[發(fā)明專利]基于改進(jìn)變分模態(tài)分解和極限學(xué)習(xí)機(jī)的滾動(dòng)軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711432043.7
• 申請(qǐng)日: 2017-12-26
• 公開（公告）號(hào): CN108171263B
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計(jì)）人: 唐昊;司加勝;李曉慶;苗剛中;承敏鋼
• 申請(qǐng)（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/00;G06N3/00;G01M13/04
• 代理公司: 安徽省合肥新安專利代理有限責(zé)任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于改進(jìn)變分模態(tài)分解和極限學(xué)習(xí)機(jī)的滾動(dòng)軸承故障診斷方法，其特征是按如下步驟進(jìn)行：

步驟1、利用加速度振動(dòng)傳感器分別采集不同故障類型的滾動(dòng)軸承的振動(dòng)信號(hào)，記為X＝{X₁,X₂,...,X_i,...,X_A}，A表示A類故障類型，1≤i≤A，X_i表示第i類故障信號(hào)樣本集合，且m表示第i類故障信號(hào)樣本數(shù)，表示第i類故障信號(hào)集合中第j個(gè)樣本，每個(gè)樣本為N×1維向量，1≤j≤m；故障信號(hào)樣本的總數(shù)為M；根據(jù)A類故障類型對(duì)所述故障信號(hào)樣本集合X添加工況標(biāo)簽，記為Y＝{Y₁,Y₂,...,Y_i,...,Y_A}，Y_i為常量，表示第i類故障信號(hào)樣本集合X_i對(duì)應(yīng)的工況標(biāo)簽；

步驟2、隨機(jī)選取第i類故障信號(hào)集合中第j個(gè)樣本，采用粒子群算法對(duì)所最大相關(guān)峭度反卷積參數(shù)進(jìn)行尋優(yōu)，得到處理所述第i類故障信號(hào)集合X_i的最大相關(guān)峭度反卷積的參數(shù)：

步驟2.1、初始化粒子種群，種群粒子個(gè)數(shù)為q，粒子維數(shù)為D，以濾波器長(zhǎng)度H和周期T編碼每個(gè)粒子，其中第a個(gè)粒子記為[H_a,T_a]，1≤a≤q，當(dāng)前迭代次數(shù)為L(zhǎng)，初始化L＝1，最大迭代次數(shù)為L(zhǎng)_max；

步驟2.2、根據(jù)所述第i類故障信號(hào)集合中第j個(gè)樣本判斷L＝1是否成立，若成立，則隨機(jī)初始化第L代第a個(gè)粒子的位置和速度否則，利用式(1)更新第L代第a個(gè)粒子的位置和速度

式(1)中，ω表示權(quán)重因子，c₁,c₂表示加速度因子，η表示隨機(jī)數(shù)，0≤η≤1；

步驟2.3、根據(jù)第L代第a個(gè)粒子的位置對(duì)所述第i類故障信號(hào)集合中第j個(gè)樣本進(jìn)行最大相關(guān)峭度反卷積，得到濾波信號(hào)

步驟2.4、利用式(2)計(jì)算第L代第a個(gè)粒子的適應(yīng)度函數(shù)值

式(2)中，表示第L代第a個(gè)粒子的包絡(luò)能量熵；

步驟2.5、對(duì)q個(gè)粒子分別按照式(2)計(jì)算得到第L代q個(gè)粒子的適應(yīng)度函數(shù)值集合

步驟2.6、判斷L＝1是否成立，若成立，則將選為第L代第a個(gè)粒子的個(gè)體局部極值并從第L代q個(gè)粒子的個(gè)體局部極值中選取最小適應(yīng)度函數(shù)值作為第L代全局極值否則，執(zhí)行步驟2.7；

步驟2.7、判斷是否成立，若成立，則將選為第L代第a個(gè)粒子的個(gè)體局部極值并從第L代q個(gè)粒子的個(gè)體局部極值中選取最小適應(yīng)度函數(shù)值作為第L代全局極值否則，將選為第L代第a個(gè)粒子的個(gè)體局部極值并從第L代q個(gè)粒子的個(gè)體局部極值中選取最小適應(yīng)度函數(shù)值作為第L代全局極值

步驟2.8、將L+1賦值給L，判斷L＞L_max是否成立，若成立，則輸出第L_max代全局極值所對(duì)應(yīng)的粒子作為處理所述第i類故障信號(hào)集合X_i的最大相關(guān)峭度反卷積的參數(shù)，并對(duì)所述第i類故障信號(hào)集合X_i進(jìn)行最大相關(guān)峭度反卷積處理，從而得到第i類濾波信號(hào)集合表示第i類第j個(gè)濾波信號(hào)，否則，執(zhí)行步驟2.2；

步驟3、重復(fù)步驟2，從而得到A類濾波信號(hào)組

步驟4、隨機(jī)選取第i類濾波信號(hào)集合中第j個(gè)濾波信號(hào)并進(jìn)行改進(jìn)變分模態(tài)分解，得到第i類模態(tài)總數(shù)K_i：

步驟4.1、定義當(dāng)前迭代次數(shù)為n、最大迭代次數(shù)為N_max，第i類模態(tài)總數(shù)為K_i、第i類模態(tài)中任意一個(gè)模態(tài)記為k_i；

步驟4.2、初始化K_i＝1；

步驟4.3、初始化n＝1，隨機(jī)初始化第n代第k_i個(gè)模態(tài)對(duì)應(yīng)的傅里葉變換參數(shù)第n代第k_i個(gè)模態(tài)中心頻率參第n代拉格朗日乘子

步驟4.4、將n+1賦值給n，判斷n＞N_max是否成立，若成立，則執(zhí)行步驟4.6，否則，利用更新公式得到第n代第k_i個(gè)模態(tài)對(duì)應(yīng)的傅里葉變換參數(shù)第n代第k_i個(gè)模態(tài)中心頻率參第n代拉格朗日乘子

步驟4.5、判斷是否成立，若成立，則執(zhí)行步驟4.6，否則，返回步驟4.4執(zhí)行；其中，e表示變分模態(tài)分解參數(shù)閾值，||·||表示模長(zhǎng)；

步驟4.6、判斷式(3)是否成立，若成立，則將K_i+1賦值給K_i后，返回步驟4.3；否則，終止計(jì)算，并輸出第i類模態(tài)總數(shù)K_i；

式(3)中，表示以第j個(gè)濾波信號(hào)作為原始信號(hào)f(t)對(duì)應(yīng)的傅里葉變換，υ表示能量閾值；

步驟5、根據(jù)所述第i類模態(tài)總數(shù)K_i，對(duì)所述第i類故障信號(hào)樣本集合X_i進(jìn)行改進(jìn)變分模態(tài)分解，得到第i個(gè)模態(tài)矩陣

步驟6、重復(fù)步驟4和步驟5，從而得到A類故障所對(duì)應(yīng)的模態(tài)總數(shù)集合K＝{K₁,K₂,...,K_i,...,K_A}以及M個(gè)模態(tài)矩陣U＝{U₁,U₂,…,U_i,…,U_M}；

步驟7、利用奇異值分解方法對(duì)第i個(gè)模態(tài)矩陣U_i進(jìn)行奇異值分解，得到第i個(gè)奇異值向量s_i；

步驟8、對(duì)M個(gè)模態(tài)矩陣U＝{U₁,U₂,…,U_i,…,U_M}重復(fù)步驟7，從而得到M個(gè)奇異值向量構(gòu)建的故障特征矩陣S＝(s₁,s₂,...,s_i,...,s_M)；

步驟9、對(duì)所述故障特征矩陣S按行歸一化處理到[-1,1]之間，并將歸一化后的故障特征矩陣S′與其對(duì)應(yīng)的工況標(biāo)簽Y，構(gòu)建故障特征集

步驟10、將極限學(xué)習(xí)機(jī)輸入節(jié)點(diǎn)設(shè)為模態(tài)總數(shù)集合K中的最大值，輸出節(jié)點(diǎn)設(shè)為A，隱含層節(jié)點(diǎn)以分類準(zhǔn)確率最高為標(biāo)準(zhǔn)進(jìn)行選取，采用極限學(xué)習(xí)機(jī)對(duì)所述故障特征集進(jìn)行訓(xùn)練，得到軸承故障檢測(cè)模型，從而利用所述軸承故障檢測(cè)模型實(shí)現(xiàn)對(duì)機(jī)械滾動(dòng)軸承故障的檢測(cè)。