[發明專利]基于HMM和QPSO優化算法的軸承故障程度辨識方法

有效

• 申請號: 201911342148.2
• 申請日: 2019-12-24
• 公開（公告）號: CN111189638B
• 公開（公告）日: 2021-08-06
• 發明（設計）人: 黨鵬飛;王明罡;楊錚鑫;鮑寧波
• 申請（專利權）人: 沈陽化工大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 張志剛

1.基于HMM和QPSO優化算法的軸承故障程度辨識方法，其特征在于，所述方法包括如下步驟：

(1)、采集滾動軸承振動信號

使用振動數據采集儀以采樣頻率為12000Hz采集待檢測滾動軸承在運行狀態下的振動信號，記為X[m]，m＝1 ,2 ,…,M，M為總采樣點數，并標記軸承狀態，總狀態數為y，將所有的所得的數據集合為，標簽數據集為；

(2)、數據的分幀操作，建立訓練集

取前120k個采樣點，平均分成12組數據，每組數據10k個采樣點，再把每組數據平均分成5幀，每幀2k個采樣點；

(3)、振動信號的分頻處理

利用變分模態分解VMD的可變尺度分解對訓練集中的信號進行處理，變分模態分解的過程是將一個復雜的滾動軸承時域振動信號分解為K個IMF分量，K為任意正整數；

(4)、對本征模態分量進行奇異值分解（SVD）；利用奇異值分解（SVD），提取由變分模態分解（VMD）分解后的最優IMF的奇異值矩陣；

(5)、對奇異值向量進行聚類；

(6)、利用量子粒子群算法對隱馬爾科夫模型的參數進行估計；每一個粒子都是一個HMM參數，令其適應度函數為：

（13）

(7)、診斷軸承；

(8)、診斷結束；

所述利用量子粒子群算法求隱馬爾科夫模型的最優化參數步驟如下：

(6.1)、初始化，種群數量10，最大迭代次數30，算法運行10輪；

(6.2)、隨機生成隱馬爾科夫模型，一共生成10個隱馬爾科夫模型，其中每個隱馬爾科夫模型包含三個參數；

(6.3)、將每個隨機生成的隱馬爾科夫模型分別導入公式（13），得到每個隱馬爾科夫模型在公式（13）中的值，找到全局最好位置，并記錄全局最好位置的適應值；利用粒子移動公式進行粒子的更新，公式如下：

（14）

（15）

（16）

式中—第i個粒子在第t次迭代的最好位置矢量；—第t次迭代時的全局最好位置矢量—第t次迭代時全體粒子當前最好位置的中心位置；與之間的隨機位置；和為[0,1]上均勻分布的隨機數；是收縮—擴張系數，它是算法中群體規模和迭代次數以外的唯一一個可控參數，對于不同取值的，會對粒子的收斂性產生影響；通常采取線性減少的方式從m減少到n，其公式如下：

（17）

一般取m=1，n=0.5，為最大迭代次數；

(6.4)、當每次迭代得到的適應值保持一致時，迭代結束，當前適應值最大的粒子為隱馬爾科夫模型訓練的最優化參數；

所述診斷軸承，包括(7.1)、用上述步驟(2)至(5)對測試信號進行處理，得到測試信號的觀測數列；

(7.2)、用前向算法輸出的最大似然估計確定每組測試信號所對應的故障程度；其算法流程如下：

（18）

（19）

(20)

(7.3)、根據每組測試信號在各個隱馬爾可夫模型中得到的最大似然值，其最大似然值越大，代表其和當前隱馬爾可夫模型對應的故障程度越相近。