[發明專利]一種軸承故障的診斷方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010127805.8
• 申請日: 2020-02-28
• 公開（公告）號: CN111428418A
• 公開（公告）日: 2020-07-17
• 發明（設計）人: 黃海松;范青松;艾彬彬;魏建安;韓正功
• 申請（專利權）人: 貴州大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G01M13/045
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 何曉春

本發明公開了一種軸承故障的診斷方法、裝置、計算機設備和存儲介質，其中，獲取軸承的振動信號，通過自適應白噪聲的完整集成經驗模態分解方法CEEMDAN提取該振動信號的IMF模態分量；確定該模態分量的能量熵，將該能量熵作為特征向量進行歸一化處理，構造支持向量機SVM的訓練集和測試集；根據該訓練集和群智能優化算法更新該SVM的分類器的懲罰參數和核函數參數；該SVM根據該測試集、該懲罰參數和該核函數參數確定該軸承的故障結果，解決了軸承故障診斷的效率低和精度不高的問題，提高了軸承故障診斷的效率和精度。

技術領域

本發明涉及計算機軟件領域，具體而言，涉及一種軸承故障的診斷方法、裝置、計算機設備和存儲介質。

背景技術

滾動軸承是機械設備運轉過程中的關鍵部件，如果其發生故障，將影響其他部件的正常運行甚至會使整個系統癱瘓。因此，快速、準確、容易的檢測軸承故障的存在和嚴重程度具有重要意義。

集合經驗模態分解(Ensemble Empirical Mode Decomposition，簡稱為EEMD)是故障診斷中廣泛使用的時頻域信號分析方法，能自適應的分解軸承振動信號，但EEMD重建的信號中存在殘留噪聲，雖然可以通過增加集成次數來降低重構誤差，但是其工作量十分龐大。

在利用故障特征進行模式識別方面，支持向量機(Support Vector Machine，簡稱為SVM)能在樣本數較少的情況下獲得很好的分類推廣能力，對小樣本、非線性及高維模式識別等問題更具有適用性。因此SVM被認為是一種非常有潛力的分類技術，已廣泛應用于機械故障診斷領域。在運用SVM進行的故障診斷中，診斷精度與核函數參數、懲罰系數有很大關系，所以對其參數的優化問題顯得尤為重要，在相關技術中，用于SVM參數優化的方法主要有網格搜索法、交叉驗證法、遺傳算法(Genetic Algorithm,簡稱為GA)、粒子群算法(Particle Swarm Optimization,簡稱為PSO)，但這些方法優化效率低且精度不高。

針對相關技術中，軸承故障診斷的效率低和精度不高的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中，軸承故障診斷的效率低和精度不高的問題，本發明的實施例至少解決上述問題。

根據本發明的一個方面，提供了一種軸承故障的診斷方法，所述方法包括：

獲取軸承的振動信號，通過自適應白噪聲的完整集成經驗模態分解方法CEEMDAN提取所述振動信號的IMF模態分量；

確定所述模態分量的能量熵，將所述能量熵作為特征向量進行歸一化處理，構造支持向量機SVM的訓練集和測試集；

根據所述訓練集和群智能優化算法更新所述SVM的分類器的懲罰參數和核函數參數；

所述SVM根據所述測試集、所述懲罰參數和所述核函數參數確定所述軸承的故障結果。

在其中一個實施例中，根據所述訓練集和群智能優化算法更新所述SVM的分類器的懲罰參數和核函數參數包括：

通過粒子群算法PSO中的慣性權重和“飛行速度”更新灰狼優化算法GWO中灰狼位置；

根據更新后的灰狼位置的進行多次迭代，確定所述SVM的分類器的懲罰參數和核函數參數。

在其中一個實施例中，所述通過自適應白噪聲的完整集成經驗模態分解方法CEEMDAN提取所述振動信號的模態分量，確定所述模態分量的能量熵包括：

通過自適應白噪聲的完整集成經驗模態分解方法CEEMDAN提取所述振動信號的前預設數量的模態分量；

根據所述前預設數量的模態分量確定Shannon能量熵。