[發(fā)明專利]基于MPGA參數(shù)化共振稀疏分解的機(jī)械故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010441412.4
• 申請(qǐng)日: 2020-05-22
• 公開(kāi)（公告）號(hào): CN111693279B
• 公開(kāi)（公告）日: 2021-06-01
• 發(fā)明（設(shè)計(jì)）人: 李福生;劉蓮;劉治汶
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G01M13/04
• 分類號(hào): G01M13/04;G01M13/045;G06N3/00;G06N3/12
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

本發(fā)明公開(kāi)了一種基于MPGA參數(shù)化共振稀疏分解的機(jī)械故障診斷方法，用于提升機(jī)械軸承故障特征提取與故障類型辨識(shí)的精度。本發(fā)明根據(jù)軸承故障振動(dòng)信號(hào)特征構(gòu)建小波基函數(shù)庫(kù)，將優(yōu)化算法融入到共振稀疏分解方法中，通過(guò)優(yōu)化算法在共振稀疏分解中自適應(yīng)的獲得與故障振動(dòng)信號(hào)最佳匹配的參數(shù)，利用所獲得的參數(shù)對(duì)振動(dòng)信號(hào)進(jìn)行共振稀疏分解，然后將得到的低共振分量進(jìn)行包絡(luò)分析，進(jìn)而實(shí)現(xiàn)軸承故障特征的準(zhǔn)確提取。本發(fā)明適用于滾動(dòng)軸承故障診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)械故障診斷領(lǐng)域，特別涉及基于MPGA參數(shù)化共振稀疏分解的機(jī)械故障診斷方法。

背景技術(shù)

機(jī)械設(shè)備主要通過(guò)傳動(dòng)機(jī)構(gòu)實(shí)現(xiàn)動(dòng)力的運(yùn)輸，而滾動(dòng)軸承作為傳動(dòng)機(jī)構(gòu)的重要組成部分，在設(shè)備運(yùn)行過(guò)程中起著至關(guān)重要的作用，因此，實(shí)現(xiàn)滾動(dòng)軸承有效地故障診斷和監(jiān)測(cè)對(duì)確保機(jī)械設(shè)備安全運(yùn)行具有深遠(yuǎn)意義。然而，滾動(dòng)軸承在發(fā)生故障早期時(shí)，故障特征比較微弱，很容易被其他部件正常的振動(dòng)和噪聲所掩蓋，所以，軸承故障特征信息的提取成了一項(xiàng)艱巨的任務(wù)。

共振稀疏分解基于振動(dòng)信號(hào)的共振屬性，利用分裂增廣拉格朗日收縮算法(SALSA)實(shí)現(xiàn)信號(hào)的稀疏分解，相對(duì)于其他信號(hào)處理方法，如：經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、局部均值分解(L MD)、小波變換、Hilbert變換等，共振稀疏分解綜合考慮信號(hào)的頻率和帶寬兩方面的因素，通過(guò)可調(diào)品質(zhì)因子小波變換和形態(tài)分量分析法將復(fù)雜信號(hào)分為由持續(xù)振蕩和諧波成分組成的高共振分量和由瞬時(shí)沖擊成分組成的低共振分量，從而實(shí)現(xiàn)了振動(dòng)信號(hào)周期脈沖成分與瞬態(tài)非振蕩成分的有效分離。基于此，該方法被引入到機(jī)械故障診斷中并得到了廣泛的研究與應(yīng)用，研究主要集中在：如何選擇合適的品質(zhì)因子構(gòu)建與故障信號(hào)相匹配的基函數(shù)庫(kù)。

目前共振稀疏分解中品質(zhì)因子的確定主要靠人工確定或者利用常規(guī)的遺傳算法確定，這樣確定的品質(zhì)因子所完成的機(jī)械故障特征的提取的準(zhǔn)確辨識(shí)效果較差，越來(lái)越難以滿足現(xiàn)今的生產(chǎn)要求。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于MPGA參數(shù)化共振稀疏分解的機(jī)械故障診斷方法，來(lái)提升機(jī)械故障特征提取的精度。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：根據(jù)軸承故障振動(dòng)信號(hào)特征構(gòu)建小波基函數(shù)庫(kù)，將優(yōu)化算法融入到共振稀疏分解方法中，通過(guò)優(yōu)化算法在共振稀疏分解中自適應(yīng)的獲得與故障振動(dòng)信號(hào)最佳匹配的參數(shù)，利用所獲得的參數(shù)對(duì)振動(dòng)信號(hào)進(jìn)行共振稀疏分解，然后將得到的低共振分量進(jìn)行包絡(luò)分析，進(jìn)而實(shí)現(xiàn)軸承故障特征的準(zhǔn)確提取。

進(jìn)一步的，本發(fā)明將多種群遺傳算法(MPGA)融入共振稀疏分解方法中，通過(guò)MPGA優(yōu)化算法在共振稀疏分解中自適應(yīng)地獲得與故障信號(hào)最佳匹配的品質(zhì)因子。除了MPGA優(yōu)化算法，本發(fā)明還可以選用粒子群優(yōu)化算法、狼群優(yōu)化算法等其他優(yōu)化算法。

進(jìn)一步的，本發(fā)明的具體步驟包括：

步驟1：采集軸承的振動(dòng)信號(hào)f；

步驟2：分別指定高、低品質(zhì)因子(Q_H、Q_L)的取值范圍、冗余度(R)、分解級(jí)數(shù)(J)、適應(yīng)度函數(shù)(K)等基本參數(shù)；

步驟3：指定多種群遺傳算法MPGA中隨機(jī)產(chǎn)生交叉、變異的概率范圍、最優(yōu)個(gè)體最大保持代數(shù)、種群個(gè)數(shù)MP及每個(gè)種群大小NIND等相關(guān)參數(shù)，并初始化MP個(gè)種群；

步驟4，根據(jù)種群初始化產(chǎn)生的高、低品質(zhì)因子Q_H、Q_L，利用品質(zhì)因子可調(diào)小波變換和分裂增廣拉格朗日搜索算法獲得低共振分量，將低共振分量代入適應(yīng)度函數(shù)K計(jì)算MP個(gè)種群中所有個(gè)體的適應(yīng)度值，其中K{i}為第i個(gè)種群的適應(yīng)度值；

步驟5，遺傳代數(shù)加1,通過(guò)選擇、交叉、變異、重組函數(shù)更新MP個(gè)種群，并計(jì)算所有子種群所有個(gè)體適應(yīng)度值；

步驟6，通過(guò)移民函數(shù)交換所有子種群最優(yōu)個(gè)體并利用人工選擇算子篩選出最優(yōu)種群的最優(yōu)個(gè)體；