【技术实现步骤摘要】
基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法
[0001]本专利技术涉及电机故障诊断
,具体涉及基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法。
技术介绍
[0002]轴承在电机的运行中起着支撑和引导旋转的作用,据统计,电机故障中有40%左右是由轴承故障引发,是电机健康监测的重要对象,直接影响到电机运转的整体性能。因此,开展电机轴承的故障诊断研究意义重大。由于电机轴承位于电机内部,其故障状态难以识别,导致其故障诊断的精度受限。
[0003]目前基于振动信号的轴承故障诊断是最为常见的方法,当电机轴承出现故障时振动信号会出现明显的冲击波动,若对振动信号的时频信号进行有效的提取,就能为电机轴承的故障诊断提供有利的数据基础。现有技术通常采用以下几种方法进行电机轴承故障诊断:1.利用经验模态分解获得振动信号的固有模态函数(Intrinsic Mode Function, IMF),再提取IMF分量的奇异值获得降维后的新特征向量,最后利用模糊神经网络(Fuzzy Neural Networks, FNN)评估电机轴承的运行状况;2.提取振动信号的能量特征,然后利用隐马尔科夫模型(Hidden Markov Model, HMM)建立分类模型,能够有效区分不同类型故障的序列;3.将卷积神经网络(CNN)应用于电机轴承的故障诊断中,同时还使用传统的FFT进行振动信号特征提取,但无法充分发挥CNN的特征提取优势,从而造成诊断效果欠佳;4.利用集成模态分 ...
【技术保护点】
【技术特征摘要】
1.基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法,其特征在于,包括如下步骤:使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。2.根据权利要求1所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法,其特征在于,对VMD进行优化的过程,包括:预设VMD的IMF分量个数K与惩罚因子α;初始化PSO算法的关键参数,将局部极小熵值作为PSO算法的适应度函数,将待优化的参数[K,α]作为PSO算法的个体位置坐标,随机生成每个个体的初始坐标与初始速度;使用VMD对每个个体进行分解,计算每个个体对应的局部极小熵值,利用每个个体的局部极小熵值对VMD进行迭代,每次迭代更新局部极小熵值以及全局极小熵值,直到迭代结束,输出最优个体的坐标和速度,最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。3.根据权利要求1或2所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法,其特征在于,所述的使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,包括:确定VMD的IMF分量个数K,使得所有IMF分量的带宽之和最小,将每个IMF分量定义成一个调幅
‑
调频信号;利用Hilbert变换求出每个IMF分量的解析信号,分别估算K个IMF分量的中心频率,引入指数项调制各IMF分量的频谱到其所属基频带;求出调制后的信号的梯度平方范数,通过梯度平方范数估算每个IMF分量的带宽;基于约束条件,得到变分约束模型,将惩罚因子α和Lagrange乘数λ引入变分约束模型,使变分约束模型转换成变分非约束模型;基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的
‘
鞍点
’
,直至满足迭代停止条件,输出变分约束模型的最优解,通过最优解获得优化的变分约束模型,通过优化的变分约束模型输出K个有限带宽的IMF分量。4.根据权利要求3所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法,其特征在于,所述的基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构,包括:基于多尺度熵理论分别计算每个IMF分量的MSE值,得到与K个IMF分量一一对应的K个MSE值,K个MSE值所组成的一组向量就构成一...
【专利技术属性】
技术研发人员:樊清川,于飞,徐小健,王素华,宣敏,黄雅鑫,魏永清,肖非然,
申请(专利权)人:中国人民解放军海军工程大学,
类型:发明
国别省市:
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。