一种滚动轴承早期微弱故障诊断方法技术

本发明专利技术公开一种滚动轴承早期微弱故障诊断方法，包括如下步骤：采集故障轴承振动信号；基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子，并利用参数优化的变分模态分解算法将采集的故障轴承振动信号划分为一系列的模态分量；计算各模态分量的综合适应度函数值，选取具有最小综合适应度函数值的模态分量作为主故障特征模态分量；通过从主故障特征模态分量的增强包络谱中提取出故障特征频率，实现滚动轴承早期微弱故障诊断

【技术实现步骤摘要】
一种滚动轴承早期微弱故障诊断方法


[0001]本专利技术涉及振动信号处理和旋转机械故障诊断
，具体为一种滚动轴承早期微弱故障诊断方法
。

技术介绍

[0002]滚动轴承因其摩擦力矩低
、
功耗小等优点，已经成为目前旋转机械中最主要的零部件之一，在能源电力
、
航天航空
、
交通运输等机械领域得到了广泛应用，但同时也是故障率较高的零部件，近
30
％的机械故障都是与滚动轴承紧密相关
。 为保证机械设备正常运行和人身安全，对其进行早期故障诊断有着重要意义
。
在实际的工程应用中，因大型机械结构复杂和滚动轴承工作环境恶劣，所测得的振动信号具有非平稳
、
非线性的特征，且早期故障轴承信号中冲击成分较微弱，易被噪声干扰成分覆盖，因此如何精准提取出轴承早期微弱故障特征一直以来都是机械故障诊断领域的研究难点和热点
。
[0003]近年来，基于振动信号分析技术因数据采集方便
、
样本直观可靠
、
测量精度高等优点，广泛应用于轴承故障诊断中
。
其中，经验模态分解
、
本征时间尺度分解和局部均值分解等算法，这些方法均可以根据信号的内在特性自适应地将信号分解为一组几乎正交的模态分量，但是此类方法缺乏严格的数学基础，在分解过程中存在端点效应和模态混叠等固有缺陷，仍需进一步优化与完善
。
相比于上述算法，变分模态分解算法是一种全新的振动信号处理方法，具有较强的鲁棒性，分解精度更高
、
稀疏性更好，可有效避免端点效应和模态混叠现象的产生，对复杂的非线性非平稳信号具有很强的分析处理能力，可以成功解决早期微弱故障信号难以发现和诊断的问题
。
然而，
VMD
在实际应用过程中，其分解效果容易受到两个重要参数的影响
(
即分解层数
K
和惩罚因子
α
)。
所以，自适应确定最优参数组合对于信号分解效果
、
有效提取轴承早期故障特征信息至关重要
。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0005]因此，本专利技术的目的是提供一种滚动轴承早期微弱故障诊断方法，避免传统的变分模态分解算法需要经验或先验准则选取参数的影响，实现轴承早期微弱故障精准诊断
。
[0006]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0007]一种滚动轴承早期微弱故障诊断方法，其包括：
[0008]S10
：利用传感器采集故障轴承振动信号；
[0009]S20
：基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子，并利用参数优化的变分模态分解算法将采集的故障轴承振动信号划分为一系列的模态分量，其中，所述变分模态分解的表达式
为：
[0010]u
＝
VMD(x,
α
,tau,K,DC,init,tol)
[0011]式中，
x
为待分解的原信号，
tau
为噪声容限，
DC
为直流分量，
init
为初始化中心频率，
tol
为收敛精度，
K
和
α
分别表示最优的分解层数和惩罚因子，
VMD(
·
)
为
MATLAB
工具包中的变分模态分解函数
。
[0012]S30
：计算各模态分量的综合适应度函数值，选取具有最小综合适应度函数值的模态分量作为主故障特征模态分量；
[0013]S40
：通过从主故障特征模态分量的增强包络谱中提取出故障特征频率，实现滚动轴承早期微弱故障诊断
。
[0014]作为本专利技术所述的一种滚动轴承早期微弱故障诊断方法的一种优选方案，其中，在步骤
S20
中，基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子的具体步骤如下：
[0015]S201、
引入立方混沌映射和反向学习策略初始化蜣螂的种群位置向量，形成分布均匀的初始化种群，设定种群规模
P
，蜣螂滚球个数
Pa
，蜣螂繁育个数
Pr
，小蜣螂觅食个数
Ps
，偷窃蜣螂个数
Pt
，最大迭代次数
T
max
，搜索的上下边界分别为
Ub
和
Lb
，目标函数的维度为
D
；
[0016]S202、
建立参数优化的综合适应度函数，其表达式如下：
[0017][0018]式中，
arg min{
·
}
表示求取最小值的函数，
RIMI
为模态分量的综合适应度函数值，
K
和
α
分别为变分模态分解的分解层数和惩罚因子
。
[0019]S203、
对采集到的原始振动信号根据每个蜣螂的位置向量使用变分模态分解进行处理，并计算当前种群中每个蜣螂个体对应的适应度函数值，记录当前最佳的适应度值和对应的位置向量；
[0020]S204、
利用蜣螂滚球
、
蜣螂繁育
、
小蜣螂觅食和偷窃蜣螂四种策略对蜣螂个体位置进行更新，并引入自适应惯性权重策略对蜣螂滚球和偷窃蜣螂位置更新法则进行改进，计算比较个体和种群全局最优值，更新并保存全局最优的蜣螂个体位置和最佳的适应度函数值；
[0021]S205、
对全局最优个体和随机选择的个体执行差分变异操作，计算比较个体和种群全局最优值，更新并保存全局最优的蜣螂个体位置和最佳的适应度函数值；
[0022]S206、
判断是否达到最大迭代次数
。
如果是，迭代将被终止，获取变分模态分解算法最优的参数组合
[K,
α
]，否则，返回步骤
S204
循环迭代，直到满足最大循环次数为止
。
[0023]作为本专利技术所述的一种滚动轴承早期微弱故障诊断方法的一种优选方案，其中，在步骤
S202
中，所述综合适应度函数被定义为：
[0024][0025]式中，
SE本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种滚动轴承早期微弱故障诊断方法，其特征在于，包括：
S10
：利用传感器采集故障轴承振动信号；
S20
：基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子，并利用参数优化的变分模态分解算法将采集的故障轴承振动信号划分为一系列的模态分量，其中，所述变分模态分解的表达式为：
u
＝
VMD(x,
α
,tau,K,DC,init,tol)
式中，
x
为待分解的原信号，
tau
为噪声容限，
DC
为直流分量，
init
为初始化中心频率，
tol
为收敛精度，
K
和
α
分别表示最优的分解层数和惩罚因子，
VMD(
·
)
为
MATLAB
工具包中的变分模态分解函数；
S30
：计算各模态分量的综合适应度函数值，选取具有最小综合适应度函数值的模态分量作为主故障特征模态分量；
S40
：通过从主故障特征模态分量的增强包络谱中提取出故障特征频率，实现滚动轴承早期微弱故障诊断
。2.
根据权利要求1所述的一种滚动轴承早期微弱故障诊断方法，其特征在于，在步骤
S20
中，基于一种融合多域指标的综合适应度函数指导改进的蜣螂优化算法自适应确定变分模态分解算法最优的分解层数和惩罚因子的具体步骤如下：
S201、
引入立方混沌映射和反向学习策略初始化蜣螂的种群位置向量，形成分布均匀的初始化种群，设定种群规模
P
，蜣螂滚球个数
Pa
，蜣螂繁育个数
Pr
，小蜣螂觅食个数
Ps
，偷窃蜣螂个数
Pt
，最大迭代次数
T
max
，搜索的上下边界分别为
Ub
和
Lb
，目标函数的维度为
D
；
S202、
建立参数优化的综合适应度函数，其表达式如下：式中，
arg min{
·
}
表示求取最小值的函数，
RIMI
为模态分量的综合适应度函数值，
K
和
α
分别为变分模态分解的分解层数和惩罚因子；
S203、
对采集到的原始振动信号根据每个蜣螂的位置向量使用变分模态分解进行处理，并计算当前种群中每个蜣螂个体对应的适应度函数值，记录当前最佳的适应度值和对应的位置向量；
S204、
利用蜣螂滚球
、
蜣螂繁育
、
小蜣螂觅食和偷窃蜣螂四种策略对蜣螂个体位置进行更新，并引入自适应惯性权重策略对蜣螂滚球和偷窃蜣螂位置更新法则进行改进，计算比较个体和种群全局最优值，更新并保存全局最优的蜣螂个体位置和最佳的适应度函数值；
S205、
对全局最优个体和随机选择的个体执行差分变异操作，计算比较个体和种群全局最优值，更新并保存全局最优的蜣螂个体位置和最佳的适应度函数值；
S206、
判断是否达到最大迭代次数，如果是，迭代将被终止，获取变分模态分解算法最优的参数组合
[K,
α
]
，否则，返回步骤
S204
循环迭代，直到满足最大循环次数为止
。3.
根据权利要求2所述的一种滚动轴承早期微弱故障诊断方法，其特征在于，在步骤
S202
中，所述综合适应度函数被定义为：
式中，
SEGI
和
IFCER
分别为信号的平方包络基尼指数和改进的故障特征能量比，其计算公式分别定义如下：式中，
x
为原信号且
x
＝
(x1,x2,
…
,x
N
)
，
N
为信号的长度，
SE
为原信号
x
的平方包络信号且
SE
＝
[SE
(1)
,SE
(2)
,
…
,SE
(N)
]
，所有元素按从小到大的顺序排列，
SE
(1)
≤SE
(2)
,
…
,≤SE
(N)
，
(1)、(2)
，
…
，
(N)
是新指数，
∥SE∥1为信号
SE
的
L1
范数；式中，
FFT(
·
)
为
MATLAB
工具包中的傅里叶变换函数，
M
为信号
x
的包络谱，
f
w
为故障特征频率，
q
为谐波数量，
△
f
为故障频率偏差，
g
为重力加速度，
E
为故障相关特征信息的能量，
E
*
为总能量
。4.
根据权利要求2所述的一种滚动轴承早期微弱故障诊断方法，其特征在于，在步骤
S201
中，所述引入立方混沌映射和反向学习策略初始化蜣螂的种群位置向量的具体步骤如下：
S201
‑1：将立方混沌序列映射到蜣螂种群上，具体公式为：式中，
y
i
为立方序列，
Ub
和
Lb
分别为搜索的上界和下界，
X
i
为实际蜣螂个体位置；
S201
‑2：生成反向解种群，具体公式为：
OS
i
＝
k
×
(Lb+Ub)
‑
X
i
，式中，
k
为属...

【专利技术属性】
技术研发人员：马晨波，陆志杰，孙见君，鄢小安，张玉言，韩权，王志良，刘德利，
申请(专利权)人：苏州长城精工科技股份有限公司，
类型：发明
国别省市：