基于多参数筛选准则与GWO-PNN的滚动轴承故障诊断方法技术

本发明专利技术公开一种基于多参数筛选准则与GWO

Rolling bearing fault diagnosis method based on multi parameter screening criteria and gwo-pnn

【技术实现步骤摘要】
基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，尤其涉及一种基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承在旋转机械甚至是现代制造业中发挥着重要作用。因此，研究滚动轴承的故障检测技术和诊断方法是具有实际意义的。轴承在运行过程中容易受到负载、摩擦和阻尼的影响，因而较为容易发生故障，其工作状态可能会影响整个机器运转的性能和安全性。因此，在保证轴承可靠运行方面，对轴承进行准确的状态监测和故障诊断有着重要的作用。目前，轴承的故障诊断问题正向着智能化的方向去发展，神经网络相比传统的人工故障诊断有着更高的效率并具有良好的鲁棒性。其中模式识别是轴承故障诊断的核心内容，人工神经网络由于拥有较强的自适应、自学习、非线性分类能力而得到了广泛的应用。在常用的技术中，基于轴承振动信号的分析已被广泛用于诊断轴承故障，因为轴承结构的缺陷会引起轴承动态特性的变化，通常表现为振动的形式。但由于振动信号传递路径复杂，通常有背景噪声干扰。因此，如何抑制背景噪声的干扰，精确提取出轴承的故障特征将成为轴承故障诊断的关键。
[0003]在过去几年中，小波变换的发展为轴承故障诊断提供了一个有效的工具，使其从瞬时的、时变的信号中提取特征，用于故障诊断。在Peng,Z.Kd等人的研究中，对小波变化在机器故障诊断中的应用进行了全面概述。小波包分解(WPD)是小波变换的一个扩展。它能够提供更灵活的时频分解，特别是在高频区域，同时还可以去除采集信号中背景噪声的干扰。目前，WPD在轴承故障诊断得到了广泛的应用。例如，丁金玲等将小波包分解后加入频率加权能量算子处理，有效的增强了故障特征频率的提取。陈里里等通过WPD将轴承振动信号转换为二维时频图像之后导入神经网络进行分类学习，相比于其他的深度学习方法可以完成轴承复杂信号的特征提取及分类。张晴等将WPD和径向基函数神经网络和生物地理学优化算法结合起来进行故障诊断，有效的提高了轴承故障诊断的准确率。苏文胜等结合WPD与样本熵进行轴承故障特征提取，该方法适合于滚动轴承故障状态的区分。筛选小波包分解后的Node分量，将影响着重构信号的故障特征提取。
[0004]局部均值分解(LMD)是一种自适应的信号处理方法，由Smith在2005年提出。LMD适用于将非线性和非平稳的振动信号分解为一系列的乘积函数(PF)，每个PF是包络信号和纯频率调制信号的乘积，从中可以得到具有物理意义的瞬时频率。LMD表面上与经验模态分解(EMD)相似，但是目前已经证明LMD在某些方面优于EMD，例如信号的局部特征和时间尺度更好，具有更合理的物理信息和更少的分解成分。目前，LMD在故障诊断领域得到了广泛的应用。例如赵立红等人通过LMD分解并重构结合信号的样本差和标准熵作为故障特征进行诊断，大大提高了诊断的准确率。武哲等人提出结合LMD自适应多尺度形态学和Teager能量算子解调的方法来提取轴承的故障特征，能够更加清晰的提取轴承的故障特征频率。孟良等人提出了局部均值分解(LMD)形态滤波的最小二乘支持向量机(LS
‑
SVM)轴承故障诊断方
法，该方法可以更加快速的对轴承故障进行精确诊断。
[0005]故障诊断是连接故障特征提取与后续工作的重要环节。目前专家诊断法、故障字典法、包络谱分析、共振解调法等，它们均在故障诊断领域取得了不错的效果。但是传统的故障诊断方法一定程度上依赖专业技术人员的经验判断，当故障信息不全时，故障诊断的精度就难以保证，可能造成误诊。相比于传统的故障诊断方法，基于数据驱动的故障诊断方法有着更高的精度以及效率。概率神经网络(PNN)是一种常用于模式识别的监督神经网络，其学习过程主要采用概率密度函数估计和贝叶斯分类规则。PNN具有并行分布式处理、自学习和自组织的特点，以及在故障诊断中的良好应用潜力。与其他神经网络方法相比，在训练样本相同的情况下，它具有更快的收敛速度和更高的诊断准确率。然而，PNN的分类性能很大程度上取决于网络参数(平滑因子)的选取。手动调节网络的参数不仅十分繁琐而且很难确定最佳的网络参数。因此，采用寻优算法可以减少参数确定的困难，而且可以更加准确的确定网络的最优参数。粒子群算法(PSO)、遗传算法(GA)，布谷鸟搜索算法(CS)，和蝠蝠算法(BA)，这些优化算法在参数的寻优中起到了强大的作用，但算法存在容易陷入局部最优的问题。

技术实现思路

[0006]针对上述提出的问题，本文提出了将相关系数
‑
能量比
‑
峭度准则与分解算法相结合的信号重构方法以及一种基于灰狼算法(GWO)优化概率神经网络的轴承故障诊断方法。首先分解采集到的振动信号；之后通过相关系数
‑
能量比
‑
峭度准则对分解后的信号分量进行筛选并进行重构。将重构信号进行分割并通过多尺度排列熵提取分割后样本的故障特征，通过核主成分分析法对高维的故障特征进行降维，最后，利用灰狼算法优化的概率神经网络进行故障诊断，充分发挥网络的分类性能；与其他方法相比，该方法可以有效抑制背景噪声的干扰，提高故障诊断的准确率。
[0007]为解决上述技术问题，本专利技术所采取的技术方案是：一种基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法，包括如下步骤：
[0008]步骤1：采集滚动轴承的振动信号；
[0009]步骤2：采集得到的滚动轴承的振动信号进行分解，分解出不同的信号分量；
[0010]所述信号分量包括Node分量、PF分量，采用WPD方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的Node分量，采用LMD方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的PF分量；
[0011]步骤3：结合峭度值、相关系数和能量比，对分解后的信号分量进行筛选，并对筛选后的分量进行线性重构；包括：
[0012]步骤3.1：计算各信号分量的峭度值K，如下所示：
[0013][0014]其中，x为信号分量的振幅；E为信号分量x的期望；u为信号分量振幅的平均值；σ为信号分量振幅的标准差；
[0015]步骤3.2：计算各分量与原始信号的皮尔逊相关系数r；
[0016]步骤3.3：计算各分量的能量比系数ε：
[0017]步骤3.4：对计算后的峭度值K、相关系数r和能量比系数ε进行加权求和，得到综合筛选指标值Krε：
[0018]Krε＝a1K+a2r+a3ε
[0019]其中，a1、a2、a3分别为Node分量的峭度值、相关系数和能量比的权重值；
[0020]步骤3.5：对各分量的综合筛选指标值Krε进行从大到小排序，筛选出最大的前n个信号分量；
[0021]步骤3.6：对筛选后的信号分量进行重构；
[0022]步骤4：通过多尺度排列熵对重构后的信号进行特征提取，并通过核主成分分析法(KPCA)进行降维处理，将降维后的特征矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法，其特征在于，包括：步骤1：采集滚动轴承的振动信号；步骤2：采集得到的滚动轴承的振动信号进行分解，分解出不同的信号分量；步骤3：结合峭度值、相关系数和能量比，对分解后的信号分量进行筛选，并对筛选后的分量进行线性重构；步骤4：通过多尺度排列熵对重构后的信号进行特征提取，并通过核主成分分析法进行降维处理，将降维后的特征矩阵作为概率神经网络PNN的输入；步骤5：采用灰狼算法GWO优化概率神经网络PNN的平滑因子；步骤6：针对待诊断轴承的振动信号，采用经灰狼算法优化后的概率神经网络进行故障诊断。2.根据权利要求1所述的一种基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法，其特征在于，所述步骤2中信号分量包括Node分量、PF分量，采用WPD方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的Node分量，采用LMD方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的PF分量。3.根据权利要求1所述的一种基于多参数筛选准则与GWO
‑
PNN的滚动轴承故障诊断方法，其特征在于，所述步骤3包括：步骤3.1：计算各信号分量的峭度值K，如下所示：其中，x为信号分量的振幅；E为信号分量x的期望；u为信号分量振幅的平均值；σ为信号分量振幅的标准差；步骤3.2：计算各分量与原始信号的皮尔逊相关...

【专利技术属性】
技术研发人员：栾孝驰，徐石，沙云东，郭小鹏，葛向东，何俊杰，赵新华，赵奉同，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：