zh) | 一种基于变尺度Lempel-Ziv的轴承内外圈故障定量趋势诊断方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN114061956B (zh) | 一种强噪声干扰下的滚动轴承复合故障特征分离方法 | |
CN114136604B (zh) | 一种基于改进稀疏字典的旋转设备故障诊断方法及系统 | |
CN113758708B (zh) | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN113591241A (zh) | 一种基于vmd与自适应momeda的回转支承故障诊断方法 | |
Chen et al. | Analysis of the fault diagnosis method for wind turbine generator bearing based on improved wavelet packet-bp neural network | |
CN117349615B (zh) | 强噪声条件下滚动轴承故障诊断的自适应增强包络谱方法 | |
CN117629636B (zh) | 一种燃机滚动轴承的健康评估、故障诊断方法及系统 |
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 |