发明内容
本发明的目的就在于为了解决上述问题而提供一种结构简单,设计合理的基于小波包的轴承振动信号处理方法。
本发明通过以下技术方案来实现上述目的:
本发明第一方面提供了一种基于小波包的轴承振动信号处理方法,该方法包括以下步骤,
获得多种轴承状态的振动信号;基于多种轴承状态的振动信号选择恰当的小波基,并确定小波包分解层数;
对多种轴承状态的振动信号进行分解滤波,并基于非线性均衡的方法提取故障特征值,获得轴承不同故障类型之间的区分度;
基于轴承不同故障类型之间的区分度,确定轴承的不同故障类型。
作为本发明的进一步优化方案,所述小波包为Daubechies小波;且所述小波包为db3小波;所述小波包的分解层数为2层。
作为本发明的进一步优化方案,所述故障特征值为方差值。
作为本发明的进一步优化方案,所述非线性均衡方法包括非线性均衡函数,基于非线性均衡函数对所述故障特征值处理,所述非线性均衡函数为:
y=-k*loge(S2);
其中,S2为方差值,k为调控因子,e为对数的底数,函数结果用y表示。
作为本发明的进一步优化方案,所述调控因子k=2。
作为本发明的进一步优化方案,非线性均衡函数处理之后信号之间的区分度L的计算公式为:
作为本发明的进一步优化方案,对轴承状态的振动信号进行识别,从而获得轴承状态的振动信号,选择峰度作为特征值,峰度属于无量纲参数,其公式为:
其中,x为故障信号,u为信号均值,E为信号标准差,σ为信号期望。
作为本发明的进一步优化方案,在对轴承状态的振动信号进行识别中,通过改进粒子群算法获得粒子最优位置,基于粒子最优位置映射于BP神经网络模型的权重和阈值,基于神经网络模型,识别轴承信号的故障类型。
作为本发明的进一步优化方案,所述粒子飞行速度:
粒子当前位置:
其中,i表示粒子;d表示空间维度;t表示当前进化代数;c1、c2表示为非负的加速度常数,r1、r2表示为服从[0,1]上均匀分布的随机数;w表示为惯性权重;v表示为粒子的飞行速度且区间范围为[-vmax,vmax];x表示为粒子当前位置;p表示为个体最优位置;g表示全局最优位置。
作为本发明的进一步优化方案,其中,神经网络惯性权重随着迭代次数的改变呈非线性递减:
其中ωmax为最大惯性权重,ωmin为最小惯性权重,t为迭代次数,tmax为最大迭代次数。
作为本发明的进一步优化方案,前一次迭代的个体和全局最优位置对当前迭代的个体和全局最优位置的影响,其粒子更新公式如下所示:
其中,pi(t-1)表示前一次迭代个体最优位置,g(t-1)表示前一次迭代全局最优位置,pi(t)表示当前迭代个体最优位置,g(t)表示当前迭代全局最优位置,c3、c4表示加速度常数,r3、r4表示服从[0,1]上均匀分布的随机数;此计算过程在原始粒子群算法的基础上加入了个体最优解和全局最优解之间的搜索。
作为本发明的进一步优化方案,前一次迭代的个体和全局最优位置对当前粒子位置的影响,其粒子更新公式如下所示:
此计算过程加入了当前粒子之间和个体最优解以及全局最优解之间的搜索。
本发明第二方面提供了一种轴承振动信号识别方法,在对轴承状态的振动信号进行识别中,通过改进粒子群算法获得粒子最优位置,基于粒子最优位置映射于BP神经网络模型的权重和阈值,基于神经网络模型,识别轴承信号的故障类型。
本发明的有益效果在于:本发明中的轴承信号经时频分析后在不同频段上呈现出故障信息,提出非线性均衡的方法,可以进一步提取故障特征;并且在信号识别上采用智能优化算法去优化识别算法,为了进一步提高轴承故障识别率,对粒子群算法进行改进,并通过实验来具体分析,从而进一步验证了以上提出的方法是有效的;通过本申请的方法可以进一步提高对轴承信号的故障诊断能力。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图13所示,一种基于小波包的轴承振动信号处理方法,该方法包括以下步骤,
步骤S102,获得多种轴承状态的振动信号;基于多种轴承状态的振动信号选择恰当的小波基,并确定小波包分解层数;
步骤S104,对多种轴承状态的振动信号进行分解滤波,并基于非线性均衡的方法提取故障特征值,获得轴承不同故障类型之间的区分度;
步骤S106,基于轴承不同故障类型之间的区分度,确定轴承的不同故障类型。
需要说明的是,本方法在实际的使用中,基于小波包对振动信号进行分解,根据小波包分解重构结果在不同频段上的特点,计算小波包分解重构信号的方差值,并将计算的方差作为故障信号特征值。发现振动信号在不同频段的方差分布并不均衡,因此提出一种非线性均衡的方法。所提方法能有效地提取故障特征,实现故障特征的更高区分度,从而实现轴承故障类型的区分。
进一步的,所述小波包为Daubechies小波;且所述小波包为db3小波;所述小波包的分解层数为2层。
进一步的,在本申请中,所述故障特征值为方差值。
在本实施例中,非线性均衡化方法为:
设X1,X2,…,Xn为总体X的一个样本,n为样本个体数,为样本均值,样本方差用S2表示,则样本方差为:
假如方差用S2表示、调控因子用k表示、e为对数的底数、函数结果用y表示,则非线性均衡函数为:
在公式中,调控因子k属于经验性参数,需要根据样本和实验结果进行调整,使数据分布呈现均衡化最佳效果。本发明调控因子k=2。
优选的,本发明中的区分度为是量化两个数据之间关系的量。用a,b表示不同轴承状态,定义区分度l为:
为了对处理后的信号进行区分与度量,建立处理后的区分度,
区分度l表示非线性均衡函数处理之前信号之间的区分度,区分度L表示非线性均衡函数处理之后信号之间的区分度。区分度是为了描述数据是否达到均衡化,当区分度增大到一定程度,就会实现数据的均衡化,这时数据两极化现象就会减弱,幅度较大的数据就会相对缩小,幅度较小的数据相对放大,数据之间达到平稳状态。
实施例2
基于上述实施例1,本实施例进行实际的实验说明:
1797r/min转速下轴承振动信号特征提取,具体包括以下步骤:
在该转速下,每种轴承状态信号选取120930个数据点,根据电机转速和采样频率,选取两圈为一帧,即每组834个数据点,每种轴承状态信号分成145组。如图3所示,是1797r/min转速时的不同轴承状态原始信号波形图。
对轴承振动信号进行小波包分解,选取db3小波为小波基,进行2层分解。对分解之后的8个频段的重构信号进行方差特征提取。根据不同轴承状态信号特征,选用第2频段-第4频段的方差作为研究对象。最后每种轴承状态信号下都得到145组数据,且每组数据中含有3个方差值。把每种轴承状态信号下的每一组方差数据绘制在同一坐标刻度。如图4所示。
对每种轴承状态信号下的145组中的各个频段的方差进行非线性均衡函数处理,绘制非线性均衡函数处理后每种轴承状态的方差变化趋势,如图5所示。
计算不同轴承状态信号在小波包两层分解时各频带相邻轴承状态信号的区分度L。如表下所示:
实施例3
为了1772r/min转速下轴承振动信号特征提取,具体包括以下步骤:
在该转速下,每种轴承状态信号选取120930个数据点,根据电机转速和采样频率,选取两圈为一帧,即每组834个数据点,每种轴承状态信号分成145组。如图6所示,是1772r/min转速时的不同轴承状态原始信号波形图。
对轴承振动信号进行小波包分解,选取db3小波为小波基,进行2层分解。对分解之后的8个频段的重构信号进行方差特征提取。根据不同轴承状态信号特征,选用第2频段-第4频段的方差作为研究对象。最后每种轴承状态信号下都得到145组数据,且每组数据中含有3个方差值。把每种轴承状态信号下的每一组方差数据绘制在同一坐标刻度。如图7所示。
对每种轴承状态信号下的145组中的各个频段的方差进行非线性均衡函数处理,绘制非线性均衡函数处理前后两种方差分析的对比图如图8所示。
计算不同轴承状态信号在小波包两层分解时各频带相邻轴承状态信号的区分度L。如下表所示:
实施例4
在上述方案中,实际已经可以做到对信号特征的有效提取,实际即可以搭配相应的神经网络进行使用,也可以采用其他的分析方法基于上述特征进行故障特征的提取判断,在本实施例中,由于传统的粒子群算法在优化其它识别方法时的效果不好。针对这一情况,从粒子群算法的实现原理出发,对其结构进行改进。本发明提出了非线性递减权重法和多轨迹粒子形态法,来提高信号识别率。
如图1与图2所示,具体的,基于粒子群算法获得粒子最优位置,基于粒子最优位置映射于神经网络模型的权重,基于神经网络模型,识别轴承信号的故障类型。
在本实施例中的方案中的粒子群算法,实际上是先从传统的粒子群算法的实现原理出发,对其结构进行改进,提出了非线性递减权重法和多轨迹粒子形态法,来提高信号识别率;再比较不同故障信号识别率的变化情况;其基本思想是将可能解当作粒子,所有粒子在空间内飞行来寻找全局最优值,其粒子更新公式取下:
所述粒子飞行速度:
粒子当前位置:
其中,i表示粒子;d表示空间维度;t表示当前进化代数;c1、c2表示为非负的加速度常数,r1、r2表示为服从[0,1]上均匀分布的随机数;w表示为惯性权重;v表示为粒子的飞行速度且区间范围为[-vmax,vmax];x表示为粒子当前位置;p表示为个体最优位置;g表示全局最优位置。
本实施例中,提出了非线性递减权重法,改善算法的全局和局部搜索能力,从而提高算法的广度。上述非线性递减权重法其基本思想是惯性权重随着迭代次数的改变呈非线性递减。其公式如下:
其中ωmax为最大惯性权重,ωmin为最小惯性权重,t为迭代次数,tmax为最大迭代次数。
本实施例中提出的多轨迹粒子形态法,引导粒子向不同区域移动,探索新的空间,从而提高算法的精度。其中的多轨迹粒子形态法其基本思想是通过粒子自适应地改变原始轨迹,从而对空间进行更广泛的探索并发现新的空间,寻找到最优解。前一次迭代的个体和全局最优位置对当前迭代的个体和全局最优位置的影响,其粒子更新公式如下所示:
其中,pi(t-1)表示前一次迭代个体最优位置,g(t-1)表示前一次迭代全局最优位置,pi(t)表示当前迭代个体最优位置,g(t)表示当前迭代全局最优位置,c3、c4表示加速度常数,r3、r4表示服从[0,1]上均匀分布的随机数;此计算过程在原始粒子群算法的基础上加入了个体最优解和全局最优解之间的搜索。
前一次迭代的个体和全局最优位置对当前粒子位置的影响,其粒子更新公式如下所示:
此计算过程加入了当前粒子之间和个体最优解以及全局最优解之间的搜索。
基于此,结合上述处理方法,本实施例的实际的处理方法为:通过改进粒子群算法优化BP神经网络中的权值和阈值识别故障信息,获得多种确定轴承状态的振动信号;基于多种轴承状态的振动信号选择恰当的小波基,并确定小波包分解层数;对多种轴承状态的振动信号进行分解重构滤波,并计算重构后故障信号的方差作为故障特征值;基于非线性均衡的方法分析故障特征值,构建区分度函数用来计算轴承不同故障类型之间的区别;基于轴承不同故障类型之间的区分度,确定轴承的不同故障类型。
实施例5
在上述实施例4的基础上,在1797r/min转速下故障轴承直径为0.007英寸下的不同轴承信号识别,具体步骤如下:
(1)绘制0.007英寸下的不同轴承状态原始信号波形图,如图9所示。
(2)把得到的峰度(Kurtosis)特征分别送进BP、PSO-BP和IPSO-BP中进行训练,通过训练将得到的模型用于识别当中,运行10次,并将每次产生的识别率相加然后求其平均值。不同方法得到最终识别率结果如下表所示:
不同方法 |
测试集/组 |
识别率/% |
BP |
230 |
74.30 |
PSO-BP |
230 |
82.48 |
IPSO-BP |
230 |
95.48 |
(3)将PSO-BP识别方法和IPSO-BP识别方法训练10次过程中产生的误差值分别相加求平均值,在同一坐标刻度中进行分析。PSO-BP识别方法训练10次且平均后得到的误差曲线以及IPSO-BP识别方法训练10次且平均后得到的误差曲线图如图10所示。
实施例6
在1797r/min转速下故障轴承直径为0.014英寸下的不同轴承信号识别,具体步骤如下:
绘制0.014英寸下的不同轴承状态原始信号波形图,如图11所示。
把得到的峰度(Kurtosis)特征分别送进BP、PSO-BP和IPSO-BP中进行训练,通过训练将得到的模型用于识别当中,运行10次,并将每次产生的识别率相加然后求其平均值。不同方法得到最终识别率结果如下表所示:
不同方法 |
测试集/组 |
识别率/% |
BP |
230 |
60.61 |
PSO-BP |
230 |
60.61 |
IPSO-BP |
230 |
89.30 |
将PSO-BP识别方法和IPSO-BP识别方法训练10次过程中产生的误差值分别相加求平均值,在同一坐标刻度中进行分析。PSO-BP识别方法训练10次且平均后得到的误差曲线以及IPSO-BP识别方法训练10次且平均后得到的误差曲线图如图12所示。
由本实施例以及上述实施例可以看出,IPSO-BP网络模型更加契合本申请中所述的轴承故障识别处理的方法。
还需要说明的是,本申请中对于实施例4、实施例5与实施例6中的神经网络的模型应用,采用的是如传统的使用方式,本申请特殊调整的部分均已在实施例部分进行说明。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。