[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

基于HMM和QPSO優化算法的軸承故障程度辨識方法，涉及滾動軸承故障診斷方法，本發明通過對原始時態的信號作為輸入，采用變分模態分解（VMD）的方法對信號進行分解，然后對每一個本征模態分量（IMF）分量中進行奇異值分解，得到奇異值矩陣，利用K?means聚類方法，將奇異值矩陣分類并編碼，最后利用量子粒子群算法（QPSO）進行對隱馬爾科夫模型（HMM）的參數優化，得到訓練好的HMM，再用同樣的方式處理測試信號，然后用訓練好的HMM對測試信號進行精確的故障程度辨識。本發明用參數作為隱馬爾科夫模型的學習參數，從而對軸承故障程度進行分類，用以故障程度評估，具有重要的工程意義。

技術領域

本發明涉及一種滾動軸承故障辨識方法，特別是涉及一種基于HMM和QPSO優化算法的軸承故障程度辨識方法。

背景技術

滾動軸承是旋轉機械中的關鍵部件，其故障可能導致高成本停機，甚至造成整個機械的災難性故障。為了保證機械的運行安全，降低維修成本，以故障程度評估技術為核心的狀態維修越來越受到人們的重視。所以說對滾動軸承進行故障程度評估具有重要的工程意義。

目前常用的軸承故障程度辨識方法是對信號的時域或頻域進行特征提取，然后通過分類器進行診斷，用隱馬爾科夫模型進行故障程度辨識成為了一種很好地方法。但是這種方法具有局限性，通過隱馬爾科夫模型的時間序列分類能力的確可以很好的將故障進行分類，但是用于隱馬爾可夫模型訓練的Baum-Welch算法需要大量的數據對其進行訓練，而且可能會進入局部最優，無法得到最優化的隱馬爾科夫模型參數，從而可能使分類的結果不準確。因此，本發明提供一種新的隱馬爾科夫模型參數的優化方法，用量子粒子群算法（QPSO）面向全局搜尋隱馬爾科夫模型的最優參數解，克服Baum-Welch算法的局部最優問題。

發明內容

本發明的目的在于提供一種基于HMM和QPSO優化算法的軸承故障程度辨識方法，通過變分模態分解（VMD）對軸承振動信號進行分解，然后使用奇異值分解（SVD）進行特征提取，并用K-means進行聚類，最后用量子粒子群算法（QPSO）面向全局搜尋隱馬爾科夫模型的最優參數。用此參數作為隱馬爾科夫模型的學習參數，從而對軸承故障程度進行分類。

本發明的目的是通過以下技術方案實現的：

基于HMM和QPSO優化算法的軸承故障程度辨識方法，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。

所述的基于HMM和QPSO優化算法的軸承故障程度辨識方法，所述變分模態分解的基本過程如下：

(3.1)、希爾伯特變換，對每一個IMF分量進行希爾伯特變換，得到單邊頻譜如下：

（1）