基于参数自适应VMD的机械故障诊断方法技术

本发明专利技术涉及机械振动信号处理与故障诊断领域，公开了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。本发明专利技术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，然后利用最佳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。本发明专利技术适用于机械故障诊断。

Mechanical fault diagnosis method based on parameter adaptive VMD

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，然后利用最佳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。进一步的，本专利技术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。除了遗传算法，还可以通过粒子群优化算法(PSO)或者灰狼优化算法(WOA)自适应获得与待分析信号最佳匹配的VMD分解参数。进一步的，本专利技术实现信号的最佳VMD分解的具体步骤包括：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。具体的，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。具体的，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。具体的，步骤3中，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；表示括号中的式子对t求导；δ(t)为狄拉克函数；uk为VMD分解后的分量信号，k为大于1的整数；wk为分量信号中心频率；j为虚数符号；α为分量频率带宽控制参数，用于保证高斯噪声下信号的重建精度；λ为拉格朗日乘数，其增广拉格朗日方程如式(2)所示：可见，方程(2)的鞍点对应方程(1)的解，可利用乘子交替迭代法进行求解。进一步的，利用乘子交替迭代法求解方程(2)的鞍点(对应方程(1)的解)的具体步骤包括：首先，预先指定分解分量个数，并初始化分量的频率，得到初始分量频率与对应的初始中心频率以及初始拉格朗日乘数然后，根据方程(3)和(4)分别更新分量频率与中心频率；其中，n为当前迭代次数；并在每次更新得到对应的分量信号及其中心频率后，根据方程(5)更新拉格朗日乘数：其中，τ为拉格朗日乘数的更新参数。然后，判断迭代更新后的分量频率是否满足收敛方程(6)的条件，若不满足，则继续迭代更新，若满足，则迭代结束，进而得到VMD分解后的分量信号。其中，ε为收敛准则容差值。具体的，加权峭度指标(KCI)按下列式子进行计算：KCI＝KI·|C|式中，KCI为加权峭度指标值，KI为信号序列y(m)的峭度值，n>0取整数；C为信号r与信号s的相关系数；M为信号序列y(m)的长度，E[·]表示数学期望符号。进一步的，所述进而实现机械故障特征提取与故障诊断的具体步骤包括：A.利用步骤6所获得的最佳匹配的VMD分解参数，对原始振动信号进行VMD分解，得到多个分量信号，并计算各分量信号的加权峭度指标值；B：选择步骤7中具有最大加权峭度指标值的分量信号即为含故障特征信息最多的分量信号，将其作为敏感分量；C：对敏感分量进行包络分析，得到包络谱；D：根据敏感分量的包络谱，辨别故障类型。本专利技术的有益效果是：由于本专利技术可以根据待分析信号特征自适应地选取最佳VMD分解参数，有效解决了VMD方法在分析实际信号时分解参数难以选择的问题。因此，相较于预先指定参数VMD方法，其信号检测能力更强，能提供更加准确的分析结果，实现机械故障的精确诊断，为设备安全稳定运行提供可靠依据。附图说明图1为实施例的流程图；图2为实施例中的原始振动信号时域波形与包络谱；图3为实施例中的VMD参数优化的遗传算法收敛曲线；图4为实施例中的最佳分解参数(k＝2，α＝9000)VMD对信号分解的分量信号及分量信号KCI值；图5为实施例中的敏感分量(分量1)的包络谱；图6为预先指定分解参数(k＝4，α＝2000)VMD对信号分解的分量信号；图7为预先指定参数VMD分解分量信号的包络谱。具体实施方式本专利技术利用加权峭度指标(KCI)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，利用最佳匹配的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。由于加权峭度指标综合考虑了模态分量的特性及模态分量与原始信号的相关性，将其作为优化目标函数能有效避免信息遗漏问题，从而提高VMD方法在机械故障诊断中的信号检测能力，实现机械故障的准确诊断。实施例提供了一种机械故障诊断方法，工作流程如图1所示，具体步骤如下：步骤1：通过加速度传感器获取监测对象的原始振动信号x(t)。步骤2：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；初始化优化算法，本例中优化算法选用常见的遗传算法，因此初始化优化算法包括：初始化种群个数p和最大迭代次数L。在具体应用的时候，也可以选择其他优化算法，例如粒子群优化算法(PSO)、灰狼优化算法(WOA)。步骤3：在设定参数范围内，对监测对象的振动信号进行VMD分解，得到多个分量信号。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；表示括号中的式子对t求导；δ(t)为狄拉克函数；uk为VMD分解后的分量信号，k为大于1的整数；wk为分量信号中心频率；j为虚数符号；α为分量频率带宽控制参数，用于保证高斯噪声下信号的重建精度，λ为拉格朗日乘数，其增广拉格朗日方程如式(2)所示：可见，方程(2)的鞍点对应方程(1)的解，可利用乘子交替迭代法进行求解。进一步的，利用乘子交替迭代法求解方程(2)的鞍点(对应本文档来自技高网...

【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