[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

本發明公開了一種基于CEEMD能量熵和優化PNN的軸承故障診斷方法,包括：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軸承振動信號進行分解處理，獲得本征模態分量；S3、計算本征模態分量和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，將特征向量矩陣輸入概率神經網絡模型，訓練優化概率神經網絡模型，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，完成故障識別和分類。

技術領域

本發明屬于故障診斷技術領域，尤其涉及一種基于CEEMD能量熵和優化PNN的軸承故障診斷方法。

背景技術

軸承作為機械設備的重要基礎部件，常常在重載、沖擊、變速等復雜工況下運行，容易發生滾動體變形、磨損、腐蝕等形式的故障。軸承故障將會嚴重影響機械設備的正常運行，甚至引發安全事故。因此實現及時、準確和可靠的軸承狀態檢測和故障診斷對于保障機械設備的性能效率、使用壽命及安全運行具有重要的意義。

由于機械系統振動耦合及復雜環境影響，振動信號具有非線性、非平穩的特點，常規的基于時域、頻域或時頻域原理的信號處理方法難以處理。經驗模態分解(EMD)作為分析非線性、非穩態信號的重要方法，可以將信號自適應地分解成一系列不同時間尺度下的本征模態分量(IMF)，但存在模態混疊的問題，降低了信號分解精度。為了改善EMD的缺陷，集合經驗模態分解(EEMD)方法通過在原始信號中加入不同幅值的高斯白噪聲來改變信號中極值點的分布狀態，能夠有效解決模態混疊問題，但EEMD需要依靠不斷增加運算次數來消除添加高斯白噪聲對分解結果的影響，明顯存在計算效率低下和重建誤差較大的缺點。變分模態分解(VMD)方法作為一種非遞歸信號分解方法具有完備的數學基礎，能夠在改善模態混疊的基礎上實現較好的信號分解效果，但存在分解個數和懲罰因子等參數選取困難的問題。當前，信息熵作為信號或系統不確定程度的度量，能夠反映軸承在不同故障狀態下的振動特征，能量熵作為信息熵的一種特征提取方法，可以從能量變化的角度有效表征信號特征的變化。在故障診斷領域中，概率神經網絡(PNN)比其他人工智能方法具有計算過程簡單和收斂速度快的優勢，同時對個別異常數據具有極高的穩定性和容錯性。平滑因子作為PNN中唯一的輸入參數，直接影響PNN的識別診斷性能。但PNN平滑因子的選取往往依靠人工經驗，缺乏自適應性，而利用常規優化方法如遺傳算法(GA)、粒子群優化(PSO)算法等存在易陷入局部最優和收斂速度過慢等缺點。麻雀搜索算法(SSA)是2020年提出的一種新型群體智能優化算法，與傳統智能優化算法相比，該算法在搜索精度、收斂速度和穩定性等方面具有優越性，但由于SSA在種群在初始化時難以保證足夠的隨機性以及邊緣搜索機制不夠穩定等問題，仍然可能出現不能跳出局部最優而無法實現全局最優的情況。

發明內容

本發明的目的在于提出一種基于CEEMD能量熵和優化PNN的軸承故障診斷方法，提高軸承振動信號的特征提取精度和故障診斷的準確性。

為實現上述目的，本發明提供了一種基于CEEMD能量熵和優化PNN的軸承故障診斷方法，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；