变分模态分解的变参信息融合方法技术

本发明专利技术涉及一种变分模态分解的变参信息融合方法，包括：取分解模态个数K＝1，设定带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个IMF分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤N次，获得N个具有不同带宽的故障模态分量。上述变分模态分解的变参信息融合方法，本发明专利技术方法利用流形学习对变参数下VMD处理得到的多维故障模态分量进行信息融合，获得信噪比高的故障瞬态成分。

Variable parameter information fusion method based on variational mode decomposition

The invention relates to a variable parameter information fusion method for variational mode decomposition, which includes: taking the number of decomposition modes K=1, setting the bandwidth balance parameter a, VMD processing of the analysis signal, obtaining an IMF component, subtracting the original signal from the IMF component, and obtaining the residual component; and taking the residual component as the analysis signal. Repeat the above steps n times to get n IMF components and n residual components; select the component containing the most fault information from the above two components according to the given optimization index method, i.e. the fault mode component; change the value of the alpha, repeat the above steps N times to obtain N fault mode components with different bandwidth. The variable parameter information fusion method of the variational mode decomposition described above uses manifold learning to fuse the multi-dimensional fault mode components processed by VMD under variable parameters to obtain fault transient components with high signal-to-noise ratio.

【技术实现步骤摘要】
变分模态分解的变参信息融合方法
本专利技术涉及旋转机械故障诊断，特别是涉及变分模态分解的变参信息融合方法。
技术介绍
旋转机械设备正朝着大型化、精密化和自动化的方向发展，这就对整个设备系统中各个部件的制造、安装和日常保养维护提出了更加严格的要求，任意部件的一个细微的损伤或者震荡错位，都有可能影响到整个系统的正常工作，甚至引起重大事故。滚动轴承在旋转机械设备中承担着关键的角色，其健康状态会影响整个机械系统的工作状态，因此对滚动轴承的监测和诊断具有重要的意义。当轴承部件出现故障时，会产生周期性的瞬态冲击响应，不同位置的故障会表现出不同的故障特征周期，如何有效提取信号中的瞬态冲击响应成分从而得出故障特征周期，是轴承故障诊断的关键问题。但是，由于工作环境的复杂性，从机械设备现场采集的振动信号往往具有非线性和非平稳性的特征，大量的窄带脉冲干扰以及环境噪声会淹没故障特征信号，严重影响了故障特征信号的识别。变分模态分解(VMD)方法是一种针对多分量非平稳信号进行准正交分解的方法，其实质是以经典维纳滤波、希尔伯特变换和频率混合这三个概念为基础的变分问题求解方法。在确定了分解模态个数K和带宽平衡参数α的情况下，该方法采用频域迭代方法搜寻变分模型的最优解来确定每个调幅调频分量的中心频率和带宽，并且通过对频域的剖分将原始信号分解为K个有限带宽的本征模态函数(IMF)。通过VMD方法得到的各个IMF包含了原信号的不同频带的局部特征信息，包括与故障相关的瞬态周期成分，因此可以应用于故障冲击特征的提取与识别。与经验模态分解(EMD)相比，VMD具有严格的数学模型和坚实的理论基础，并且分解精度高，分解层数少，不存在模态混叠现象，所以VMD在机械振动信号瞬态成分检测中得到了广泛的应用。但是，VMD方法分解的效果依赖于分解模态个数K和带宽平衡参数α这两个参数。K值太小则不能提取出含故障信息的IMF，即故障模态分量，过大则会把一个故障模态分量分解在多个IMFs中，且计算量较大；α的取值增加会减小故障模态分量的带宽，从而减少噪声含量，但是同时也会减少故障信息。对于在不同环境下测得的轴承振动信号，需要人工选择不同的参数值以获得受干扰较少的故障瞬态成分，因此VMD方法缺乏自适应性。为了解决VMD方法存在的非自适应性问题，现有的研究主要是围绕参数优化展开。该类方法的原理为将VMD需要预设的参数K和α设置为自变量，分解得到的分量的优化指标为因变量，通过算法改变自变量K与α，根据优化指标得到最优参数和最优分量，实现VMD的自适应信号处理。参数优化算法和优化指标的选取是该类方法的核心。常用的参数优化算法有穷举法、人工鱼群算法和粒子群优化算法等，这些算法的主要区别在于运算速度和运算精度。常用的优化指标包括峭度值、排列熵、最大李雅普诺夫指数以及分量与原始信号的互相关系数等，优化指标的选择依据在于能否准确找出故障模态分量。基于参数优化的VMD方法的实现步骤为：首先确定一个对故障信息敏感的优化指标；接着确定参数优化算法以及参数的变化区间；然后运行算法，寻找指标最优的参数和分量；最后对最优分量进行分析，寻找故障特征周期。传统技术存在以下技术问题：基于参数优化的VMD方法本质上是完全自适应的维纳滤波器，可以有效地分解出含有故障信息的窄带分量，去除带外噪声，但是对于带内噪声则无能为力。若带内噪声过大则会出现无法有效识别故障瞬态成分的情况。此外，基于参数优化的VMD方法往往要根据其算法选择计算精度，若计算精度过低则难以得到最优参数和分量，过高则会增加计算量，影响实际应用效率。基于参数优化的VMD方法一般需要上百次VMD分解才能得到最优参数和最优分量。因此，该类方法主要存在两个问题：a)最优故障模态分量中的带内噪声无法消除；b)在保证精度的前提下，需要大量的计算时间，实际分解效率低下。
技术实现思路
基于此，有必要针对上述技术问题，提供一种变分模态分解的变参信息融合方法，该方法针对基于参数优化的VMD方法中带内噪声难以消除和计算效率低下的问题，采用流形学习的方法对不同参数下包含故障信息的多个IMFs进行信息融合，从中提取故障瞬态成分的内在流形结构，从而无需搜寻最优参数，提高运行效率，并消除带内噪声，可以有效检测出信号中的瞬态特征成分。一种变分模态分解的变参信息融合方法，包括：取分解模态个数K＝1，设定带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个IMF分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤N次，获得N个具有不同带宽的故障模态分量；按照给定流形学习方法对所述N个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。上述变分模态分解的变参信息融合方法，本专利技术方法利用流形学习对变参数下VMD处理得到的多维故障模态分量进行信息融合，获得信噪比高的故障瞬态成分。本专利技术方法通过多次改变带宽平衡参数α，获得具有不同带宽的故障模态分量，从而兼顾带外噪声的去除和故障信息的保留，利用流形学习优秀的特征挖掘能力，在多维故障模态分量中保留具有稳定结构的低维瞬态成分，去除没有稳定结构的带内噪声，实现对不同信号中故障瞬态成分的有效检测。同时，本专利技术方法中的分解模态个数K始终取1，且多维故障模态分量的维数较低，因此相比于各种参数优化算法，计算效率更高；该技术方法至少具有以下优点：无需确定带宽平衡参数、鲁棒性强、运行效率高、可以去除带内噪声、可以获得更高的信噪比等。在另外的一个实施例中，“取分解模态个数K＝1，设定带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；”，所述带宽平衡参数α的取值范围为100到5000。在另外的一个实施例中，“根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；”中，所述给定优化指标方法包括利用峭度值、光滑因子、排列熵、最大李雅普诺夫指数、相关系数、能量以及其组合能够从VMD分析得到的多个分量中选出所述故障模态分量的方法。在另外的一个实施例中，“按照给定流形学习方法对所述N个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。”中，所述给定流形学习方法是具有维数约简功能的学习方法。在另外的一个实施例中，所述给定流形学习方法是局部切空间排列算法、等距映射算法、局部线性嵌入算法、拉普拉斯特征映射算法或局部保留投影算法。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。附图说明图1为本申请实施例提供的一种变分模态分解的变参信息融合方法的流程图。图2为本专利技术实施例提供的滚动轴承声音振动信号的时域波形图及其频谱图。图3(a)为采用本专利技术公开的一种变分模态分解的变参信息融合方法从图2所述信号中选取出本文档来自技高网...

【技术保护点】
1.一种变分模态分解的变参信息融合方法，其特征在于，包括：取分解模态个数K＝1，设定所述带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个IMF分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤N次，获得N个具有不同带宽的故障模态分量；按照给定流形学习方法对所述N个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。

【技术特征摘要】
1.一种变分模态分解的变参信息融合方法，其特征在于，包括：取分解模态个数K＝1，设定所述带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；将所述剩余分量作为所述分析信号，重复上述步骤n次，得到n个IMF分量和n个剩余分量；根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；改变所述α的值，重复上述步骤N次，获得N个具有不同带宽的故障模态分量；按照给定流形学习方法对所述N个故障模态分量进行融合，得到多维故障模态分量的内在流形结构，即故障瞬态成分。2.根据权利要求1所述的变分模态分解的变参信息融合方法，其特征在于，“取分解模态个数K＝1，设定带宽平衡参数α，对分析信号进行VMD处理，得到一个IMF分量，将原始信号减去这个IMF分量，得到剩余分量；”，所述带宽平衡参数α的取值范围为100到5000。3.根据权利要求1所述的变分模态分解的变参信息融合方法，其特征在于，“根据给定优化指标方法从上述2n个分量中选出包含最多故障信息的分量，即故障模态分量；”中，所述给定...

【专利技术属性】
技术研发人员：王俊，江涛，杜贵府，朱忠奎，沈长青，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32