[發明專利]基于LMD及改進PSO優化BP神經網絡的軸承故障診斷方法

在審

• 申請號: 202010793225.2
• 申請日: 2020-08-08
• 公開（公告）號: CN112014108A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 石海明;高明亮;于闖;高珊
• 申請（專利權）人: 中車長春軌道客車股份有限公司
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/00;G06K9/46;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 長春眾益專利商標事務所(普通合伙) 22211
• 代理人: 余巖

一種基于LMD及改進PSO優化BP神經網絡的軸承故障診斷方法，本發明的技術方案將原振動信號通過LMD分解為若干個PF分量，根據每個PF分量的方差貢獻率的大小來選取有用的PF分量，并對其進行取能量熵處理來進行降噪，并結合時域特征(峭度、均方根、脈沖因子)，組成振動信號的特征參數，將特征參數作為改進PSO_BP算法的輸入樣本，并將對應的故障狀態作標簽，進行訓練與測試，實現故障分類。通過LMD與改進PSO_BP結合的方法提高了對軸承故障診斷的準確性，保證動車組平穩安全的運行。

技術領域

本申請屬于機械部件故障診斷技術領域，尤其是涉及一種軌道車輛軸承裂紋、疲勞剝離等故障的診斷方法。

背景技術

截止2019底，中國共有動車組3616標準組、28927輛，而每輛車有8個軸箱軸承，4個齒輪箱軸承以及2個電機軸承(分別為電機驅動端和非驅動端)。我國動車組分布在全國各地，而每個地方的氣候環境多變，作為輪軌模式軌道交通車輛的軸箱、齒輪箱以及電機的服役環境復雜，在運行過程中車輛有可能根據不同原因導致軸承在內圈、外圈、滾動體上產生裂紋、疲勞剝離等故障。因此，對其進行故障診斷和及時的監測可為列車的正常運行提供安全的保障。

機械設備中測量得到的滾動軸承振動信號大多是包含有噪聲的調幅-調頻信號，其故障特征往往會淹沒于噪聲之中。經驗模態分解(Empirical Mode Decomposition，EMD)技術在故障特征提取方面得到了大量的運用，但是通過EMD得到的模態分量存在模態混疊、端點效應，如果噪聲過于復雜往往不能得到很好的效果。BP網絡運行速度很快，對于實時處理的一些問題也有較高的準確率。但是它存在的問題也很明顯，例如在收斂速度方面比較慢，而且也比較容易陷入局部最小值的尷尬局面。

發明內容

本發明的目的就是為了克服EMD存在的模態混疊、端點效應的不足，并通過神經網絡來提高軸承故障模式診斷的準確率，從而提供一種基于LMD和改進PSO優化BP神經網絡的軸承故障診斷方法。

為實現上述發明目的，本發明提供一種基于LMD及改進PSO優化BP神經網絡的軸承故障診斷方法，其特征在于包括下列步驟：

1、獲取原始軸承的振動信號，進行降噪處理；

2、對降噪信號進行LMD分解，計算方差貢獻率在99％的PF分量，并計算其能量熵，結合時域特征組成改進PSO_BP的輸入向量；

3、將輸入向量輸入到改進PSO_BP的神經網絡中進行訓練，并將測試數據輸入到訓練好的模型中，得到輸出故障分類參數；

4、對輸出參數進行結果分析。

進一步地，改進PSO_BP算法的實現步驟如下：

①確定適應度閾值ω、最大允許迭代步數G_max、c1＝c2＝1.495、搜索范圍[-x_max,x_max]、最大速度v_max，并根據網絡規格確定粒子數；

②根據粒子組的大小，隨機產生有限個體x_i組成整個群體，其中不同的個體在一組神經網絡中具有不同的權值；

③計算各粒子的適應度值；

④比較適應度，確定每個粒子的當前最好適應度L_best及全局最好適應度P_best并確定慣性權重w；

⑤若P_bestw或運行次數大于G_max，則停止，該粒子的位子即為所求；