基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法技术

本发明专利技术涉及一种基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法，能够采集煤矿带式输送机轴承振动信号，采用小波变换对振动信号进行降噪处理；然后利用CEEMDAN对降噪信号进行分解和提取特征向量；对特征向量进行AP聚类分析；然后，使用人工蜂群算法优化下的BP神经网络故障诊断模型对轴承振动信号进行故障判别；通过收集并创建关于关于煤矿带式输送机轴承故障振动信号的数据集，以数据集为依托，对故障信号进行小波变换降噪和提取特征向量处理，减小噪声影响并突出故障信号特征，设定合理的AP聚类参数对特征信号进行特征向量聚类处理，接着将聚类产生的聚类簇中的样本输入到神经网络进行训练，并通过人工蜂群算法对故障诊断模型进行优化处理。故障诊断模型进行优化处理。故障诊断模型进行优化处理。

【技术实现步骤摘要】
基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法


[0001]本专利技术涉及一种基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法。

技术介绍

[0002]据不完全统计，我国每年因煤矿事故而伤亡的人数仅次于交通事故，应急救援一直被认为是灾后挽救被困人员生命的最后一道防线。而带式输送机作为煤矿生产中的重要一环，带式输送机故障的及时诊断与预防，对于煤矿生产安全以及人员安全有着重要的作用。
[0003]滚动轴承作为带式输送机的易损零件之一，其运行状态往往直接影响到整台机器的精度、可靠性及寿命。由于滚动轴承的寿命离散性很大,无法进行定时维修,且煤矿井下环境恶劣，滚动轴承在运转过程中可能由于各种原因引起损坏，如金属腐蚀和过载等。因此,如何判断出它的各种工况故障是非常重要的，可以减少不必要的维修，延长滚动轴承的使用寿命进而可以延长机械装备的使用寿命。
[0004]而且滚动轴承故障采集的信号属性的非线性、非平稳等复杂情况，以及现有技术中对故障的识别度偏低，因此如何提高滚动轴承故障的识别度是本领域亟待解决的技术问题。<br/>
技术实现思路
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法，其特征在于，通过收集并创建关于关于煤矿带式输送机轴承故障振动信号的数据集，以数据集为依托，对故障信号进行小波变换降噪和提取特征向量处理，减小噪声影响并突出故障信号特征，设定合理的AP聚类参数对特征信号进行特征向量聚类处理，接着将聚类产生的聚类簇中的样本输入到神经网络进行训练，并通过人工蜂群算法对故障诊断模型进行优化处理。2.根据权利要求1所述的基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法，其特征在于，针对煤矿井下环境存在强大的噪声，使用小波变换对振动信号进行降噪处理，减少噪声影响的同时突出故障信号特征，对CEEMDAN提出一种新的停止准则，采用参数超峭度和方均根这两个参数，定义一个目标函数：x
jk
＝rms(h
jk
[n])+|ek(h
jk
[n])|[n])|式中，y
jk
[n]是第i个IMF分解k次后的信号；h
jk
[n]是y
jk
[n]的包络均值信号；是h
jk
[n]的算术平均值；设计一个规则可自适应地确定筛选最优次数，设置一个最大筛选次数Num，当没有找到最优筛选次数时，主动停止筛选；在第i个IMF分量筛选过程中，y
jk
[n]是k
‑
1次处理后的信号，通过每一次迭代分别计算出目标函数x
jk
，本方法将计算连续5次迭代过程中x
jk
‑2、x
jk
‑1、x
jk
、x
jk
‑3、x
jk
‑4的值，当满足两个条件，一是x
jk
‑4&gt;x
jk
‑3&gt;x
jk
‑2且x
jk
‑2&lt;x
jk
‑1&lt;x
jk
成立，二是极值点数目和零点数目相差不超过一个，就停止筛选过程，并将x
jk
‑2[n]作为IMF
j
，否则，一直筛选到设定的最大筛选次数为止；当拆分成若干个本征模态函数IMF以后，计算IMF能量熵，实现振动信号特征向量的提取。3.根据权利要求1和2所述的基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法，其特征在于，对振动信号特征向量进行聚类分析；使用AP聚类算法将全部的数据点都看成是潜在的聚类中心点，然后根据数据点之间的相似度来进行聚类，每次迭代，更新数据点两两之间的归属度和吸引度，经过多次迭代后产生n个优秀的...

【专利技术属性】
技术研发人员：喻振杰，王甜，朱俊峰，吴欣怡，罗明阳，朱海燕，姚禹，
申请(专利权)人：常州工学院，
类型：发明
国别省市：