【技术实现步骤摘要】
一种自适应单模态变分模态分解的轴承故障诊断方法
[0001]本专利技术属于轴承故障诊断
，具体的说，涉及一种自适应单模态变分模态分解的轴承故障诊断方法。
技术介绍
[0002]滚动轴承是旋转机械中的关键部件之一，其实际工作情况对机械系统能否正常运行起着重要作用。由于高速列车轴箱轴承的服役环境较为恶劣，所以在列车运行过程中经常发生轴箱轴承失效现象。复杂激扰下高速列车轴箱轴承的振动信号通常是非线性、非平稳的。由于轮轨冲击和环境噪声的影响，在采集到的振动信号中常含有较强的噪声和干扰，这使得准确提取轴承微弱的故障特征信息一直是机械故障诊断领域的一大挑战。
[0003]为此我们提出一种自适应单模态变分模态分解的轴承故障诊断方法，用于轴承故障信号的准确提取。
技术实现思路
[0004]本专利技术提供了一种自适应单模态变分模态分解的轴承故障诊断方法，用于轴承故障信号的准确提取，以提升算法的自适应性。
[0005]为实现上述目的，本专利技术所采用的技术方案如下：步骤1：载入测试信号；步骤2：在粒子群算法...
【技术保护点】
【技术特征摘要】
1.一种自适应单模态变分模态分解的轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：载入测试信号；步骤2：在粒子群算法中输入各参数，设置单模态变分模态分解中初始中心频率和惩罚因子的寻优范围，输入感兴趣的故障周期；步骤3：粒子种群位置初始化；步骤4：求解初始中心频率和惩罚因子的最优参数组合；步骤5：将步骤4中最优的初始中心频率和惩罚因子输入单模态变分模态分解公式中，进而提取故障模态；步骤6：对故障模态进行包络谱分析，与理论故障特征频率比对，判断轴承是否发生故障。2.根据权利要求1所述的一种自适应单模态变分模态分解的轴承故障诊断方法，其特征在于：所述步骤4中初始中心频率和惩罚因子的最优参数组合求解包括如下步骤：步骤a：构造约束变分模型；步骤b：构造非约束变分模型；步骤c：变分模态分解转为单模态变分模态分解；步骤d：将初始化的种群位置代入单模态变分模态分解中，计算各粒子的适应度函数值，根据粒子群算法的迭代准则，进行粒子位置迭代更新；步骤e：粒子位置迭代更新，直至达到最大迭代次数，得到初始中心频率和惩罚因子的最优参数组合。3.根据权利要求2所述的一种自适应单模态变分模态分解的轴承故障诊断方法，其特征在于：构造约束变分模型，公式如下：公式1式中，和分别表示窄带模态和相应的中心频率，表示振动信号，表示时间，表示模态的个数，表示对时间的偏导数，表示狄拉克分布，表示卷积运算，表示虚数单位，表示使得...满足...，表示自然常数。4.根据权利要求3所述的一种自适应单模态变分模态分解的轴承故障诊断方法，其特征在于：构造非约束变分模型，引入惩罚因子和拉格朗日乘子，将公式1转化为非约束变分模型，公式如下：
公式2其中，表示惩罚因子，为拉格朗日乘子,表示L2范数，令，将变分模态分解转换为单模态变分模态分解，由公...
【专利技术属性】
技术研发人员：刘永强，李翠省，杨绍普，廖英英，顾晓辉，邓飞跃，刘泽潮，
申请(专利权)人：石家庄铁道大学，
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。