一种滚动轴承早期故障诊断方法技术

本发明专利技术公开了一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，应用于滚动轴承时域振动信号的早期故障诊断。该方法包括：基于海鸥优化算法与临近模态平均相关系数确定变分模态分解最佳模态数与二次惩罚因子；基于相关峰度选择故障敏感模态；基于故障敏感模态计算包络谱峰度与原始振动信号均方根值的峰度均方根指标，确定初始故障是否发生。本发明专利技术提出的初始故障诊断方法可以在轴承振动信号观察不到明显振幅上升的低严重故障阶段，对初始故障进行诊断。解决了传统循环迭代方法获得变分模态分解最佳参数所需时间较长，以及滚动轴承在低严重故障阶段振动信号振幅表现不明显的问题。重故障阶段振动信号振幅表现不明显的问题。重故障阶段振动信号振幅表现不明显的问题。

【技术实现步骤摘要】
一种滚动轴承早期故障诊断方法


[0001]本专利技术属于旋转机械故障诊断
，具体涉及一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法。

技术介绍

[0002]在旋转机械的状态检测过程中，对其敏感部位进行早期故障检测是一项强制性措施。轴承由于其处于高温运行、可变转速和高载荷的运行环境中而容易发生故障。缺乏适当的早期故障检测方法可能会使其发展为严重故障，进而引发轴承失效影响机械性能，甚至威胁工人的生命安全。
[0003]在各种诊断技术中，振动信号分析以其明确的机理和直接的响应成为最有效、最常用的方法。周期性脉冲是隐藏在轴承振动信号中的最明显的表现，该脉冲是由轴承滚珠周期性的通过缺陷位置产生的。而早期故障阶段，轴承振动信号中与故障相关的周期性脉冲并不明显，因此如何有效的从原始振动信号中发掘有关早期故障的周期性脉冲，是目前众多学者研究关注的重点。
[0004]基于信号分解的轴承故障诊断方法已经得到了应用，例如经验小波分解(EWT)与经验模态分解(EMD)。EWT使用滤波器对信号进行分解，从而限制信号具有单频分量，但小波变换存在与母小波选择准则、边界失真、能量泄露等相关问题。EMD在应用中存在一个严重的分解模态(IMF)边界失真问题，在对IMF进行统计分析时，即使没有发生故障，边界失真也可能提供较高的故障值。
[0005]变分模态分解(VMD)作为一种递推自适应的方法，可将振动信号分解为窄带模态成分，进而有效的抑制了模态混叠与边界失真现象。但VMD对信号的分解严重依赖其两个参数：模态数K与二次惩罚因子α。目前的现有技术中是通过循环迭代的方法求解这两个参数，但是所需时间较长，难以在低严重故障阶段的时域振动信号中发现轴承的早期故障。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术的专利技术目的在于提供一种基于海鸥优化算法自适应VMD与稀疏性影响指标的轴承早期故障诊断方法。
[0007]为此，本专利技术提供了以下技术方案：
[0008]本专利技术提供了一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，所述方法包括：
[0009]通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子；
[0010]基于所述最佳模态数与二次惩罚因子进行变分模态分解，得到多个分解模态，基于各个分解模态与原始信号之间的相关峰度指标确定振动信号的故障敏感模态；
[0011]计算振动信号的故障敏感模态的稀疏性影响指标；所述稀疏性影响指标为峰度均方根指标，所述峰度均方根指标由包络谱的峰度与原始信号的均方根组成；
[0012]根据所述稀疏性影响指标，确定滚动轴承的早期故障是否发生。
[0013]进一步地，通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子，包括：
[0014]初始化海鸥优化算法参数，取K值范围3：7，α值范围500：5000，开始迭代；其中，K表示模态数，α表示二次惩罚因子；
[0015]应用变分模态分解对原始信号进行分解，获得多个模态；
[0016]计算最小临近模态的平均相关系数；
[0017]更新最小平均相关系数；
[0018]判断是否满足迭代终止条件，如果当前迭代次数小于总次数，则继续迭代并更新海鸥位置，返回执行应用变分模态分解对原始信号进行分解的步骤；如满足迭代终止条件，终止迭代，输出最优K与α值。
[0019]进一步地，平均相关系数的计算公式如下：
[0020][0021]其中MC表示平均相关系数，C(u
k
,u
k+1
)为k与k+1模态的相关系数，k为所获得的模态数。
[0022]进一步地，相关峰度指标WKI的表达式如下：
[0023]WKI＝|C|
·
Ku；
[0024]其中C表示分解模态与原始信号之间的相关系数，Ku表示峰度指标，其表达式如下：
[0025][0026]其中xi、N、μ
x
分别是样本、样本数、时间序列x(t)的均值。
[0027]进一步地，峰度均方根指标KRI表达式如下：
[0028][0029]其中RMS表示均方根，其计算公式如下：
[0030][0031]其中N表示信号采样数。
[0032]进一步地，根据所述稀疏性影响指标，确定滚动轴承的早期故障是否发生，包括：
[0033]在当前时刻的稀疏性影响指标值大于采样前期50个点的平均稀疏性影响指标，且该时刻后5个采样点的稀疏性影响指标值均大于前50个采样点的均值时，确定滚动轴承的早期故障已经发生。
[0034]由于采用上述技术方案，本专利技术与现有技术相比具有以下有益效果：
[0035](1)本专利技术提出一种新的求得VMD最佳K与α的方法，本专利技术通过使用使用海鸥优化算法(SOA)，并将最小化临近模态的平均相关系数(MC)作为算法截止条件，求得振动信号下
的最佳VMD的K与α值，实验证明相比于传统的循环迭代的方法，SOA能大大缩减计算所需时间。
[0036](2)本专利技术将分解后的各模态通过稀疏性度量，选择稀疏性最强的模态作为故障敏感模态用于指示故障是否发生。因为低严重故障在时域振动信号中并无表现，但在频谱中可以有效的观察到其频率峰值的变动。因此本专利技术将故障敏感模态进行希尔伯特变换，求得包络谱的峰度并与原始信号的均方根结合组成峰度均方根指标(KRI)来分析滚动轴承的早期故障是否发生，通过计算信号的KRI指标可以有效的在观察不到故障表现的低严重故障阶段的时域振动信号中发现轴承的早期故障。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是本专利技术本专利技术实施例中一种基于SOA自适应VMD与稀疏性影响指标的轴承早期故障诊断方法的整体流程图；
[0039]图2是海鸥迁徙与攻击示意图；
[0040]图3是本专利技术实施例中SOA获得VMD分解最佳K与α值的流程图；
[0041]图4是本专利技术实施例中XJTU
‑
SY轴承实验数据集1轴承1运行至内圈故障的轴承振动信号的KRI值示意图；
[0042]图5是本专利技术实施例中NASA轴承实验数据集振动实验装置示意图；
[0043]图6是本专利技术实施例中NASA轴承实验数据集2轴承1运行至外圈故障的轴承振动信号KRI值示意图。
具体实施方式
[0044]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，所述方法包括：通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子；基于所述最佳模态数与二次惩罚因子进行变分模态分解，得到多个分解模态，基于各个分解模态与原始信号之间的相关峰度指标确定振动信号的故障敏感模态；计算振动信号的故障敏感模态的稀疏性影响指标；所述稀疏性影响指标为峰度均方根指标，所述峰度均方根指标由包络谱的峰度与原始信号的均方根组成；根据所述稀疏性影响指标，确定滚动轴承的早期故障是否发生。2.根据权利要求1所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指标的滚动轴承早期故障诊断方法，其特征在于，通过海鸥优化算法自适应求得变分模态分解最佳模态数与二次惩罚因子，包括：初始化海鸥优化算法参数，取K值范围3：7，α值范围500：5000，开始迭代；其中，K表示模态数，α表示二次惩罚因子；应用变分模态分解对原始信号进行分解，获得多个模态；计算最小临近模态的平均相关系数；更新最小平均相关系数；判断是否满足迭代终止条件，如果当前迭代次数小于总次数，则继续迭代并更新海鸥位置，返回执行应用变分模态分解对原始信号进行分解的步骤；如满足迭代终止条件，终止迭代，输出最优K与α值。3.根据权利要求2所述的一种基于海鸥优化算法自适应变分模态分解与稀疏性影响指...

【专利技术属性】
技术研发人员：温江涛，刘华臻，
申请(专利权)人：燕山大学，
类型：发明
国别省市：