【技术实现步骤摘要】
本专利技术涉及一种基于iooa优化vmd-svm的轴承故障诊断方法，属于机械设备运动部件故障诊断。
技术介绍
0、技术背景
1、滚动轴承是动力设备中的关键部件，对于设备的安全运行起着至关重要的作用。根据epri的报告，在各种电机故障中，轴承故障占41％。因此，准确识别电机轴承的运行状态，对于保障设备稳定运行、提高生产安全性具有重要意义。
2、故障诊断基本流程包括信号采集、特征提取、模型训练以及故障分类。信号采集可以从多个信息源头出发，包括振动、温度、声波、转速等。当电机轴承运行过程中发生故障时，会产生不同频率的周期性冲击，其振动信号中包含丰富的故障特征，因此基于振动信号的故障诊断方法得到了广泛的研究和应用。振动信号的采集常常会受到噪声的干扰，因此振动信号需要进行降噪处理。huang等提出了经验模态分解算法的降噪方法，将故障信号分解成多个imf分量，但emd存在模态混叠、过分解与欠分解等问题。vmd采用非递归的模态分解方法，减小了emd因递归分解产生的模态混叠，而且变分模态分解还带有自适应滤波的特点。vmd可以根据特定指标筛选模态分量重构信号，可以有效去除噪声分量。谢锋云等人对航空齿轮箱采集了振动信号，通过vmd对信号进行重构并结合多尺度散布熵对重构后的信号进行特征提取，将提取的特征输入到粒子群算法优化的核极限学习机模型。针对算法参数选则问题，李鹏等人提出利用鲸鱼优化算法以最小包络熵为适应度函数搜寻vmd的最佳参数。ooa由mohammad dehghani等人于2023年提出，其模拟鱼鹰的捕食行为对优化问
技术实现思路
1、本专利技术目的在于针对滚动轴承早期故障微弱且噪声影响导致故障特征提取困难的问题，提出了一种基于iooa优化vmd-svm的轴承故障诊断方法。该方法对ooa进行了改进，采用bernoulli映射初始化种群，并引入了tent扰动与高斯变异对种群中的最优个体进行变异操作；选取最小包络熵为适应度函数，使用iooa优化vmd使得振动信号自适应分解，根据相关稀疏度指标筛选有效imf并重构信号，对重构后的信号提取敏感特征；选取错误率为适应度函数，使用iooa优化svm并对特征样本进行故障诊断。本专利技术解决了ooa收敛速度慢、易陷入局部最优解的问题，使用iooa优化vmd并重构信号后取得了显著的抗噪效果，通过iooa优化故障诊断模型参数，避免了专家先验知识，提高了故障诊断精度。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于iooa优化vmd-svm的轴承故障诊断方法，包括以下步骤：
3、步骤1：采集振动信号，初始化vmd参数和iooa算法，选取最小包络熵作为适应度函数，使用iooa优化vmd的分解参数，获取最佳适应度值对应的vmd输入参数组合，适应度函数值的计算过程如下：
4、步骤1.1：利用初始化后得到的模态分量值k和惩罚因子a对振动信号进行vmd分解，所述vmd算法是由变分问题的构建与求解组成，通过构造vmd约束变分模型，使得分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，vmd约束变分模型具体表达式为：
5、
6、式中uk表示本征模态函数，wk表示各个模态分量的中心频率，约束变分问题通过拉格朗日乘子和二次处罚项转换为无约束问题，具体表达式为：
7、
8、利用交替方向乘子更新各个模态分量，具体表达式为：
9、
10、更新中心频率wk，具体表达式为：
11、
12、更新拉格朗日乘子，具体表达式为：
13、
14、循环上述步骤直到以下条件满足：
15、
16、步骤1.2：计算k个模态分量的最小包络熵值即为本组参数[k,a]对应的适应度值，包络熵的计算如下：
17、
18、式中ep表示包络熵，h表示信号的希尔伯特变换；a(j)是信号x(j)经过希尔伯特变换后的包络序列信号；
19、步骤2：vmd使用最优参数对振动信号进行分解，根据相关稀疏度指标筛选出大于0的imf分量并重构信号，提取敏感特征，划分训练样本和测试样本；
20、步骤3：初始化svm参数和iooa算法，使用训练样本输入svm，选取错误率作为适应度函数，使用iooa优化svm参数，获取最佳适应度值对应的svm输入参数组合；
21、步骤4：svm使用最优参数对训练样本进行训练，保存故障诊断模型；
22、步骤5：将测试样本输入svm故障诊断模型，获取最终的故障诊断结果。
23、进一步地，本专利技术步骤1利用iooa对vmd的分解模态数k和惩罚参数α优化，包括：
24、设置iooa的初始化参数；
25、初始化参数k和a的范围，其中k＝[3,10],a＝[500,3000]；
26、对振动信号进行vmd分解；
27、iooa迭代搜索更新保存适应度值最优的参数组合；
28、迭代次数终止，得到全局最佳适应度值，对应的k和α为vmd的输入参数组合。
29、进一步地，本专利技术所述的iooa算法包括：
30、初始化种群，预设种群的数量为n,种群的维数为m，构成了一个n×m搜索空间，数学公式模型如式(10)所示：
31、
32、ooa初始化表达式为：
33、xi，j＝lbj+ri，j(ubj-lbj)，i＝1，2，...，n，j＝1，2，...，m#(11)
34、式中ri，j为[0,1]的随机数，i表示第i只鱼鹰，j表示第j维种群，xi，j表示第j维种群的第i只鱼鹰，lbj表示第j维种群的下限值，ubj表示第j维种群的上限值；
35、式(11)中ri，j采用的是生成随机数的方式初始化种群位置，种群中鱼鹰的位置分布不均，无法覆盖环境中的所有位置，从而缺乏多样性，导致寻优效果差、收敛速度低，本专利技术提出的iooa优化算法改进点在于使用bernoulli映射对鱼鹰种群进行初始化，bernoulli映射具有混沌特性，可以在整个搜索空间内产生均匀分布的初始位置，这提高了种群的多样性，从而改善了算法对最优解的探索能力并加快了收敛速度，具体表达式为：
36、
37、式中ri，j初始值ri，0取[0,1]的随机数，通过bernoulli映射对ri，j+1进行迭代更新，从而保证了种群位置的均匀分布。λ为控制参数，经过实验发现，当λ处于0.479附近时能够获得更好的遍历性；
38、第一阶段勘测阶段：定位和捕鱼行为。对于每只鱼鹰，搜索空间中具有较好目标函数值的其他鱼鹰的位置被视为水下鱼类。每只鱼鹰的位置使用式(13)指定：
39、fpi＝{xk|k∈{1，2，...，n}∩fk＜fi}∪{xbest}#(13)
40、式中fp本文档来自技高网...
【技术保护点】
1.一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，所述步骤1利用IOOA对VMD的分解模态数k和惩罚参数α优化，包括：
3.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，所述的IOOA算法包括：
4.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于所述步骤2重构信号计算过程如下：
5.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，所述步骤2，每组振动信号样本长度为n，x(i)表示振动信号样本的第i个数据点，提取敏感特征计算过程包括：
6.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，所述步骤3适应度函数值的计算过程包括：
7.根据权利要求1所述的一种基于IOOA优化VMD-SVM的轴承故障诊断方法，其特征在于，所述步骤1.2包括：<...
【技术特征摘要】
1.一种基于iooa优化vmd-svm的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于iooa优化vmd-svm的轴承故障诊断方法，其特征在于，所述步骤1利用iooa对vmd的分解模态数k和惩罚参数α优化，包括：
3.根据权利要求1所述的一种基于iooa优化vmd-svm的轴承故障诊断方法，其特征在于，所述的iooa算法包括：
4.根据权利要求1所述的一种基于iooa优化vmd-svm的轴承故障诊断方法，其特征在于所述步骤2重构信号计算过程如下：
5.根据权利要求1所述的一种基于iooa优化vmd-svm的轴承故障诊断方法，其特征在于，所述步骤2，每组振动信号样本长度为n，x(i)表示...
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。