一种轴承故障诊断方法及系统技术方案

本发明专利技术属于轴承故障诊断技术领域，具体提供一种轴承故障诊断方法及系统，其中方法包括：采集电机定子绕组的原始电流信号S；对采集的电机原始定子电流信号S，进行基于遗传算法的自适应变分模态分解VMD，得到k个分量信号IMF；对k个分量信号IMF计算多尺度样本熵，以此得到轴承的故障特征矩阵；利用海鸥优化算法对支持向量机参数优化，并把得到的轴承故障的特征矩阵输入支持向量机训练模型；将测试集输入支持向量机学习模型，从而输出轴承故障诊断结果。该方案引进多尺度样本熵获取分解后信号特征并采用海鸥优化SVM算法对特征数据集分类，从而实现电机轴承故障的精确诊断，具有较高诊断精度，为设备安全稳定运行提供可靠依据。为设备安全稳定运行提供可靠依据。为设备安全稳定运行提供可靠依据。

【技术实现步骤摘要】
一种轴承故障诊断方法及系统


[0001]本专利技术涉及轴承故障诊断
，更具体地，涉及一种轴承故 障诊断方法及系统。

技术介绍

[0002]轴承是机械设备中一种重要零部件。它的主要功能是支撑机械旋 转体，降低其运动过程中的摩擦系数，并保证其回转精度。随着工业 的现代化进程，机械设备越来越向高速度和大功率发展，对轴承的各 方面性能要求越来越高，轴承容易产生疲劳磨损从而导致故障。相关 研究表明在所有电机故障类型中，轴承故障所占比重约为40％，是电 机的主要故障形式之一，因此，对电机轴承进行准确有效的故障诊断 至关重要。对于滚动轴承故障诊断，目前依然存在以下问题：
[0003]1、对轴承故障信号的获取大多是选择轴承的振动信号，轴承故障 特征信息基本都可以通过振动信号检测出，准确性和精度都很高。不 过振动信号的获取需要在电机中安装额外的传感器，一方面增加系统 成本，另一方面某些场合受空间限制无法安装传感器。
[0004]2、对采集的信号中包含大量的噪声和干扰信号，如何准确提取出 故障特征信息成为能否判断轴承故障的关键，变分模态分解(Variationalmode decomposition，VMD)方法是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k和分解惩罚因子α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]3、如何用分解后的信号来准确表达故障特征也是轴承诊断精度的 关键。目前使用最多的是依据峭度最大化准则进行选取。但峭度对瞬 态冲击比周期性冲击更敏感，当信号中含有较大的瞬态冲击时，其峭 度值较大，但这时可能不包含故障特征，从而给信号的特征提取带来 困难。
[0006]4、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的诊断，以支持向量机(Support Vector Machine, SVM)为代表的机器学习方法是对复杂机械设备进行故障诊断的一种 有效方法，但是SVM算法中惩罚因子c与核函数参数g要根据信号不 同提前设定，但受实际情况限制，通常难以准确的去设定。

技术实现思路

[0007]本专利技术针对现有技术中存在的旋转机械设备的故障诊断精度低的 技术问题。
[0008]本专利技术提供了一种轴承故障诊断方法，包括以下步骤：
[0009]S1，采集电机定子绕组的原始电流信号S；
[0010]S2，对采集的电机原始定子电流信号S，进行基于遗传算法的自适 应变分模态分解VMD，得到k个分量信号IMF；
[0011]S3，对k个分量信号IMF计算多尺度样本熵，以此得到轴承的故 障特征矩阵；
[0012]S4，利用海鸥优化算法对支持向量机参数优化，并把得到的轴承 故障的特征矩阵输入支持向量机训练模型；
[0013]S5，将测试集输入支持向量机学习模型，从而输出轴承故障诊断 结果。
[0014]优选地，所述S2具体包括以下步骤：
[0015]S21：生成初始种群，每个个体包含分解个数k和惩罚参数α，不 同个体的(k，α)组合不同；
[0016]S22，计算种群中每一组染色体对应的适应度，并在个体中预留存 储最佳分量序号和适应度数值的位置；
[0017]S23，对种群中的染色体进行选择、交叉、变异操作，产生新的种；
[0018]S24，判断是否满足终止条件，若不满足，跳转到步骤S23；如果 满足，输出最优参数(k，α)。
[0019]优选地，VMD算法通过将故障信号构造成变分约束问题，并通过 对变分问题的求解来实现信号根据其自身频域特性的自适应分解，使 得每个模态函数的估计带宽之和最小，则相应的约束变分模型表达为：
[0020][0021][0022]式中，{u
k
}＝{u1,
…
,u
k
}表示的是分解得到的k个子模态； {ω
k
}＝{ω1,
…
,ω
k
}表示的是各分量的中心频率。
[0023]优选地，为了信号分解更加精准在所述VMD算法中引入如下形 式的增广Lagrange函数：
[0024][0025]式中，α为惩罚参数；λ为Lagrange乘子，采用乘法算子交替方向 法，解决变分问题，通过迭代更新以及λ
n+1
求得上述函数的最 优解，其中取值问题表达为：
[0026][0027]式中，ω
k
相当于相当于相当于
[0028]优选地，VDM算法的具体过程可描述如下：
[0029]第一步：初始化和n；
[0030]第二步：根据公式在频域内更新u
k
,ω
k
；
[0031]第三步：跟新λ其中
[0032][0033]第四步：当时停止迭代；
[0034]第五步：重复第二步和第三步直至损失系数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值为电机定子信号会被分解的 最大模态分解个数。
[0035]优选地，所述S2具体包括：通过遗传算法寻找VMD算法的最 佳分解效果参数设置时，具体地，设遗传算法的某代中个体X
z
对应的 参数组合为(k
z
，α
z
)引入包络熵来表达经过VMD分解后IMF
i
(j)分量的随 机程度和复杂程度,IMF分量的包络熵可表示为：
[0036][0037][0038]式中，i为分解IMF序号；p
i,j
是a
i
(j)归一化的形式；a
i
(j)为IMF
i
(j)经 过希尔伯特变换调节后得到的包络信号。
[0039]优选地，所述S4具体包括：
[0040]步骤一：将输入的数据样本矩阵分为训练样本矩阵和测试样本矩 阵；
[0041]步骤二：初始化海鸥种群，并设定SOA算法的控制参数；
[0042]步骤三：计算适应度fit、个体最优适应度bestfit、群体最优适应 度fitbest以及平均最优适应度avgfit；
[0043]步骤四：更新海鸥位置并计算当前海鸥自适应度；
[0044]步骤五：更新当前海鸥与最优海鸥之间的距离；
[0045]步骤六：更新最优海鸥位置；
[0046]步骤七：判别是否满足终止条件，若满足输出bestc,bestg获得初始 SVM模型，若不满足条件重复步骤四。
[0047]本专利技术还提供了一种轴承故障诊断系统，所述系统用于实现轴承 故障诊断方法，具体包括：
[0048]信号采集模块，用于采集电机定子绕组的原始电流信号S；
...

【技术保护点】

【技术特征摘要】
1.一种轴承故障诊断方法，其特征在于，包括以下步骤：S1，采集电机定子绕组的原始电流信号S；S2，对采集的电机原始定子电流信号S，进行基于遗传算法的自适应变分模态分解VMD，得到k个分量信号IMF；S3，对k个分量信号IMF计算多尺度样本熵，以此得到轴承的故障特征矩阵；S4，利用海鸥优化算法对支持向量机参数优化，并把得到的轴承故障的特征矩阵输入支持向量机训练模型；S5，将测试集输入支持向量机学习模型，从而输出轴承故障诊断结果。2.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述S2具体包括以下步骤：S21：生成初始种群，每个个体包含分解个数k和惩罚参数α，不同个体的(k，α)组合不同；S22，计算种群中每一组染色体对应的适应度，并在个体中预留存储最佳分量序号和适应度数值的位置；S23，对种群中的染色体进行选择、交叉、变异操作，产生新的种；S24，判断是否满足终止条件，若不满足，跳转到步骤S23；如果满足，输出最优参数(k，α)。3.根据权利要求2所述的轴承故障诊断方法，其特征在于，VMD算法通过将故障信号构造成变分约束问题，并通过对变分问题的求解来实现信号根据其自身频域特性的自适应分解，使得每个模态函数的估计带宽之和最小，则相应的约束变分模型表达为：则相应的约束变分模型表达为：式中，{u
k
}＝{u1,
…
,u
k
}表示的是分解得到的k个子模态；{ω
k
}＝{ω1,
…
,ω
k
}表示的是各分量的中心频率。4.根据权利要求3所述的轴承故障诊断方法，其特征在于，为了信号分解更加精准在所述VMD算法中引入如下形式的增广Lagrange函数：式中，α为惩罚参数；λ为Lagrange乘子，采用乘法算子交替方向法，解决变分问题，通过迭代更新以及λ
n+1
求得上述函数的最优解，其中取值问题表达为：式中，ω
k
相当于相当于相当于5.根据权利要求1所述的轴承故障诊断方法，其特征在于，VDM算法的具体过程可描述如下：
第一步：初始化和n；第二步：根据公式在频域内更新u
k
,ω
k
；第三步：跟新λ其中第四步：当时停止迭代；第五步：重复第二步和第三步直至损失系数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值为电机定子信号会被分解...

【专利技术属性】
技术研发人员：张成波，崔玉国，刘凯，李锦棒，
申请(专利权)人：宁波大学，
类型：发明
国别省市：