【技术实现步骤摘要】
本专利技术涉及一种滚动轴承故障信号处理方法，尤其涉及基于gwo(grey wolfoptimization)寻参优化vmd的滚动轴承故障信号处理方法。
技术介绍
1、因滚动轴承因其摩擦阻力小、功率消耗小和机械效率高等特点，被广泛应用于航空发动机、铁路运输设备以及大型工业机械设备，承担动力传递和动力转换的任务，是机械发生故障的主要故障源之一。由于滚动轴承的健康状态直接关系设备的安全稳定运行，因此及时并有效的发现关键滚动轴承中存在的故障,对确保机械安全稳定运行具有重大意义。通常情况下，机械设备运行状态的变化可通过其动态信号(例如振动信号)进行有效反映，利用信号处理技术分离出其中隐藏的故障特征信息。因此，故障信号处理对于保证旋转机械健康运行十分重要，旋转机械设备在故障时会产生与正常运行时不同的振动信号，例如滚动轴承的外圈产生裂纹，在旋转时表面的裂纹会产生一系列的周期脉冲，如何提取到振动信号中的周期脉冲，并对故障类型进行识别，对于旋转机械的故障信号处理是一个热门的问题。
2、对于在振动信号中提取故障特征并进行故障类型识别，人们设计了多种方法，例如傅里叶变换、小波变换、功率谱密度估计、经验模式分解(emd)、局部均值分解(lmd)等等，然而，傅里叶变换需要先指定一个固定窗口长度来进行频域分析，而且对于非周期信号的处理需要人为延长或截断处理，无法完全展示其频谱特性，功率谱密度的计算通常依赖于信号的长度和所选择的窗口函数，选择不当的窗口函数或信号过短可能导致频谱估计的偏差或失真，特别是在处理非定态信号或信号长度有限的情况下，这种敏
技术实现思路
1、本专利技术的目的是为了提升手动设置滚动轴承故障信号类型的惩罚因子α和模态分解数k的准确率，为滚动轴承故障信号处理提供了一种新的解决思路，而提出的基于gwo寻参优化vmd的滚动轴承故障信号处理方法。
2、基于gwo寻参优化vmd的滚动轴承故障信号处理方法，该方法包括以下步骤：
3、步骤一、采用一种基于gwo-vmd联合小波阈值函数的去噪方法，该方法利用相关系数法将vmd分解的imf分量区分为有用分量和噪声分量，然后利用小波阈值函数对噪声分量进行进一步去噪，然后对有用噪声分量和去噪分量进行重构，得到去噪信号；
4、步骤二、采用gwo算法对参数进行自动寻优，在每次迭代的过程中以多尺度排列熵为适应度函数，利用gwo算法自动寻优得到参数α和k；
5、步骤三、将上述步骤中得到的参数α和k结果对重构vmd进行设置，得到各个分量，并计算各个分量的包络谱，并且对其进行包络分析，寻找故障频率。
6、优选地，所述步骤一中采用一种基于gwo-vmd联合小波阈值函数的去噪方法，得到去噪信号，步骤为：
7、小波系数的计算需要通过阈值来确定，选取的阈值如公式(6)所示。
8、
9、式中n为信号长度，σ为噪声的均方根误差；
10、阈值函数如下：
11、
12、其ωj,k为小波系数，λ为阈值，为阈值小波系数，sgn为符号函数，a、β为阈值函数的调节参数，其中0≤a<1，β为正号常数；
13、通过使用gwo-vmd算法得到优化后的特征模态函数，对其进一步处理，对含有噪声的高频分量进行小波阈值保持，引入相关系数法(相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱)进行区分，下列所示通过计算相关系数，区分有效信号和噪声信号，小于等于的相关系数阈值为是高频噪声，大于相关系数阈值是有用的信号，小于等于相关系数的imf相关系数值进行处理，
14、
15、式中imfi(t)为第i个分量，n为采样点数。
16、优选地，设置gwo的初始参数a，a、c的值，以作为第i个灰狼的位置，范围取100到3500，随机初始化灰狼种群内n只灰狼个体的位置，然后将每只灰狼的位置xi作为惩罚因子[α1，α2,…,αk]对信号进行vmd，根据多尺度排列熵适应度函数计算得出适应度值，并记录最优的3个头狼个体位置xα、xβ、xγ。通过公式(5)更新其他灰狼个体的位置，并通过公式4和5更新参数a，a、c的值，循环执行上述步骤直至迭代完毕，得出最优参数α和k，基于最优参数组合的vmd分解得到imf分量；
17、灰狼种群追捕公式为：
18、d＝|c·xp(t)-x(t)| (6)
19、x(t+1)＝xp(t)-a·d (7)
20、式中：c和a为系数；xpt为猎物位置；x(t)为灰狼位置，c和a的更新公式为：
21、c＝2r2 (8)
22、a＝2ar1-a (9)
23、式中r1和r2为随即系数，其模值范围为[0，1]，a为收敛因子，随迭代次数从2到0线性递减，再由式(1)和式(2)求出三条头狼的的位置xα(t+1)、xβ(t+1)、xγ(t+1)，然后通过3条头狼的位置确定种群中其他灰狼的位置确定种群中其他灰狼的位置：
24、
25、gwo算法根据当前解空间中前3个最优解搜索全局最优解，同时在搜索过程借助辅助系数改变某个体权重，减少算法陷入局部最优的概率。
26、采用本专利技术的基于灰狼优化算法(gwo)优化的参数自适应获取惩罚因子α和模态分解数k的滚动轴承故障信号处理方法，与其它自适应信号分解故障轴承信号方法相比，本专利技术的有益效果为：
27、1.采用小波阈值函数来构建新的滤波器，与传统的方法相比，有着更快的收敛速度和更强的故障信息分离能力，不仅改善了原本vmd的频谱混叠的问题，而且还能过滤掉更强的噪声信号，因此，该方法具有较强的滤波能力。
28、2.采用涉及基于gwo(greywolfoptimization)算法优化，自适应寻找惩罚适应获取惩罚因子α和模态分解数k的滚动轴承故障信号处理方法，与传统的方法相比，不需要依靠操作人员的经验手动进行参数设置，有效解决了vmd需要根据经验手动设置参数导致分解效果不佳的问题。
本文档来自技高网...【技术保护点】
1.基于GWO寻参优化VMD的滚动轴承故障信号处理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于GWO寻参优化VMD的滚动轴承故障信号处理方法，其特征在于：所述步骤一中采用一种基于GWO-VMD联合小波阈值函数的去噪方法，得到去噪信号，步骤为：
3.根据权利要求1所述的基于GWO寻参优化VMD的滚动轴承故障信号处理方法，其特征在于：设置GWO的初始参数a，A、C的值，以作为第i个灰狼的位置，范围取100到3500，随机初始化灰狼种群内N只灰狼个体的位置，然后将每只灰狼的位置Xi作为惩罚因子[α1，α2,…,αk]对信号进行VMD，根据多尺度排列熵适应度函数计算得出适应度值，并记录最优的3个头狼个体位置Xα、Xβ、Xγ，通过公式(5)更新其他灰狼个体的位置，并通过公式4和5更新参数a，A、C的值，循环执行上述步骤直至迭代完毕，得出最优参数α和k，基于最优参数组合的VMD分解得到IMF分量；
【技术特征摘要】
1.基于gwo寻参优化vmd的滚动轴承故障信号处理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于gwo寻参优化vmd的滚动轴承故障信号处理方法，其特征在于：所述步骤一中采用一种基于gwo-vmd联合小波阈值函数的去噪方法，得到去噪信号，步骤为：
3.根据权利要求1所述的基于gwo寻参优化vmd的滚动轴承故障信号处理方法，其特征在于：设置gwo的初始参数a，a、c的值，以作为...
【专利技术属性】
技术研发人员：武杰，薛坤林，苗晓鹏，颜立坤，康博，张天尧，石皓文，郭进喜，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：
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。