基于AVMD和SPNN模型的轴承失效模式识别方法技术

本发明专利技术公开了基于AVMD和SPNN模型的轴承失效模式识别方法，首先采用AVMD自适应确定参数分解模态数和惩罚因子并将原始振动信号分解为多个相对独立的固有模态分量，然后在实现原始振动信号自适应分解的基础上，计算振动信号各阶分量的特征值并构建故障特征矩阵；获取故障数据后提出麻雀概率神经网络模型，最后运用训练样本建立自适应VMD和麻雀概率神经网络失效模式识别模型，对不同失效模式状态下的轴承故障信号进行识别并利用测试样本测试模型的识别准确率。本发明专利技术采用优化算法分别对VMD算法、PNN网络的模型参数进行优化，构建基于两种方法结合的故障诊断模型，实现滚动轴承失效模式的有效识别，提高识别准确率。提高识别准确率。提高识别准确率。

【技术实现步骤摘要】
基于AVMD和SPNN模型的轴承失效模式识别方法


[0001]本专利技术属于故障预测与健康管理(Prognostics andHealth Management，PHM)领域，具体涉及基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法。

技术介绍

[0002]滚动轴承作为机械传动系统的核心部件，广泛应用于各类精密机械装备中，轴承的失效常常会引起灾难性的后果。在轴承的实际工作过程中会受到许多外界条件的影响，可能会产生其他失效形式，如磨损、划伤、塑性变形等，且故障特征信号可能会被淹没在其他噪声信号之中，难以观察到。因此及时发现轴承故障并确定其失效模式，进而采取必要的手段进行维护，对保障机械装备的安全运行具有重要的现实意义。
[0003]轴承的振动信号具有非平稳且频率成分复杂的特点，且故障特征易被环境噪声淹没，造成故障特征提取困难的问题。变分模态分解(VMD)因其良好的噪声鲁棒性且能够有效抑制模态混叠和端点效应，被广泛应用于轴承故障诊断的研究中。但其模型参数(分解层数k，惩罚因子α)对分解效果有较大影响；而概率神经网络(PNN)相比于一般的BP神经网络等算法，具有训练、收敛速度快，精度高，容错性强等特点，被广泛应用于模式识别、数据挖掘等领域，虽然PNN具有许多优点，但其模型参数平滑因子σ的取值对其分类结果影响较大。
[0004]因此，上述故障诊断技术面临如何利用优化算法对VMD和概率神经网络的参数进行优化，提高算法的识别准确率的问题。

技术实现思路

[0005]本专利技术的目的在于提供基于自适应VMD和麻雀概率神经网络模型的轴承失效模式识别方法，采用优化算法分别对VMD算法模型参数和PNN网络的模型参数进行优化，并构建轴承故障特征矩阵和基于两种方法结合的故障诊断模型，实现滚动轴承失效模式的有效识别。
[0006]为实现上述目的，本专利技术所采用的技术方案是：基于AVMD和SPNN模型的轴承失效模式识别方法，包括如下步骤：步骤一：采用自适应变分模态分解方法自适应确定算法中的参数分解模态数k和惩罚因子α，并将轴承的原始振动信号分解为多个相对独立的固有模态分量；步骤二：在实现原始振动信号自适应分解的基础上，从时域、频域、熵的角度，计算振动信号各阶模态分量的特征值并构建故障特征矩阵；步骤三：基于滚动轴承加速寿命试验台获得轴承多种状态的故障数据，并将数据划分为训练样本和测试样本；步骤四：以麻雀寻优算法和概率神经网络为基础，提出一种麻雀概率神经网络模型，使其能够自适应确定模型参数；步骤五：运用训练样本建立自适应VMD和麻雀概率神经网络失效模式识别模型，对不同失效模式状态下的轴承故障信号进行有效识别并利用测试样本测试模型的识别准确
率。
[0007]优选的，所述步骤一中，利用遗传算法对VMD算法的参数分解模态数k和惩罚因子α进行优化。
[0008]优选的，所述步骤一中，包括以下具体步骤：步骤2.1、将原始振动信号f分解为K个中心频率为ω
k
固有模态分量u
k
(t)，则变分模态问题可以表示为在保证各模态分量之和为f的前提下，求得K个固有模态分量，使各模态分量的估计带宽之和最小；步骤2.2、通过引入增广拉格朗日函数，使变分模态问题转化为无约束问题，以确保信号的精确分解；步骤2.3、采用交替方向乘子算法对变分问题进行迭代求解；步骤2.4、引入遗传算法，借助于适应度函数对目标函数在解空间进行全局并行随机搜索，快速准确地获取优化参数。
[0009]优选的，所述步骤二中，采用AVMD对轴承振动信号进行自适应分解。
[0010]优选的，所述步骤二中，振动信号各阶分量的特征值包括均方根、峭度、包络熵、奇异值熵。
[0011]优选的，所述步骤三中，对滚动轴承进行加速试验，设置轴承转速和采样频率，获取轴承原始振动数据，取部分数据点作为数据样本，将不同故障状态下的样本随机分为训练样本和测试样本。
[0012]优选的，所述步骤四中，采用麻雀搜索算法对PNN模型进行优化，确定最优参数σ，构建麻雀概率神经网络模型。
[0013]优选的，所述步骤五中，在获得反映轴承失效模式的故障特征的基础上，将滚动轴承不同的故障模式添加标签。
[0010]有益效果：本专利技术采用了AVMD和SPNN模型结合对滚动轴承失效模式进行识别，选取合适的参数组合是利用VMD算法进行信号分解的关键，自适应变分模态分解方法综合了遗传算法和变分模态分解方法的优点，能够自适应确定模型中要使用最佳模型参数组合，避免了人为因素对振动信号分解结果的影响；而麻雀概率神经网络模型结合了麻雀寻优算法和传统概率神经网络模型，能够自适应确定平滑因子σ的取值，综合自适应VMD方法和SPNN模型，能够对不同失效模式状态下的轴承故障信号进行有效识别，并与传统的PNN网络进行对比，结果表明，自适应VMD和麻雀概率神经网络结合的方法具有更好的识别精度，有效提高算法的识别准确率。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法的流程图；
图2为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法的原始振动信号图；图3为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法中自适应VMD适应度函数迭代曲线；图4为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法的原始振动信号分解得到的多层固有模态分量；图5为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法的训练误差图；图6为本专利技术基于自适应VMD和麻雀概率神经网络模型的滚动轴承失效模式识别方法的预测结果图。
具体实施方式
[0012]下面给出具体实施例，对本专利技术的技术方案作进一步清楚、完整、详细地说明。本实施例是以本专利技术技术方案为前提的最佳实施例，但本专利技术的保护范围不限于下述的实施例。
[0013]具体实施方式如下：本专利技术的方法流程如图1所示：1.试验采用滚动轴承加速寿命试验台对滚动轴承进行加速试验，设置轴承转速和采样频率，取部分数据点作为数据样本，将不同故障状态下的样本随机分为训练样本和测试样本。
[0014]2.利用遗传算法(GA)对VMD算法的参数分解模态数k和惩罚因子α进行优化，采用优化后的VMD算法将轴承的原始振动信号分解为多个相对独立的固有模态分量。
[0015]具体步骤如下：步骤2.1、将原始振动信号f分解为K个中心频率为ω
k
固有模态分量u
k
(t)，则变分模态问题可以表示为在保证各模态分量之和为f的前提下，求得K个固有模态分量，使各模态分量的估计带宽之和最小；其模型为：步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AVMD和SPNN模型的轴承失效模式识别方法，其特征在于，所述方法包括如下步骤：步骤一：采用自适应变分模态分解方法自适应确定算法中的参数分解模态数k和惩罚因子α，并将轴承的原始振动信号分解为多个相对独立的固有模态分量；步骤二：在实现原始振动信号自适应分解的基础上，从时域、频域、熵的角度，计算振动信号各阶模态分量的特征值并构建故障特征矩阵；步骤三：基于滚动轴承加速寿命试验台获得轴承多种状态的故障数据，并将数据划分为训练样本和测试样本；步骤四：以麻雀寻优算法和概率神经网络为基础，提出一种麻雀概率神经网络模型，使其能够自适应确定模型参数；步骤五：运用训练样本建立自适应VMD和麻雀概率神经网络失效模式识别模型，对不同失效模式状态下的轴承故障信号进行有效识别并利用测试样本测试模型的识别准确率。2.如权利要求1所述的基于AVMD和SPNN模型的轴承失效模式识别方法，其特征在于，所述步骤一中，利用遗传算法对VMD算法的参数分解模态数k和惩罚因子α进行优化。3.如权利要求2所述的基于AVMD和SPNN模型的轴承失效模式识别方法，其特征在于，所述步骤一中，包括以下具体步骤：步骤2.1、将原始振动信号f分解为K个中心频率为ω
k
固有模态分量u
k
(t)，则变分模态问题可以表示为在保证各模态分量之和为f的前提下，求得K个固有模态分量，使...

【专利技术属性】
技术研发人员：李军星，刘志卫，邱明，牛凯岑，庞晓旭，董艳方，杨传猛，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：