[發(fā)明專利]基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011413641.1
• 申請(qǐng)日: 2020-12-03
• 公開(kāi)（公告）號(hào): CN112686096A
• 公開(kāi)（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 李亞;關(guān)曉艷
• 申請(qǐng)（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G01M13/045
• 代理公司: 昆明人從眾知識(shí)產(chǎn)權(quán)代理有限公司 53204
• 代理人: 何嬌

1.基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法，其特征在于：首先，采用最大相關(guān)峭度解卷積對(duì)采集到的軸承原始振動(dòng)信號(hào)進(jìn)行降噪處理，用于增強(qiáng)信號(hào)的故障特征；其次，利用變分模態(tài)分解方法對(duì)降噪后的信號(hào)進(jìn)行分解，得到一系列的本征模態(tài)函數(shù)；再次，計(jì)算每個(gè)本征模態(tài)函數(shù)的多尺度散布熵值，構(gòu)成故障特征向量；最后，采用訓(xùn)練好的變量預(yù)測(cè)模型分類器進(jìn)行故障識(shí)別和分類。

2.根據(jù)權(quán)利要求1所述的基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法，其特征在于：所述方法的具體步驟如下：

Step1、采集滾動(dòng)軸承4種狀態(tài)下的振動(dòng)信號(hào)，4種狀態(tài)分別為正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障；

Step2、采用最大相關(guān)峭度解卷積對(duì)采集到的滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行降噪處理；

Step3、利用變分模態(tài)分解方法對(duì)降噪后的信號(hào)進(jìn)行分解，得到K個(gè)本征模態(tài)函數(shù)；

Step4、對(duì)步驟Step3所分解的K個(gè)本征模態(tài)函數(shù)計(jì)算多尺度散布熵的值，構(gòu)成故障特征向量；

Step5、將步驟Step4中的故障特征向量輸入到變量預(yù)測(cè)模型中進(jìn)行訓(xùn)練，使所有故障類別下的所有特征值都分別建立預(yù)測(cè)模型時(shí)，代表故障的不同的類別，g表示類別個(gè)數(shù)，i＝1,2,…,p時(shí)，代表不同的特征參數(shù)，p表示特征參數(shù)個(gè)數(shù)，按照步驟Step4，得到測(cè)試樣本的故障特征向量，利用建立好的預(yù)測(cè)模型確定軸承的工作狀態(tài)和故障類型。

3.根據(jù)權(quán)利要求2所述的基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法，其特征在于：所述步驟Step2采用最大相關(guān)峭度解卷積對(duì)采集到的滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行降噪處理，具體包括如下步驟：

首先求出最大相關(guān)峭度，目標(biāo)函數(shù)表達(dá)式如下：

式中：f＝[f₁,f₂,…,f_L]^T為長(zhǎng)度為L(zhǎng)的濾波器系數(shù)，M為位移數(shù)，m＝0,1,…,M，T為信號(hào)的周期，N為采樣點(diǎn)數(shù)，n＝0,1,…,N，y_n為濾波后的信號(hào)，且n≠1,2,…,N時(shí)，y_n＝0；

為了得到使CK_M(T)取最大值的濾波器，令

求得的濾波器系數(shù)的結(jié)果以及矩陣的表示形式如下：

其中，y＝f*x，x為采集的振動(dòng)信號(hào)，x_n-k+1為第n-k+1個(gè)采樣點(diǎn)采集到的振動(dòng)信號(hào)；

其中，

4.根據(jù)權(quán)利要求2所述的基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法，其特征在于：所述步驟Step 3的具體包括如下步驟：

變分模型的構(gòu)造函數(shù)表達(dá)式如下所示：

式中，{u_k}＝{u₁,u₂,…,u_k}為分解得到的k個(gè)模態(tài)函數(shù)，{ω_k}＝{ω₁,ω₂,…,ω_k}為各模態(tài)中心頻率，k＝1,2,…,K，為對(duì)函數(shù)求時(shí)間t的偏導(dǎo)數(shù)，δ(t)為單位脈沖函數(shù)，j為虛數(shù)單位，ω_k為u_k(t)的中心頻率，*為卷積，u_k(t)為調(diào)頻-調(diào)幅的模態(tài)函數(shù)，f(t)為輸入信號(hào)；

求上式的約束變分問(wèn)題轉(zhuǎn)化為非約束變分問(wèn)題，需要引入增廣拉格朗日函數(shù)，其函數(shù)表達(dá)式為:

式中：α為二次懲罰因子，λ(t)為拉格朗日乘子；

為求解變分問(wèn)題的最優(yōu)解，需要通過(guò)交替乘子方向法更新λⁿ⁺¹，尋求增廣拉格朗日表達(dá)式的鞍點(diǎn)，交替尋優(yōu)迭代后的表達(dá)式如下：

式中：為頻域狀態(tài)的模態(tài)函數(shù)，為頻域狀態(tài)的拉格朗日乘子；

給定判別精度e＞0，若則停止迭代。

5.根據(jù)權(quán)利要求2所述的基于多尺度散布熵和VPMCD的滾動(dòng)軸承故障診斷方法，其特征在于：所述步驟Step 4對(duì)步驟Step3所分解的K個(gè)本征模態(tài)函數(shù)計(jì)算多尺度散布熵的值，具體包括如下步驟：

對(duì)于初始信號(hào)的時(shí)間序列{u(i),i＝1,2,3,…,Q}，對(duì)該序列進(jìn)行復(fù)合粗?；幚?，在設(shè)定尺度因子τ下的第k個(gè)粗粒化序列為序列的具體計(jì)算公式如下：

式中，為粗粒化序列中的第j個(gè)元素，u(i)為信號(hào)中第i個(gè)信號(hào)，Q為信號(hào)的長(zhǎng)度，τ為尺度因子；

在各個(gè)尺度因子τ下，根據(jù)散布熵原理計(jì)算各個(gè)粗?；蛄械纳⒉检貏t將多尺度散布熵定義為：

式中：X_i為第i段信號(hào)，m₁為嵌入維數(shù)，c為類別個(gè)數(shù)，d為時(shí)延。