CN116028844A - 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 - Google Patents
滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116028844A CN116028844A CN202211614590.8A CN202211614590A CN116028844A CN 116028844 A CN116028844 A CN 116028844A CN 202211614590 A CN202211614590 A CN 202211614590A CN 116028844 A CN116028844 A CN 116028844A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- optimal
- signal
- acceleration vibration
- vibration signal
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 62
- 230000001133 acceleration Effects 0.000 claims abstract description 48
- 238000010845 search algorithm Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000306 component Substances 0.000 description 38
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009774 resonance method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承微弱故障增强诊断方法、装置、设备及存储介质，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；将滚动轴承加速度振动信号、最优分解层数和最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；通过相关峭度选取各固有模态分量中的最优分量，根据最优分量生成重构信号；将重构信号输入利用改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对增强后的滚动轴承加速度振动信号执行包络谱。本发明能更好的进行微弱故障特征识别。
Description
技术领域
本发明属于轴承故障诊断技术领域，具体涉及一种滚动轴承微弱故障增强诊断方法、装置、设备及存储介质。
背景技术
旋转机械设备广泛应用航空航天、国防强军建设等高精尖行业，也同时在石油化工、冶金、高铁等国民支柱产业中奠定了其作为动力机械的基础性作用。轴承作为旋转机械中核心部件，受到系统内外激励作用下，如摩檫力、瞬时冲击力等作用，容易出现各类常见振动故障，一旦发生故障，不但损耗设备正常使用寿命，而且降低生产效率。并且轴承振动信号往往表现出能量微弱并伴随非线性、非平稳现象及噪声干扰等特点。如何从非线性、非平稳的振动信号中提取有用信息是轴承早期微弱故障识别的关键所在。
近年来有不少学者以从自适应信号分解方法出发对轴承系统故障信号进行故障诊断应用，如EMD及其衍生法EEMD、LMD、LCD、SVD和EWT等。以上方法在旋转机械滚动轴承的故障诊断发挥了一定的作用也取得一些成果，但依然存在一些缺陷，如模态混叠、端点效应、添加噪声强度不明确和人为选择频带划分等问题。
同时有诸多研究学者利用随机共振理论借助噪声能量有效增强低频特征频率信息从而进行微弱故障特征识别，但随机共振系统适用的前提是在满足绝热近似条件下的小参数系统(即信号幅值、频率和噪声强度都远远小于1的情况)下，才具有良好的弱信号检测效果，但实际工作环境下面临的非线性、非平稳性，并且夹杂大量无用噪声干扰，一般的故障频率也都远远大于1，并且系统参数和尺度参数的选取对最终输出结果影响较大，导致目前分析方法都存在一定缺点和不足，可能造成误诊漏诊情况，对轴承故障特征的提取带来了新挑战。
发明内容
针对现有技术中存在的问题，本发明提供了一种滚动轴承微弱故障增强诊断方法、装置、设备及存储介质，能够更好的进行微弱故障特征识别。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种滚动轴承微弱故障增强诊断方法，包括：
获取滚动轴承加速度振动信号；
在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；
将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；
通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号；
将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
进一步地，所述改进的微分搜索算法包括群智能生物个体初始位置以及群智能生物个体的位置更新和搜索；
所述群智能生物个体初始位置为：
xij＝zn(upj-lowj)+lowj
其中，
公式中，r为系统参数；mod为取模运算符；zn表示第n次迭代后混沌映射结果；upj和lowj分别表示第j维度搜索空间的上下界；xij表示第i个个体在第j维度的位置；
所述群智能生物个体的位置更新和搜索为：
Stopover＝Superorganism+L·(donor-Superorganism)
其中，
L＝Levy(s,λ)·map
Levy(s,λ)～|s|-λ-1,0<λ≤2
公式中，Stopover表示此次随机过程暂时停留位置；Superorganism表示初始种群位置集合；donor表示种群目标移动，通过(donor-xij)控制方向；L是搜索步长因子，控制生物体搜索位置变化；Levy(s,λ)表示服从莱维分布的路径，其中s表示步长，λ表示幂次数；map为元素选择策略，其取值范围为[0，1]内的随机整数，0表示未选中元素，1表示选中元素。
进一步地，所述最小平均平方包络熵的表达式为：
公式中，as(j)为原始信号s(j)第j个分解分量的平方包络；K为分解模态个数；N表示采样长度；pij表示第i个分解分量的归一化包络值；Eij和Em分别表示第i个分解分量的平方包络熵和平均平方包络熵大小，i和j均为正整数。
进一步地，所述通过相关峭度选取所述各固有模态分量中的最优分量，包括：
求取所述各固有模态分量的相关峭度值；
以最大相关峭度值对应的固有模态分量作为最优分量。
进一步地，利用所述改进的微分搜索算法优化随机共振模型，具体如下：
采用所述改进的微分搜索算法选取最优分量为输入信号，以最大相关峭度为适应度函数，对随机共振模型的参数进行优化；
将优化后的参数代入随机共振模型，得到优化后的随机共振模型；
所述优化后的随机共振模型如下：
公式中，U(x)、s(t)和Γ(t)分别表示双稳系统的势函数、输入信号和噪声信号，其中n＝0,1,2,…,N-1，N为输入信号长度；xn表示输出信号；a和b分别表示随机共振系统的系统参数；h为计算步长。
进一步地，所述将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，具体为：
将所述重构信号输入所述优化后的随机共振模型中，采用四阶龙格库塔法对所述重构信号进行求解，输出增强后的滚动轴承加速度振动信号。
一种滚动轴承微弱故障增强诊断装置，包括：
获取模块，用于获取滚动轴承加速度振动信号；
变分模态分解模块，用于在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；
参数代入模块，用于将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；
重构信号生成模块，用于通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号；
输出模块，用于将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种滚动轴承微弱故障增强诊断方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种滚动轴承微弱故障增强诊断方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：
本发明提供的一种滚动轴承微弱故障增强诊断方法，利用改进的微分搜索算法对输入信号进行自适应变分模态分解，通过最大相关峭度选取各固有模态分量中的最优分量，并以最优分量生成重构信号，以达到在强噪声背景下克服多尺度噪声干扰问题；利用改进的微分搜索算法对重构信号进行随机共振自适应尺度处理，以实现系统参数和计算尺度因子的最佳匹配，增强系统输出响应并提取实际故障频率；通过引入混沌映射和莱维飞行策略，用以改进原始微分搜索中寻优能力差，收敛速度慢的问题。综上所述，本发明通过利用改进后的微分搜索算法与变分模态分解方法和随机共振方法相结合实现参数智能优化，不仅克服变分模态分解和随机共振方法中自适应参数选择的不足，而且有效的解决了强背景噪声下滚动轴承故障振动信号的故障特征频率难以提取和增强效果不佳的问题，能够更好的进行微弱故障特征识别，对滚动轴承早期微弱故障诊断具有重要参考价值和实际使用意义。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种滚动轴承微弱故障增强诊断方法的流程图；
图2为本发明实施方式中滚动轴承微弱故障增强诊断方法的主要流程图；
图3为本发明微分搜索算法和改进微分搜索算法优化VMD参数收敛过程对比图；
图4为本发明的一个具体实例信号的自适应变分模态分解各分量时域图和频谱图；
图5为本发明的一个具体实例信号的相关峭度作为筛选标准的示意图；
图6为本发明的一个具体实例信号的以改进的微分搜索算法对随机共振参数优化的迭代收敛图；
图7为本发明的一个具体实例信号的微软故障信号增强后的时域图和包络谱图。
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，下面将结合附图对本发明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。
作为本发明的某一具体实施方式，如图1所示，一种滚动轴承微弱故障增强诊断方法，具体包括如下步骤：
步骤1：从轴承实验台采集获取滚动轴承加速度振动信号。
本实施例中，采样频率为20480Hz，采样时间1s，轴承转频为25Hz，经理论计算轴承外圈故障特征频率为78Hz。
步骤2：在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数K和最优二次惩罚因子α。
优选的，使用以下公式(1)定义最小平均平方包络熵：
公式中，as(j)为原始信号s(j)第j个分解分量的平方包络；K为分解模态个数；N表示采样长度；pij表示第i个分解分量的归一化包络值；Eij和Em分别表示第i个分解分量的平方包络熵和平均平方包络熵大小，i和j均为正整数。
改进的微分搜索算法包括群智能生物个体初始位置以及群智能生物个体的位置更新和搜索；
所述群智能生物个体初始位置为：
xij＝zn(upj-lowj)+lowj
其中，
公式中，r为系统参数；mod为取模运算符；zn表示第n次迭代后混沌映射结果；upj和lowj分别表示第j维度搜索空间的上下界；xij表示第i个个体在第j维度的位置。
所述群智能生物个体的位置更新和搜索为：
Stopover＝Superorganism+L·(donor-Superorganism)
其中，
L＝Levy(s,λ)·map
Levy(s,λ)～|s|-λ-1,0<λ≤2
公式中，Stopover表示此次随机过程暂时停留位置；Superorganism表示初始种群位置集合；donor表示种群目标移动，通过(donor-xij)控制方向；L是搜索步长因子，控制生物体搜索位置变化；Levy(s,λ)表示服从莱维分布的路径，其中s表示步长，λ表示幂次数；map为元素选择策略，其取值范围为[0，1]内的随机整数，0表示未选中元素，1表示选中元素。
本实施例中，在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数K和最优二次惩罚因子α，具体步骤为：
步骤2.1，初始化群智能生物个体初始位置，设置种群大小为20、搜索空间维数为2和算法最大迭代次数30，同时设置寻优参数K和α搜索边界分别为[3,10]和[1000,5000]。其中，群智能生物个体初始位置采用Logistic-tent混沌映射的方法生成[0,1]区间范围内的一维伪随机向量zn，根据以下公式(2)迭代生成N-1个向量；
其中，r为系统参数。
步骤2.2，根据以下公式(3)生成初始化群智能生物个体初始位置；
xij＝zn(upj-lowj)+lowj⑶
Superorganismg＝[xij]⑷
其中，upj和lowj为个体范围的上下限值；Superorganismg为智能生物超种群集合。
步骤2.3，根据以下公式(5)进行群智能生物个体的位置更新和搜索；
Stopover＝Superorganism+L·(donor-Superorganism)⑸
上式中，Stopover表示此次随机过程暂时停留位置；donor表示种群目标移动，通过(donor-xij)控制方向；L是搜索步长因子，控制生物体搜索位置变化，其表达式如下式(6)：
L＝Levy(s,λ)·map ⑹
式中，Levy(λ)表示一系列非高斯随机行走路径，其可用幂律方程表示为：
Levy(s,λ)～|s|-λ-1,0<λ≤2⑺
其中，s为变量；λ为稳定性控制指标；map是由0和1构成的随机整数向量。
步骤2.4，如果某个生物搜索个体取值超出边界范围，根据以下公式(8)进行智能生物体的位置重新取值：
Stopoverij＝rand(upj-lowj)+lowj⑻
步骤2.5，通过比较Stopoveri与xij的适应度值，以贪婪选择机制为原则，选择并保留适应度值较优的搜索个体，同时更新最优解并记录位置，完成一次迭代。当迭代次数达到最大迭代次数后，将最小平均平方包络熵所对应的智能生物体输出全局最优值作为变分模态分解的模态个数K和二次惩罚因子α进行自适应优化。
本实施例以轴承外圈故障信号为例，经相关实验采集到故障信号作为输入，使用标准微分搜索算法和改进的微分搜索算法对变分模态分解参数进行优化效果对比，其结果如图3所示，其中曲线1为标准微分搜索算法的迭代曲线结果，曲线2表示改进的微分搜索算法的优化迭代曲线结果。从图3可以明显看出，使用改进的微分搜索算法能又快又准确的找到最优解。
步骤3：将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量。
步骤4：如图5所示，通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号。
本实施例中，以参数优化后的模态个数K＝3和二次惩罚因子α＝1850对原始振动信号进行自适应变分模态分解，过程如图4所示。并根据式(9)求取所分解的各固有模态分量的相关峭度值，包括：
其中，y为输入信号；T为故障信号的脉冲周期；M为偏移周期。
步骤5：将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
具体地说，利用所述改进的微分搜索算法优化随机共振模型，具体如下：
采用所述改进的微分搜索算法选取最优分量为输入信号，以最大相关峭度为适应度函数，对随机共振模型的参数进行优化；
将优化后的参数代入随机共振模型，得到优化后的随机共振模型，所述优化后的随机共振模型如下：
公式中，U(x)、s(t)和Γ(t)分别表示双稳系统的势函数、输入信号和噪声信号。其中n＝0,1,2,…,N-1，N为输入信号长度；xn表示输出信号；a和b分别表示随机共振系统的系统参数；h为计算步长。
即按步骤2.1～2.4初始化改进的微分搜索算法参数，在本实施例中，种群规模设置为20，最大迭代次数为20，变量个数为3，选取最大相关峭度值为适应度函数，以系统参数a、系统参数b和尺度因子R进行全局寻优，取值范围分别设为[0.001,10]、[0.001,10]和[1000,50000]。
改进的微分搜索算法的迭代过程如图6所示，迭代20次后具有很好的收敛性。通过改进的微分搜索算法智能全局寻优结果可得a＝0.1822，b＝1.0688，R＝59500。
将所述重构信号输入所述优化后的随机共振模型中，采用四阶龙格库塔法对所述重构信号进行求解，尺度变化换后输出增强后的滚动轴承加速度振动信号，具体地说，输出增强后的滚动轴承加速度振动信号的时域图和包络谱图，如图7所示。由图7可知，最终故障信号特征频率fp＝77.98Hz及其1到4倍频清晰可见明显峰值，与预设模拟轴承外圈故障信号特征频率相一致，由此可断定存在外圈故障，验证本发明所提方法的准确性。
本发明以滚动轴承系统为研究对象，引入改进的微分搜索算法自适应优化变分模态分解参数，通过相关峭度选取各固有模态分量中的最优分量，根据最优分量生成重构信号，对重构信号进行自适应随机共振的系统参数优化和自适应尺度处理，增强系统输出响应，最后通过包络谱分析对轴承故障信号实现诊断识别。
本发明提供了一种滚动轴承微弱故障增强诊断装置，用于实现上述一种滚动轴承微弱故障增强诊断方法，具体包括：
获取模块，用于获取滚动轴承加速度振动信号；
变分模态分解模块，用于在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；
参数代入模块，用于将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；
重构信号生成模块，用于通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号；
输出模块，用于将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种滚动轴承微弱故障增强诊断方法的操作。
本发明在一个实施例中，一种滚动轴承微弱故障增强诊断方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种滚动轴承微弱故障增强诊断方法，其特征在于，包括：
获取滚动轴承加速度振动信号；
在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；
将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；
通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号；
将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
2.根据权利要求1所述的一种滚动轴承微弱故障增强诊断方法，其特征在于，所述改进的微分搜索算法包括群智能生物个体初始位置以及群智能生物个体的位置更新和搜索；
所述群智能生物个体初始位置为：
xij＝zn(upj-lowj)+lowj
公式中，r为系统参数；mod为取模运算符；zn表示第n次迭代后混沌映射结果；upj和lowj分别表示第j维度搜索空间的上下界；xij表示第i个个体在第j维度的位置；
所述群智能生物个体的位置更新和搜索为：
Stopover＝Superorganism+L·(donor-Superorganism)
其中，
L＝Levy(s,λ)·map
Levy(s,λ)～|s|-λ-1,0<λ≤2
公式中，Stopover表示此次随机过程暂时停留位置；Superorganism表示初始种群位置集合；donor表示种群目标移动，通过(donor-xij)控制方向；L是搜索步长因子，控制生物体搜索位置变化；Levy(s,λ)表示服从莱维分布的路径，其中s表示步长，λ表示幂次数；map为元素选择策略，其取值范围为[0，1]内的随机整数，0表示未选中元素，1表示选中元素。
3.根据权利要求2所述的一种滚动轴承微弱故障增强诊断方法，其特征在于，所述最小平均平方包络熵的表达式为：
公式中，as(j)为原始信号s(j)第j个分解分量的平方包络；K为分解模态个数；N表示采样长度；pij表示第i个分解分量的归一化包络值；Eij和Em分别表示第i个分解分量的平方包络熵和平均平方包络熵大小，i和j均为正整数。
4.根据权利要求1所述的一种滚动轴承微弱故障增强诊断方法，其特征在于，所述通过相关峭度选取所述各固有模态分量中的最优分量，包括：
求取所述各固有模态分量的相关峭度值；
以最大相关峭度值对应的固有模态分量作为最优分量。
5.根据权利要求1所述的一种滚动轴承微弱故障增强诊断方法，其特征在于，利用所述改进的微分搜索算法优化随机共振模型，具体如下：
采用所述改进的微分搜索算法选取最优分量为输入信号，以最大相关峭度为适应度函数，对随机共振模型的参数进行优化；
将优化后的参数代入随机共振模型，得到优化后的随机共振模型；
所述优化后的随机共振模型如下：
公式中，U(x)、s(t)和Γ(t)分别表示双稳系统的势函数、输入信号和噪声信号，其中n＝0,1,2,…,N-1，N为输入信号长度；xn表示输出信号；a和b分别表示随机共振系统的系统参数；h为计算步长。
6.根据权利要求1所述的一种滚动轴承微弱故障增强诊断方法，其特征在于，所述将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，具体为：
将所述重构信号输入所述优化后的随机共振模型中，采用四阶龙格库塔法对所述重构信号进行求解，输出增强后的滚动轴承加速度振动信号。
7.一种滚动轴承微弱故障增强诊断装置，其特征在于，包括：
获取模块，用于获取滚动轴承加速度振动信号；
变分模态分解模块，用于在设定的迭代次数下，采用改进的微分搜索算法，并以最小平均平方包络熵作为优化目标函数，对所述滚动轴承加速度振动信号进行变分模态分解，得到变分模态分解的最优分解层数和最优二次惩罚因子；
参数代入模块，用于将所述滚动轴承加速度振动信号、所述最优分解层数和所述最优二次惩罚因子代入变分模态分解参数中，得到滚动轴承加速度振动信号分解后的各固有模态分量；
重构信号生成模块，用于通过相关峭度选取所述各固有模态分量中的最优分量，根据所述最优分量生成重构信号；
输出模块，用于将所述重构信号输入利用所述改进的微分搜索算法优化后的随机共振模型中，输出增强后的滚动轴承加速度振动信号，对所述增强后的滚动轴承加速度振动信号执行包络谱，得到滚动轴承的故障频谱特征。
8.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的一种滚动轴承微弱故障增强诊断方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种滚动轴承微弱故障增强诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211614590.8A CN116028844A (zh) | 2022-12-13 | 2022-12-13 | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211614590.8A CN116028844A (zh) | 2022-12-13 | 2022-12-13 | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028844A true CN116028844A (zh) | 2023-04-28 |
Family
ID=86073257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211614590.8A Pending CN116028844A (zh) | 2022-12-13 | 2022-12-13 | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028844A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304648A (zh) * | 2023-05-23 | 2023-06-23 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
| 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
- 2022-12-13 CN CN202211614590.8A patent/CN116028844A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304648A (zh) * | 2023-05-23 | 2023-06-23 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
| CN116304648B (zh) * | 2023-05-23 | 2023-08-29 | 北京化工大学 | 基于优化脉冲增强与包络同步平均的齿轮故障识别方法 |
| 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 |
|---|---|---|
| CN116028844A (zh) | 滚动轴承微弱故障增强诊断方法、装置、设备及存储介质 | |
| CN112347854A (zh) | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 | |
| Lu et al. | GFDL's SPEAR seasonal prediction system: Initialization and ocean tendency adjustment (OTA) for coupled model predictions | |
| Gershgorin et al. | Improving filtering and prediction of spatially extended turbulent systems with model errors through stochastic parameter estimation | |
| Gholipour et al. | Extracting the main patterns of natural time series for long-term neurofuzzy prediction | |
| Armand Eyebe Fouda et al. | A modified 0-1 test for chaos detection in oversampled time series observations | |
| Zhang et al. | A Conjunction Method of Wavelet Transform‐Particle Swarm Optimization‐Support Vector Machine for Streamflow Forecasting | |
| Cui et al. | Study on parameters characteristics of NGM (1, 1, k) prediction model with multiplication transformation | |
| CN104573371A (zh) | 基于最优小波包变换和ar-svm的非平稳风速预测方法 | |
| Spiridonakos et al. | Metamodeling of nonlinear structural systems with parametric uncertainty subject to stochastic dynamic excitation | |
| CN113256443B (zh) | 核电水泵导轴承故障检测方法、系统、设备及可读存储介质 | |
| Sun et al. | Application of a novel improved adaptive CYCBD method in gearbox compound fault diagnosis | |
| Pathak et al. | Prompt sky localization of compact binary sources using a meshfree approximation | |
| Hodyss et al. | Square root and perturbed observation ensemble generation techniques in Kalman and quadratic ensemble filtering algorithms | |
| CN109977346B (zh) | 用于对区域风场进行风速预报的方法和装置 | |
| Hoell et al. | Sequential projection pursuit for optimised vibration-based damage detection in an experimental wind turbine blade | |
| Ma et al. | Sparse low-rank matrix estimation with nonconvex enhancement for fault diagnosis of rolling bearings | |
| Wan et al. | Ultra-short-term wind speed prediction based on multi-scale predictability analysis | |
| Liu et al. | Sparse coefficient fast solution algorithm based on the circulant structure of a shift-invariant dictionary and its applications for machine fault diagnosis | |
| CN113033094B (zh) | 一种海浪高度预测方法 | |
| CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
| Kowsari et al. | Non‐parametric fault detection methods in non‐linear systems | |
| CN115826068A (zh) | 一种基于自适应高斯滤波的mrs信号包络提取方法 | |
| Sun et al. | An Efficient Noise Elimination Method for Non‐stationary and Non‐linear Signals by Averaging Decomposed Components | |
| Avendaño-Valencia et al. | In-operation wind turbine modal analysis via LPV-VAR modeling |
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 |