[發明專利]基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法

在審

• 申請號: 202310195218.6
• 申請日: 2023-03-01
• 公開（公告）號: CN116186586A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 任海軍;譚志強;丁顯飛;羅亮;謝攀;閆通;董治強;李直珉
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G01M13/045;G06F18/213;G06F18/2135;G06F18/25;G06N3/047;G06N3/084;G06N3/088;G06N3/006
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 李金蓉

1.基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法，其特征在于，包括以下步驟：

采用改進的經驗模態分解算法對原始軸承信號進行分解降噪，獲得重構信號；

特征提取，分別提取重構信號的時域、頻域、小波域以及各IMF分量的能量矩特征，并使用主成分分析消除各域特征的量綱差異，構建多域融合特征集；

使用灰狼優化算法優化深度置信網絡的學習率，將多域融合特征集輸入到優化后的深度置信網絡中進行二次挖掘，并利用最大標準化softmax完成故障分類。

2.根據權利要求1所述基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法，其特征在于：所述改進的經驗模態分解算法，設置了一個閾值，根據皮爾遜相關系數將IMF分量劃分成主故障IMF分量、次故障IMF分量以及噪聲IMF分量，在保證主故障IMF分量權重的基礎上，將相關系數映射到以e為底的指數域中，根據權重規則，對信號進行重構。

3.根據權利要求1或2所述基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法，其特征在于：所述改進的經驗模態分解算法具體包括以下步驟：

步驟1：計算軸承振動信號x(t)的上、下極值點，分別作出上包絡線、下包絡線并求取均值包絡線m₁(t)，則殘余分量表示為：

h₁(t)＝x(t)-m₁(t)

步驟2：若h₁(t)不滿足本征模態函數，則將h₁(t)作為待分解信號，重復步驟1，直到殘余分量h_k(t)滿足本征模態函數；

步驟3：令第一個本征模態函數為c₁，則剩余項r₁(t)＝x(t)-c₁，將r₁(t)作為待分解信號，重復步驟1；當剩余項r_n(t)小于給定值或成為單調函數時，則結束分解，x(t)分解成為：

式中，c_i為第i個本征模態分量；

步驟4：采用皮爾遜相關系數定量的計算第i個本征模態函數分量與原始數據的相關程度ρ_i：

式中，T為振動信號的樣本點數，為若干個本征模態函數的均值，為被測信號的均值，c(t)為第t個本征模態函數；

步驟5：設置閾值ρ_m，將IMF分量劃分成三組——主故障IMF分量，次故障IMF分量以及噪聲IMF分量，主故障IMF分量是指相關系數最大的IMF分量，噪聲IMF分量是指相關系數小于設定閾值的IMF分量，其余的IMF分量為次故障IMF分量；

步驟6：將主故障IMF分量的權重設置為1，舍棄噪聲IMF分量，將其權重置為0；將相關系數映射到以e為底的指數域中，則第i個IMF分量所對應的權重w_i可表示為：

e^ρ為將相關系數映射到以e為底的指數域中；

則重構信號表示為：

式中，n為IMF分量的個數。

4.根據權利要求1所述基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法，其特征在于：所述特征提取包括：

步驟1：提取皮爾遜相關系數最大的前N個IMF分量的能量矩：

式中，Δt為采樣周期，k為采樣點，n為總的樣本點數；

步驟2：提取重構信號的峭度指標，波形指標和裕度指標；

步驟3：對重構信號進行FFT變換，獲取信號的頻譜；

步驟4：將重構信號進行三層小波包分解，再提取8個分量的小波系數進行奇異值分解，獲取小波域的奇異譜。

5.根據權利要求1所述基于改進經驗模態分解算法與優化深度置信網絡的滾動軸承故障診斷方法，其特征在于：所述最大標準化softmax如下式所示：

式中，softmax_j(x)是指softmax分類器在第j個神經元的輸出，x_j是指softmax分類器在第j個神經元的輸入，x為輸入向量。