基于参数自适应VMD与优化SVM的轴承故障诊断方法技术

本发明专利技术公开了一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，包含以下步骤：S1采集轴承的原始振动信号；S2对原始振动信号进行自适应VMD，得到K个分量信号；S3利用时

【技术实现步骤摘要】
基于参数自适应VMD与优化SVM的轴承故障诊断方法


[0001]本专利技术涉及机械设备中轴承振动信号处理与故障诊断领域，特别涉及一种基于参数自适应VMD与优化SVM的轴承故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械设备的重要组成部件，其运行状态的好坏影响着整个旋转机械设备的健康状况。同时，滚动轴承承受着各种动态载荷以及恶劣的运行条件，这使得滚动轴承面临巨大的故障以及加剧恶化的风险。相关研究表明因轴承引起的旋转机械故障比例高达30％，因此，对滚动轴承进行准确有效的故障诊断至关重要。
[0003]对于滚动轴承故障诊断，目前依然存在以下问题：
[0004](1)面对大量而复杂的非稳态振动信号，如何提取出故障特征信息引起工业界及学术界的广泛关注，变分模态分解(Variational mode decomposition，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算法中的模态分解个数要求在对信号进行分解前就提前设定，但受实际情况的限制，通常难以准确设定，如果设置偏大或偏小都会严重影响信号的检测精度对于分解出的信号。
[0005](2)面对分解方法分解后的信号，如何筛选最能够代表故障特征的信号也是诊断精度的关键，目前使用最多的是依据峭度最大化准则进行选取。然而峭度对瞬态冲击比周期性冲击更敏感，所以当信号中含有较大的瞬态冲击时，其峭度值较大，该模式分量可能不包含故障特征成分，从而给信号的特征提取带来困难。
[0006](3)面对旋转机械设备的故障诊断大多采用传统故障诊断方法，难以适应复杂机械设备发展的问题，以支持向量机(SVM)为代表的机器学习方法成为当前的研究热点，作为一种基于统计学习理论的学习机，其出色的学习性能，逐渐开始应用于轴承故障诊断中。

技术实现思路

[0007]本专利技术的专利技术目的在于提供一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，解决了VMD分解参数难以自适应的问题，同时采用更加精准的指标筛选含有故障特征频率的最佳模态分量，并采用可以自主寻优最佳参数的优化SVM算法模型，从而实现齿轮故障的精确诊断，具有较高诊断精度，为设备安全稳定运行提供可靠依据。
[0008]本专利技术的专利技术目的通过以下技术方案实现：
[0009]一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，包含以下步骤：
[0010]步骤S1：采集轴承的原始振动信号f；
[0011]步骤S2：对采集的轴承原始振动信号进行自适应变分模态分解VMD，得到K个分量信号IMFs；
[0012]步骤S3：利用时
‑
频加权峭度指标从K个分量信号IMFs中筛选出最佳分量信号IMF，
将筛选出的IMF划分为训练集和测试集；
[0013]步骤S4：将训练集输入优化支持向量机SVM进行模型训练，训练完成后获得能够判断轴承故障的机器学习模型；
[0014]步骤S5：将测试集输入机器学习模型，从而输出轴承故障诊断结果。
[0015]优选地，步骤S1中采用振动加速度传感器来采集轴承的原始振动信号f。
[0016]优选地，所述步骤S2中自适应变分模态分解VMD的过程为：
[0017]步骤S21：初始化K为1，设置好损失系数e的阀值；
[0018]步骤S22：令K＝K+1，进行VMD分解；
[0019]其中，VMD分解是一种新的自适应时频分析算法，由变分模型的建立和变分模型的求解两部分组成。具体分解过程如下：原始振动信号f分解成K个模态函数u
k
(t)，并在各模态函数之和与原始振动信号f相等的要求下，使每个模态函数的估计带宽之和最小，约束变分问题可表述为：
[0020][0021]式中，u
k
为VMD分解后的第k个模态分解；w
k
为分量信号中心频率；表示括号中的式子对t求导；δ(t)为狄拉克函数。
[0022]引入Lagrange乘子和二次惩罚因子α使约束变分问题转化成非约束性变分问题，其表达式为：
[0023][0024]其中，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；
[0025]VMD采用交替方向乘子法求解上式，即通过和交替更新寻求上式的拉格朗日鞍点，其中取值可表述公式如下：
[0026][0027]转变到频域，可得二次优化结果为：
[0028][0029][0030]式中，“︿”表示频域符号；
[0031]直到给定值大于零的判别精度，则完成VMD分解，否则重回上述过程继续循环；
[0032]步骤S23：计算损失系数e：
[0033][0034]其中，u
k
为第k个模态分解，∑u
k
为重建信号，f为原始振动信号；
[0035]步骤S24：重复步骤S22和步骤S23直至损失系数e小于设定的阀值ε，得到最大模态分解个数K
max
，即此时的K值为原始振动信号会被分解的最大模态分解个数；
[0036]步骤S25：先求取原始振动信号的能量值E，然后计算当模态分解个数为k时的累加能量E
k
(k＝1,2,
…
K
max
)，并求取能量值E与累加能量E
k
的能量差值，选取能量差最小时的k值作为最佳模态分解个数K，再次执行VMD分析，即得到K个有限带宽的模态分量IMFs；其中，所述的求取信号的能量值E的表达式为：
[0037][0038]优选地，所述步骤S3包含对步骤S2 VMD分解出的所有模态分量信号计算时域峭度、包络谱峭度和时
‑
频加权峭度，舍弃掉时域峭度小于3的模态分量信号，再选择最大时
‑
频加权峭度对应的模态分量信号作为最佳模态分量信号IMF，将IMF中的70％划分为训练集，30％划分为测试集。
[0039]优选地，所述步骤S4中优化SVM是在标准SVM的基础上，使用粒子群算法PSO对标准SVM中惩罚因子和不敏感系数进行优化。
[0040]本专利技术的有益效果在于：
[0041]1.对于VMD方法在分解实际信号时，若K设置偏小会造成某个模态中含有多个分量，致使信息无法完整获取；若K设置偏大会使模态中心频率发生重叠，导致虚假模态分量出现。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，解决了VMD分解参数难以自适应的问题，从而能够提供更加准确的信号分析结果，实现轴承故障的精确诊断，为设备安全稳定运行提供可靠依据。
[0042]2.对于VMD分解后的多个IMFs信号，含有故障特征最多的IMF只有1～2个，其余皆为含噪声较多的干扰信号。本专利技术可以找出含有故障特征频率的最佳I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，包含以下步骤：步骤S1：采集轴承的原始振动信号f；步骤S2：对采集的轴承原始振动信号进行自适应变分模态分解VMD，得到K个分量信号IMFs；步骤S3：利用时
‑
频加权峭度指标从K个分量信号IMFs中筛选出最佳分量信号IMF，将筛选出的IMF划分为训练集和测试集；步骤S4：将训练集输入优化支持向量机SVM进行模型训练，训练完成后获得能够判断轴承故障的机器学习模型；步骤S5：将测试集输入机器学习模型，从而输出轴承故障诊断结果。2.根据权利要求1所述的一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，其特征在于所述步骤S1中采用振动加速度传感器来采集轴承的原始振动信号x(t)。3.根据权利要求1所述的一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，其特征在于所述步骤S2中自适应变分模态分解VMD的过程为：步骤S21：初始化K为1，设置好损失系数e的阀值；步骤S22：令K＝K+1，进行VMD分解；其中，VMD分解过程如下：原始振动信号f分解成K个模态函数u
k
(t)，并在各模态函数之和与原始振动信号f相等的要求下，使每个模态函数的估计带宽之和最小，约束变分问题表述为：式中，u
k
为VMD分解后的第k个模态分解；w
k
为分量信号中心频率；表示括号中的式子对t求导；δ(t)为狄拉克函数；引入Lagrange乘子和二次惩罚因子α使约束变分问题转化成非约束性变分问题，其表达式为：其中，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；采用交替方向乘子法求解上式，...

【专利技术属性】
技术研发人员：后麒麟，单添敏，王景霖，郭培培，张尚田，杨乐，刘莹，罗泽熙，
申请(专利权)人：中国航空工业集团公司上海航空测控技术研究所，
类型：发明
国别省市：