[發明專利]基于CEEMD能量熵和優化PNN的軸承故障診斷方法

有效

• 申請號: 202210655047.6
• 申請日: 2022-06-10
• 公開（公告）號: CN115060497B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 肖悅;王振希;張伯君;沈薇;曾志清;鄧子洋;謝祖荃;林超;苑志剛;朱寶樂
• 申請（專利權）人: 南昌工程學院
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06F18/10;G06F18/213;G06F18/24;G06N3/047;G06N3/006;G06N3/08
• 代理公司: 北京東方盛凡知識產權代理有限公司 11562
• 代理人: 菅士騰

1.一種基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，包括以下步驟：

S1、采集不同故障狀態下的軸承振動信號；

S2、采用互補集合經驗模態分解算法將所述軸承振動信號進行分解處理，獲得本征模態分量；

S3、計算所述本征模態分量和所述軸承振動信號數據的相關系數并進行篩選處理，獲得有效本征模態分量；

S4、提取所述有效本征模態分量的能量熵，組成特征向量矩陣；

S5、構建概率神經網絡模型，將所述特征向量矩陣輸入所述概率神經網絡模型，訓練優化所述概率神經網絡模型，獲得概率神經網絡軸承故障診斷模型；

S6、將所述特征向量矩陣輸入所述概率神經網絡軸承故障診斷模型，構建由改進麻雀搜索算法優化的概率神經網絡故障診斷模型，完成改進麻雀搜索算法優化概率神經網絡故障識別和分類；獲得改進麻雀搜索算法優化概率神經網絡軸承故障診斷模型的方法包括：利用改進的Logistic混沌映射隨機性、遍歷性的特點，優化麻雀種群的初始化條件；計算每個麻雀適應度值并進行排序，選出當前最優適應度和其對應位置，以及最差適應度值和其對應位置；經過一次迭代完成后，重新計算每只麻雀的適應度值，根據麻雀種群當前的狀態，更新整個種群的最優位置和其適應度，以及最差位置和最差位置的適應度；還包括引入t分布策略，解的最優位置使用擾動算子得到新解，計算原來種群和新變異種群的個體適應度值，分別確定變異前后兩個種群的最優解，記錄相應位置。

2.如權利要求1所述的基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，所述S2中采用互補集合經驗模態分解算法將所述軸承振動信號進行分解處理，獲得本征模態分量的方法包括：

S2.1、設置高斯白噪聲組數，利用隨機函數獲得高斯白噪聲；

S2.2、在所述軸承振動信號中添加一對符號相反、幅值相等的高斯白噪聲，得到兩串新的軸承振動信號；

S2.3、對所述兩串新的軸承振動信號分別進行經驗模態分解，得到兩組本征模態分量；

S2.4、計算次數以1為單位迭代重復所述S2.2和所述S2.3，直到計算次數為所述高斯白噪聲組數；

S2.5、分解高斯白噪聲組數次后，將所有本征模態分量的集成平均值，獲得本征模態分量。

3.如權利要求2所述的基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，所述S3中獲得有效本征模態分量的方法包括：

將所述本征模態分量進行排列，通過計算所述本征模態分量與所述軸承振動信號數據的相關系數，篩選出所述有效本征模態分量。

4.如權利要求3所述的基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，所述S4中提取所述有效本征模態分量的能量熵，組成特征向量矩陣的方法包括：

基于篩選后的所述有效本征模態分量，獲取所述有效本征模態分量的總能量，計算各有效本征模態分量的能量占總能量的比例，獲得各有效本征模態分量的能量熵，提取軸承不同故障狀態的振動信號的有效本征模態分量的能量熵，組成軸承故障特征向量矩陣。

5.如權利要求1所述的基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，所述S5中構建概率神經網絡模型包括：

所述概率神經網絡模型包括輸入層、模式層、求和層和輸出層；

所述輸入層接收所述軸承振動信號，所述特征向量矩陣中的特征向量與所述有效本征模態分量的能量熵相對應；

所述模式層計算輸入所述特征向量與所述軸承振動信號匹配，獲取神經元數量，所述模式層通過連接權重連接所述輸入層；

所述求和層中的神經元數量與模式層的總數相同，所述求和層中的神經元與所述模式層中相應的神經元連接；

所述輸出層由與所述求和層中數量相同的競爭神經元組成。

6.如權利要求1所述的基于CEEMD能量熵和優化PNN的軸承故障診斷方法，其特征在于，構建由改進麻雀搜索算法優化的概率神經網絡故障診斷模型包括：采用改進的麻雀搜索算法對概率神經網絡的平滑因子進行優化，獲得最優化的平滑因子輸入到概率神經網絡模型，構建由改進麻雀搜索算法優化的概率神經網絡故障診斷模型。