The invention relates to the field of mechanical vibration signal processing and fault diagnosis, and discloses a mechanical fault diagnosis method based on parameter adaptive VMD to improve the signal detection ability of the VMD method in fault diagnosis and realize the accurate diagnosis of mechanical faults. The method uses the weighted kurtosis index as the fitness function, adaptively obtains the VMD decomposition parameters which are best matched with the signal to be analyzed by the optimization algorithm, and then decomposes the original vibration signal by the optimal VMD decomposition parameters, thereby realizing the mechanical fault feature extraction and fault diagnosis. The invention is suitable for mechanical fault diagnosis.
【技术实现步骤摘要】
基于参数自适应VMD的机械故障诊断方法
本专利技术涉及机械振动信号处理与故障诊断领域,特别涉及基于参数自适应VMD的机械故障诊断方法。
技术介绍
关键机械装备一旦发生故障,将带来巨大的经济损失甚至人员伤亡,国内外因为机械设备失效而导致的重大事故屡有发生。若能在装备运行过程中及时发现故障,对装备安全运行,避免经济损失及灾难性事故具有重大的意义。机械故障诊断一项艰巨任务就是如何从复杂的监测信号中提取到有用的故障特征信息,近年来在工业界及学术界引起了广泛的关注。变分模态分解(VMD)方法是美国加州大学洛杉矶分校学者Dragomiretskiy与Zosso于2014年提出的一种信号自适应分解方法,作为一种改进经验模式分解方法,VMD具有坚实的数学理论基础,噪声鲁棒性和信号分离性能也得到了极大提高。然而,VMD方法的分解参数(模态分量个数和模态分量频率带宽控制参数)对其分解结果具有显著的影响。目前在机械故障领域,大部分研究中VMD分解参数都是事先指定,难以取得满意的分析结果。虽然少数学者提出利用包络熵作为适应度函数对VMD分解参数进行优化,但是所采用的包络熵仅考虑了分解模态分量的特性,没有考虑模态分量与原始信号的相关性,易造成信息遗漏问题。
技术实现思路
本专利技术要解决的技术问题是:提供一种基于参数自适应VMD的机械故障诊断方法,以提高VMD方法在故障诊断中的信号检测能力,实现机械故障的准确诊断。为实现上述目的,本专利技术采用的技术方案是:基于参数自适应VMD的机械故障诊断方法,利用加权峭度指标作为适应度函数,通过优化算法自适应获得与待分析信号最佳匹配的VMD分解参数 ...
【技术保护点】
1.基于参数自适应VMD的机械故障诊断方法,其特征在于,利用加权峭度指标作为适应度函数,通过优化算法自适应获得与待分析信号最佳匹配的VMD分解参数,利用最佳VMD分解参数对原始振动信号进行VMD分解,进而实现机械故障特征提取与故障诊断。
【技术特征摘要】
1.基于参数自适应VMD的机械故障诊断方法,其特征在于,利用加权峭度指标作为适应度函数,通过优化算法自适应获得与待分析信号最佳匹配的VMD分解参数,利用最佳VMD分解参数对原始振动信号进行VMD分解,进而实现机械故障特征提取与故障诊断。2.如权利要求1所述的基于参数自适应VMD的机械故障诊断方法,其特征在于,通过遗传算法自适应获得与待分析信号最佳匹配的VMD分解参数。3.如权利要求2所述的基于参数自适应VMD的机械故障诊断方法,其特征在于,通过遗传算法自适应获得与待分析信号最佳匹配的VMD分解参数的具体步骤包括:步骤1:获取监测对象的原始振动信号;步骤2:设定VMD分解参数范围,初始化遗传算法;步骤3:在设定的VMD参数范围内,对监测对象的振动信号进行VMD分解,得到多个分量信号;步骤4:计算各分量信号的加权峭度指标值;步骤5:判断遗传算法的当前迭代次数l是否大于等于预先设定的最大迭代次数L,若是,则进入步骤6,否则令l=l+1,并返回步骤3;步骤6:保存分量信号中加权峭度指标取得最大值时的分解参数,即为最佳VMD分解参数。4.如权利要求3所述的基于参数自适应VMD的机械故障诊断方法,其特征在于,步骤1中,通过加速度传感器获取监测对象的原始振动信号。5.如权利要求3所述的基于参数自适应VMD的机械故障诊断方法,其特征在于,步骤2中,设定VMD分解参数范围包括:设定分解模态分量个数k和模态分量频率带宽控制参数α;初始化遗传算法包括:初始化种群个数p和最大迭代次数L。6.如权利要求3所述的基于参数自适应VMD的机械故障诊断方法,其特征在于,VMD的分解过程可看作方程(1)所描述的约束变分问题的构造与求解:其中,x(t)为输入信号;t表示时间;符号表示括号中的式子对t求导;δ(t)为狄拉克函数;uk为VMD分解后...
【专利技术属性】
技术研发人员:苗强,张新,刘慧宇,曾小飞,莫贞凌,王剑宇,王磊,张恒,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。