[發(fā)明專利]一種回轉(zhuǎn)支承故障診斷方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110130106.3
• 申請(qǐng)日: 2021-01-29
• 公開（公告）號(hào): CN112945557A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 張沖;曾耀傳;鄭強(qiáng);吳曉梅;許競;顏朝友;黃美強(qiáng);鐘建華;林云樹
• 申請(qǐng)（專利權(quán)）人: 福建省特種設(shè)備檢驗(yàn)研究院
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06F17/15
• 代理公司: 廈門原創(chuàng)專利事務(wù)所(普通合伙) 35101
• 代理人: 劉劍鋒

1.一種回轉(zhuǎn)支承故障診斷方法，其特征在于，包括：

獲取回轉(zhuǎn)支承的振動(dòng)信號(hào)，將其設(shè)為原始信號(hào)；

通過EEMD法對(duì)原始信號(hào)進(jìn)行處理，然后經(jīng)分解獲得振動(dòng)信號(hào)的本征模態(tài)分量IMF，繼而對(duì)本征模態(tài)分量IMF進(jìn)行擇優(yōu)處理，得到最優(yōu)分量；

利用GWO算法以相關(guān)峭度為適應(yīng)度函數(shù)在最優(yōu)分量上進(jìn)行MCKD參數(shù)尋優(yōu)處理，獲得最佳參數(shù)組合；

將GWO算法尋優(yōu)處理獲得的最佳參數(shù)組合代入到最大相關(guān)峭度解卷積算法MCKD中對(duì)最優(yōu)分量進(jìn)行分析，得到降噪信號(hào)；

對(duì)降噪信號(hào)進(jìn)行包絡(luò)譜分析，將包絡(luò)譜中發(fā)現(xiàn)的故障特征頻率與理論故障特征頻率進(jìn)行對(duì)比分析，得出診斷結(jié)果。

2.如權(quán)利要求1所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，所述通過EEMD法對(duì)原始信號(hào)進(jìn)行處理和分解的方法為：

按照預(yù)設(shè)標(biāo)準(zhǔn)差和預(yù)設(shè)次數(shù)往原始信號(hào)中多次加入等幅值的高斯白噪聲并進(jìn)行EMD分解，然后對(duì)多次EMD分解后的IMF分量進(jìn)行平均，消除多次加入的高斯白噪聲。

3.如權(quán)利要求2所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，所述通過EEMD法對(duì)原始信號(hào)進(jìn)行處理和分解的具體方法包括如下步驟：

S21、設(shè)定加入高斯白噪聲的次數(shù)和高斯白噪聲的幅值；

S22、往原始信號(hào)x(t)中加入一組均勻的高斯白噪聲n_i(t)，產(chǎn)生新的信號(hào)，其數(shù)學(xué)模型如下：

x_i(t)＝x(t)+n_i(t)

其中，n_i(t)為第i次加入的高斯白噪聲，x_i(t)為第i次試驗(yàn)的帶噪信號(hào)，i＝1,2,…,N；

S23、對(duì)帶噪信號(hào)x_i(t)進(jìn)行EMD分解，得到若干個(gè)IMF和一個(gè)余項(xiàng)：

其中，c_i,j(t)為第i次試驗(yàn)的帶噪信號(hào)分解后的第j個(gè)IMF，r_i(t)為殘余函數(shù)；

S24、重復(fù)N次步驟S22和步驟S23，對(duì)得到的各IMF和余項(xiàng)取平均即為最終的IMF和余項(xiàng)：

其中，c_j(t)為EMD分解后的第j個(gè)IMF，r(t)為EMD分解后的余項(xiàng)。

4.如權(quán)利要求3所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，所述對(duì)IMF進(jìn)行擇優(yōu)處理的方法為：以相關(guān)系數(shù)、排列熵、方差貢獻(xiàn)率或峭度為指標(biāo)選擇一個(gè)本征模態(tài)分量IMF或多個(gè)IMF重構(gòu)作為最優(yōu)分量。

5.如權(quán)利要求3所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，步驟S21中，高斯白噪聲的加入次數(shù)為50或100，高斯白噪聲的幅值為0.01～0.4。

6.如權(quán)利要求1所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，所述利用GWO算法以相關(guān)峭度為適應(yīng)度函數(shù)在最優(yōu)分量上進(jìn)行MCKD參數(shù)尋優(yōu)處理的方法包括：

S31、初始化GWO算法，生成灰狼群位置；

S32、將灰狼群位置中各灰狼位置導(dǎo)入MCKD算法中進(jìn)行計(jì)算各灰狼適應(yīng)度函數(shù)值CK；

S33、對(duì)各灰狼適應(yīng)度函數(shù)值CK進(jìn)行對(duì)比評(píng)價(jià)；

S34、根據(jù)評(píng)價(jià)結(jié)果更新灰狼位置；

S35、判定迭代計(jì)算的次數(shù)，當(dāng)當(dāng)前計(jì)算的迭代次數(shù)小于預(yù)設(shè)最大迭代次數(shù)時(shí)，則將更新后的灰狼位置參數(shù)重新返回到步驟S32中進(jìn)行按步驟處理，當(dāng)當(dāng)前計(jì)算的迭代次數(shù)大于預(yù)設(shè)最大迭代次數(shù)時(shí)，則將更新后的灰狼位置參數(shù)輸出，獲得最佳參數(shù)組合。

7.如權(quán)利要求1所述的回轉(zhuǎn)支承故障診斷方法，其特征在于，所述獲取振動(dòng)信號(hào)的采樣時(shí)間長度大于回轉(zhuǎn)支承旋轉(zhuǎn)一周的耗時(shí)，每次采樣的采樣頻率為400Hz。