[發(fā)明專利]基于參數(shù)自適應(yīng)特征模態(tài)分解故障診斷方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210571899.7
• 申請日: 2022-05-24
• 公開（公告）號: CN114742111B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 鄢小安;姜東;謝超;劉英
• 申請（專利權(quán)）人: 南京林業(yè)大學(xué)
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/10;G06N3/006
• 代理公司: 北京智行陽光知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11738
• 代理人: 楊效忠

本發(fā)明公開了一種基于參數(shù)自適應(yīng)特征模態(tài)分解故障診斷方法和系統(tǒng)，故障診斷方法包括如下步驟：采集機(jī)械設(shè)備的故障振動信號；基于最大信號循環(huán)峭噪比的群智能優(yōu)化方法自動地確定特征模態(tài)分解的模態(tài)個數(shù)和濾波器長度，并采用參數(shù)優(yōu)化的特征模態(tài)分解將采集的振動信號劃分為一系列模態(tài)分量；計算各模態(tài)分量的平方包絡(luò)譜特征能量比，并選取具有最大平方包絡(luò)譜特征能量比的模態(tài)分量作為主模態(tài)分量；通過從主模態(tài)分量的平方包絡(luò)譜中提取故障特征頻率，實(shí)現(xiàn)機(jī)械故障識別。該診斷方法繼承了特征模態(tài)分解強(qiáng)魯棒性和高運(yùn)算效率的優(yōu)點(diǎn)，能夠從強(qiáng)噪聲背景下提取出有用的周期性故障特征信息，實(shí)現(xiàn)設(shè)備故障的高效檢測。

技術(shù)領(lǐng)域

本發(fā)明涉及振動信號處理與故障診斷領(lǐng)域，尤其涉及一種基于參數(shù)自適應(yīng)特征模態(tài)分解故障診斷方法和系統(tǒng)。

背景技術(shù)

許多高端裝備(如風(fēng)力發(fā)電機(jī)、航空發(fā)動機(jī)、高速列車、石油化工泵和工業(yè)機(jī)器人等)在工業(yè)生產(chǎn)中扮演著越來越重要的角色。然而，這些設(shè)備通常在變速、變載等復(fù)雜條件下運(yùn)行，使得機(jī)器容易出現(xiàn)各種故障(如點(diǎn)蝕、磨損、打膠、斷裂、塑性變形等)，從而導(dǎo)致設(shè)備停機(jī)，給企業(yè)帶來巨大經(jīng)濟(jì)損失，甚至威脅技術(shù)人員的安全。因此，探索有效的故障檢測技術(shù)對保障機(jī)械設(shè)備安全穩(wěn)定運(yùn)行具有重要意義。

近年來，振動信號處理與分析作為一種切實(shí)可行的手段，在機(jī)械故障診斷領(lǐng)域已得到了廣泛地應(yīng)用，并取得了豐富的成果，如小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解、局部均值分解和變分模態(tài)分解等。然而，以上代表性算法均存在一定不足。比如，小波分解需要選取合適的小波基函數(shù)。經(jīng)驗(yàn)?zāi)B(tài)分解和局部均值分解具有明顯的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象。變分模態(tài)分解必須人工輸入懲罰因子和模態(tài)個數(shù)，因此不具備參數(shù)自適應(yīng)性。相比上述代表性算法，特征模式分解作為一種新型的振動信號處理方法，它具有更好的魯棒性。然而，與變分模態(tài)分解一樣，特征模式分解也不具備參數(shù)自適應(yīng)性，需要提前人工設(shè)定兩個重要參數(shù)(即模態(tài)個數(shù)和濾波器長度)。因此，為了解決特征模式分解依賴人為經(jīng)驗(yàn)設(shè)定參數(shù)而不具有參數(shù)自適應(yīng)性的問題，本發(fā)明公開了一種基于參數(shù)自適應(yīng)特征模態(tài)分解的機(jī)械故障診斷方法，能夠自適應(yīng)選取特征模式分解的模態(tài)個數(shù)和濾波器長度，實(shí)現(xiàn)強(qiáng)噪聲環(huán)境下機(jī)械故障類型的自動識別。

發(fā)明內(nèi)容

本方案針對上文提出的問題和需求，提出一種基于參數(shù)自適應(yīng)特征模態(tài)分解故障診斷方法，由于采取了如下技術(shù)特征而能夠?qū)崿F(xiàn)上述技術(shù)目的，并帶來其他多項(xiàng)技術(shù)效果。

本發(fā)明的一個目的在于提出一種基于參數(shù)自適應(yīng)特征模態(tài)分解故障診斷方法，其特征在于，包括如下步驟：

S10：采集機(jī)械設(shè)備的故障振動信號X(n)，n為信號的采樣點(diǎn)數(shù)；

S20：基于最大信號循環(huán)峭噪比的群智能優(yōu)化方法自動地確定特征模態(tài)分解的模態(tài)個數(shù)和濾波器長度，并采用參數(shù)優(yōu)化的特征模態(tài)分解將采集的振動信號劃分為一系列模態(tài)分量；

S30：計算各模態(tài)分量的平方包絡(luò)譜特征能量比，并選取具有最大平方包絡(luò)譜特征能量比的模態(tài)分量作為主模態(tài)分量；

S40：通過從主模態(tài)分量的平方包絡(luò)譜中提取故障特征頻率，實(shí)現(xiàn)機(jī)械故障識別。

在本發(fā)明的一個示例中，在步驟S20中，所述基于最大信號循環(huán)峭噪比的群智能優(yōu)化方法包括如下步驟：

S201：設(shè)置最大迭代次數(shù)Ni，通過公式Pos＝initialization(Np,d,ub,lb)初始化種群；

式中，Np為種群個數(shù)，d為目標(biāo)維度，ub和lb分別為組合優(yōu)化參數(shù)的上界和下界，initialization(·)為MATLAB群智能優(yōu)化算法工具包中的初始化算子；

S202：建立參數(shù)優(yōu)化的目標(biāo)函數(shù)；

將最大信號循環(huán)峭噪比作為參數(shù)優(yōu)化的目標(biāo)函數(shù)，其表達(dá)式為：