一种变工况滚动轴承故障诊断方法、系统、设备及介质技术方案

本发明专利技术涉及一种基于SHO

【技术实现步骤摘要】
一种变工况滚动轴承故障诊断方法、系统、设备及介质


[0001]本专利技术涉及故障分析
，尤其涉及一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法、系统、设备及介质方法。

技术介绍

[0002]风机设备在运行状态下，受运行条件恶劣等因素影响，加速、减速或变载等工况的改变会导致风机设备转速发生变化，滚动轴承也会在变转速的工况下工作，变工况下的振动信号更为复杂，诊断难度大大提高。因此，在实际的生产工作中能够及时诊断出滚动轴承的运行状态和转速变化对于风机设备的安全运行是至关重要的。
[0003]风机在启停过程中以及受到外界条件的影响多是在变工况情况下运行的，而绝大多数对轴承振动信号进行特征提取的方法是基于恒定转速的轴承振动信号进行的，仅仅是判断当前的轴承的故障信息，并不能对变工况的轴承运行状态进行有效分析。

技术实现思路

[0004](一)要解决的技术问题
[0005]鉴于现有技术的上述缺点、不足，本专利技术提供一种基于SHO
‑
VMD的变工况滚动轴承故障诊断方法、系统、设备及介质，其解决了现有的技术方案并不能对变工况的轴承运行状态进行有效分析的技术问题。
[0006](二)技术方案
[0007]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0008]第一方面，本专利技术实施例提供一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法，包括：
[0009]获取变工况下的滚动轴承振动信号；
[0010]以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过SHO优化算法获得VMD的最优参数组合；
[0011]依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到多个IMF分量；
[0012]提取所述多个IMF分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；
[0013]对所述多特征参数进行t
‑
SNE降维处理及可视化，得到轴承故障信息和转速信息。
[0014]可选地，以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过SHO优化算法获得VMD的最优参数组合包括：
[0015]初始化SHO优化算法的参数；
[0016]依据预设参数组合[k0,α0]对所述滚动轴承振动信号进行VMD分解，得到k个IMF分量；
[0017]计算各IMF初始分量的包络熵，并选取所述k个IMF分量中的局部最小包络熵作为
SHO优化算法的适应度函数；
[0018]基于所述适应度函数，通过不断迭代寻优直至满足预设的终止条件找到VMD的最优参数组合；
[0019]所述适应度函数为：
[0020]minF＝minE
p
[0021][0022]其中，E
p
是包络熵，j＝1,2,3...,N，a(j)是经Hilbert解调得到的包络信号；e
j
是对a(j)进行归一化得到的。
[0023]可选地，依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到多个IMF分量包括：
[0024]依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到k个IMF原始分量；
[0025]通过Hilbert变换求解各个IMF原始分量的解析信号，进而得到单边频谱；
[0026]依据混合预估的中心频率调制所述单边频率到对应基频带，得到解调信号；
[0027]计算所述解调信号的时间梯度范数的平方，得到IMF原始分量的估计带宽；
[0028]依据估计带宽并引入约束条件，构造出带约束的变分模型；
[0029]引入惩罚参数和拉格朗日乘法系数来对所述变分模型进行求解，得到IMF原始分量的频域表达式、中心频率的更新公式、惩罚因子的更新公式；
[0030]依据所述IMF原始分量的频域表达式、中心频率的更新公式、的更新公式，得到更新后的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数；
[0031]依据所述更新后的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数，将所述k个IMF原始分量转换为调幅
‑
调频信号，得到k个IMF分量；
[0032]其中，
[0033]所述IMF分量表达式为：
[0034]u
k
(t)＝A
k
(t)cos[φ
k
(t)][0035]其中，u
k
(t)表示k个IMF分量，k∈{1,
…
,K}，φ
k
(t)是一个非递减的相位函数；A
k
(t)表示包络函数；
[0036]所述带约束的变分模型为：
[0037][0038]{u
k
}代表VMD分解得到的K个IMF分量；{ω
k
}代表IMF分量对应的中心频率；δ(t)为
狄利克雷函数；*为卷积运算；x代表原始信号。
[0039]可选地，依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到多个IMF分量之后，还包括：
[0040]确定IMF分量与所述风机滚动轴承振动信号的相关系数；
[0041]基于所述相关系数，选取按相关系数从大到小排序的前n个IMF分量，进而得到所述前n个IMF分量的奇异值特征、能量熵、样本熵特征。
[0042]可选地，
[0043]所述奇异值为：
[0044]σ1,σ2,...,σ
r
[0045]其中，σ1,σ2,...,σ
r
为矩阵S的奇异值,σ1≥σ2≥...≥σ
r
≥0；
[0046]所述能量熵特征为：
[0047][0048]其中，p
i
＝E
i
/E，
[0049]所述样本熵特征为：
[0050][0051]对于长度N的时序列X＝{x(1),x(2),...,x(N)}，其样本熵的计算方法如下：
[0052]将时间序列X构造成m维矢量，即：
[0053]X(i)＝{x(i),x(i+1),...x(i+m
‑
1)}
[0054]式中，i＝1,2,...,N
‑
m+1。
[0055]定义X(i)与X(j)之间的距离d[X(i),X(j)]，为两者对应元素中差值最大的一个，即：
[0056][0057]给定阈值r(r>0),统计d[X(i),X(j)]<r的数目和总的矢量个数N
‑
m的比值，即：
[0058][0059]求上式所得结果的平均值，即：
[0060][0061]令m+1,多次上述重复样本熵计算方法步骤，得到B
m+1
(r)，长度为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法，其特征在于，包括：获取变工况下的滚动轴承振动信号；以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过SHO优化算法获得VMD的最优参数组合；依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到多个IMF分量；提取所述多个IMF分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；对所述多特征参数进行t
‑
SNE降维处理及可视化，得到轴承故障信息和转速信息。2.如权利要求1所述的一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法，其特征在于，以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过SHO优化算法获得VMD的最优参数组合包括：初始化SHO优化算法的参数；依据预设参数组合[k0,α0]对所述滚动轴承振动信号进行VMD分解，得到k个IMF分量；计算各IMF初始分量的包络熵，并选取所述k个IMF分量中的局部最小包络熵作为SHO优化算法的适应度函数；基于所述适应度函数，通过不断迭代寻优直至满足预设的终止条件找到VMD的最优参数组合；所述适应度函数为：min F＝min E
p
其中，E
p
是包络熵，j＝1,2,3
…
,N，a(j)是经Hilbert解调得到的包络信号；e
j
是对a(j)进行归一化得到的。3.如权利要求2所述的一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法，其特征在于，依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到多个IMF分量包括：依据所述最优参数组合对所述滚动轴承振动信号进行VMD分解，得到k个IMF原始分量；通过Hilbert变换求解各个IMF原始分量的解析信号，进而得到单边频谱；依据混合预估的中心频率调制所述单边频率到对应基频带，得到解调信号；计算所述解调信号的时间梯度范数的平方，得到IMF原始分量的估计带宽；依据估计带宽并引入约束条件，构造出带约束的变分模型；引入惩罚参数和拉格朗日乘法系数来对所述变分模型进行求解，得到IMF原始分量的频域表达式、中心频率的更新公式、惩罚因子的更新公式；依据所述IMF原始分量的频域表达式、中心频率的更新公式、的更新公式，得到更新后
的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数；依据所述更新后的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数，将所述k个IMF原始分量转换为调幅
‑
调频信号，得到k个IMF分量。4.如权利要求3所述的一种基于SHO
‑
VMD分解和多特征参数的变工况滚动轴承故障诊断方法，其特征在于，所述IMF分量表达式为：u
k
(t)＝A
k
(t)cos[φ
k
(t)]其中，u
k
(t)表示k个IMF分量，k∈{1,
…
,K}，φ
k
(t)是一个非递减的相位函数；A
k
(t)表示包络函数；所述带约束的变分模型为：其中，{u
k
}代表VMD分解得到的K个IMF分量；{ω
k
}代表IMF分量对应的中心频率；δ...

【专利技术属性】
技术研发人员：米大斌，王双海，王剑峰，刘红，丁立斌，姜文，王建辉，郭学强，金鑫，商文霞，
申请(专利权)人：河北建投能源投资股份有限公司，
类型：发明
国别省市：