【技术实现步骤摘要】
本专利技术涉及电动钻机故障诊断领域；尤其涉及一种基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法。
技术介绍
1、在石油工业领域，电动钻机等机械设备的正常运行对于生产过程至关重要。然而，由于长时间运行和环境因素，设备的轴承故障成为一项常见问题。为了提前发现和有效解决这些故障，科研人员关注于开发先进的故障诊断方法和系统，以降低维护成本、避免生产中断，并延长设备寿命。
2、为了提高电动钻机滚动体轴承故障的诊断准确性，研究者们采用了一种创新的方法，结合了不同的技术。其中，cn的长尾行优化了ceemdan对异常值处理不敏感的问题，组合模型用于信号处理和特征提取，将信号分解为多个固有模态函数。gwo则通过模拟灰狼社会行为的群体智能算法，用于优化相关算法的参数。最后，lssvm被应用于构建高效的轴承故障诊断模型，通过最小二乘法求解支持向量机的参数。
3、这种基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法具有潜在的广泛应用前景。传统方法可能对非线性关系的建模能力有限，而电动钻机滚动体轴承的故障通常具有复杂的非线性特性。在处理复杂信号时，传统方法可能无法充分挖掘信号的内在结构和特征，而这对于轴承故障诊断非常关键。通过整合不同技术的优势，在提高诊断准确性和效率方面取得了显著进展，克服了非线性模型的限制。
技术实现思路
1、本专利技术的目的是提供了一种基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法
2、本专利技术是通过以下技术方案实现的：
3、本专利技术涉及一种基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法，包括以下步骤：
4、通过柯西扰动的长尾特性有助于更好地捕捉信号中的非典型模式或异常行为；这对于电动钻机滚动体运转中的突发事件，是非常重要的。
5、通过引入柯西扰动下的ceemdan将信号进行分解，以能量熵为特征，得到特征数据集；
6、通过元启发算法中的灰狼算法对lssvm的正则化参数λ和核参数σ进行优化得到最优参数下的lssvm模型；
7、本专利技术所涉及的方法，具体步骤如下：
8、步骤1：使用柯西扰动策略改进后的ceemdan，简称cnceemdan对原始滚动体轴承数据y(t)进行分解。
9、柯西扰动的概率密度函数(pdf)表示为：
10、
11、其中，x0是分布的位置参数，γ(t)是尺度参数；
12、将柯西扰动加入到待分解信号y(t)得到新信号，对新信号进行emd分解，得到第一阶本征模态分量c1；
13、e(y(t)+∈f(x；γ(t))＝c1(t)+rj(t)
14、其中，∈是扰动强度的放大因子，rj(t)为残差，对得到的n个模态分量取平均得到分解后的第一阶本征模态分量
15、
16、计算第一个模态分量后的残差r1(t)：
17、
18、在残差中加入柯西扰动，对得到信号再次采用emd处理，得到第一阶d1(t)，由此生成第二阶本征模态分量
19、
20、计算第二个模态分量后的残差r2(t)：
21、
22、重复上述步骤，直到残差信号为单调函数，不能继续分解，得到的本征模态数量为k个，则原始信号被分解为：
23、
24、步骤2：得到的分解信号ck(t)以能量熵为特征，计算前5组能量占比最高的imf得到特征数据集。
25、
26、其中，为的能量与总能量的比值。
27、步骤3：得到的特征数据集经过gwo算法优化的lssvm模型：
28、d＝|c·xp(t)-x(t)|
29、其中x表示灰狼的位置；xp表示猎物的位置向量；t表示当前迭代次数。
30、x(t+1)＝xp-a·d
31、a＝2a(r1-1)
32、c＝2r2·t
33、a＝2(1-t/tmax)
34、其中，a表示迭代过程中该变量从2线性递减到0；r1、r2表示在[0，1]中的均匀分布的随机向量。
35、跟踪猎物的数学模型表达式如下所示：
36、
37、
38、其中，xα表示α狼的位置；xβ表示β狼的位置；xδ表示δ狼的位置。
39、lssvm是对标准向量机的一种扩展，相较于标准向量机，lssvm的解算效率与收敛精度更高；
40、假设存在训练集d＝(xi，yi)|i＝1，2，3，...，n，其中xi表示输入参数，xi∈r，yi表示输出值，yi∈r，其数学表达式为：
41、
42、其中，w是权重向量，b是误差。则最小二乘支持向量机数学表达为：
43、
44、
45、其中，γ是惩罚因子，ei是松弛变量；
46、由mercer条件可得，核函数数学表达式为：
47、
48、步骤4：使用最优参数的lssvm对测试集数据进行故障诊断；
49、lssvm模型表达式为：
50、
51、
52、rbf核函数作为mercer核函数的一种常见选择，不仅参数调整较少，而且整体性能表现优异，特别适用于处理复杂的非线性数据，因此rbf被选为核函数，其数学表达式为：
53、
54、在具有rbf核函数的lssvm模型中,分类精度与正则化参数λ和核参数σ密切相关。为了保证模型的泛化性能和精度,所以引入优化算法gwo来选择最优参数。
55、本专利技术原理：首先在完整自适应噪音集成经验模态分解(ceemdan)中引入柯西扰动(cn)策略，提高分解信号时的稳健性和对异常值的鲁棒性，其次根据相关系数和方差贡献率双原则选取符合标准的本征模态分量(imf)，计算各模态分量的能量熵(ee)值，使用这些分量的故障数据构建数据集，最后采用灰狼优化(gwo)算法找到最小二乘支持向量机(lssvm)分解信号时的最优参数，并通过lssvm进行故障诊断。通过加入柯西扰动策略对原始信号进行完整自适应噪音集成经验模态分解并采用gwo优化算法优化最小二乘支持向量机实现故障诊断过程，有效克服了原始信号特征提取困难，并且大幅提高了提取故障诊断精度。
56、本专利技术具有以下优点：
57、本专利技术在ceemdan中引入柯西扰动(cn)策略，提高分解信号时的稳健性和对异常值的鲁棒性；计算各模态分量的能量熵值构建数据集，找到最小二乘支持向量机分解信号时的最优参数，并通过lssvm进行故障诊断。通过加入柯西扰动策略对原始信号进行完整自适应噪音集成经验模态分解并采用gwo优化算法优化最小二乘支持向量机实现故障诊断过程，有效克服了原始信号特征提取困难，并且大幅提高了提取故障诊断精度。本文档来自技高网...
【技术保护点】
1.一种基于CNCEEMDAN-GWO-LSSVM的电动钻机滚动体轴承故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于CNCEEMDAN-GWO-LSSVM的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤2中，所述CEEMDAN将信号进行分解，基于以下公式的数学模型：
3.如权利要求1所述的基于CNCEEMDAN-GWO-LSSVM的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤2中，所述以能量熵为特征，基于以下公式的数学模型：
4.如权利要求1所述的基于CNCEEMDAN-GWO-LSSVM的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤3中，所述LSSVM参数的正则化参数λ和核参数σ进行优化，基于以下公式的数学模型：
5.如权利要求1所述的基于CNCEEMDAN-GWO-LSSVM的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤4中，所述CNCEEMDAN-GWO-LSSVM模型，基于以下公式的数学模型：
【技术特征摘要】
1.一种基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤2中，所述ceemdan将信号进行分解，基于以下公式的数学模型：
3.如权利要求1所述的基于cnceemdan-gwo-lssvm的电动钻机滚动体轴承故障诊断方法，其特征在于，步骤2中，所述以能量熵...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。