【技术实现步骤摘要】
基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法
[0001]本专利技术属于旋转机械早期故障诊断领域，尤其涉及基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法。
技术介绍
[0002]旋转机械广泛应用于航空、航天、军事、车辆等行业，比如航空发动机、电动机、汽轮机等核心均为旋转机械。通常这类机械由于工作在高速、重载以及密封效果差的环境中，经常会发生故障。滚动轴承作为应用最为广泛的旋转机械零件之一，同时也是机械设备中最容易出现故障的零件之一，它的工作运行状况更加直接关系到整套设备的功能。滚动轴承一旦出现故障，轻则会降低设备精度、影响生产质量，重则使生产中断、系统瘫痪、严重时还会威胁到人民群众生命财产安全。
[0003]但是由于恶劣的工作环境，滚动轴承的早期故障特征信息经常淹没在强噪声中难以提取。其中主要有两方面原因，一是因为滚动轴承早期故障特征信号弱且故障特征信号演化规律难以捕获，另一个原因外界恶劣环境工作下的噪声太大。
[0004]滚动轴承早期故障特征信息提取方法立足...
【技术保护点】
【技术特征摘要】
1.基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法，其特征在于：包括如下步骤，步骤一：获取原始滚动轴承振动信号；步骤二：考虑变分模态分解过程中，惩罚参数α与模态数k的相互影响，避免进行独立取值；以含强噪声的原始滚动轴承信号包络熵为综合优化目标函数，通过遗传算法对综合优化目标函数最小值进行搜索，寻找到用于降低原始滚动轴承信号噪声强度的惩罚参数α与模态数k的最优组合，得到最优参数的变分模态分解算法GA
‑
VMD；步骤三：通过步骤二所述最优变分模态分解算法降低原始滚动轴承信号中因外界恶劣环境产生的噪声，得到最优变分模态分解算法初步降噪的滚动轴承振动信号；步骤四：基于步骤三得到的初步降噪的滚动轴承振动信号、添加的高斯白噪声与含有exp(
‑
x2)修正项的势函数非线性系统共同组成改进随机共振系统；选择改进的双稳态系统势函数U(x)，考虑势函数参数之间的相互影响，采用量子粒子群算法，以滚动轴承振动信号的信噪比ISNR作为量子粒子群算法的综合优化目标函数，通过量子粒子群算法对综合优化目标函数最大值进行搜索，寻找到非线性系统势函数参数a和b及阻尼系数μ的最优组合，得到最优参数且具有自适应性的随机共振系统；利用此随机共振系统对滚动轴承振动信号进行随机共振，进一步降低滚动轴承振动信号所含噪声，提高滚动轴承振动信号的信噪比；步骤五：对上述随机共振输出的高信噪比滚动轴承振动信号进行短时傅里叶变换，得到高信噪比滚动轴承振动信号的频谱图，以便于滚动轴承早期故障特征信号演化规律的捕获；通过对频谱图分析，精准识别滚动轴承早期微弱故障特征频率，进而在强噪声的恶劣环境下仍能够实现滚动轴承早期故障特征精确提取与故障类型准确识别。2.如权利要求1所述的基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法，其特征在于：还包括步骤六，根据步骤五得到的滚动轴承早期故障特征与故障类型准确识别结果，能够在强噪声的背景下，有效准确的判断出早期滚动轴承是否在工作中出现故障，有利于辅助工作人员进行机械装置的保养维护，能够有效防止由于滚动轴承出现故障所引起的设备精度的降低、生产质量的下降，并且可在一定程度上保护生产状态以及系统运行、保护现场工作人员的生命财产安全。3.如权利要求2所述的基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法，其特征在于：将步骤五得到的滚动轴承早期故障特征与故障类型准确识别结果及相关故障判别数据进行可视化输出，便于辅助工作人员实时判断，提升滚动轴承早期故障判断效率以及准确程度。4.如权利要求1、2或3所述的基于GA
‑
VMD与自适应随机共振的轴承故障诊断方法，其特征在于：步骤二实现方法如下：步骤2.1：通过变分模态分解算法将原始滚动轴承振动信号构造成变分约束问题，并通过对变分问题的求解实现信号根据其自身频域特性的自适应分解；含强噪声的原始滚动轴承信号，通过变分模态分解过程将信号的多个子信号分解出来，然后将所述子信号进行重构为初步降噪的滚动轴承振动信号；首先构造变分问题，原始滚动轴承振动信号f被分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始振动信号相等，则相应约束变分表达式为：
式中，k为需要分解的模态个数(正整数)；{u
k
}为经过变分模态分解后第k个模态分量；{ω
k
}为经过变分模态分解后第k个中心频率；δ(t)为狄拉克函数；*为卷积运算符；变分模态分解得到的IMF表达式为：u
k
(t)＝A
k
(t)cos(φ
k
(t))
ꢀꢀꢀꢀꢀ
(2)式中，A
k
(t)是u
k
(t)的瞬时幅值；ω
k
(t)为u
k
(t)的瞬时频率；u
k
(t)是一个幅值为A
k
(t)，频率为ω
k
(t)的谐波信号；为使得变分离散问题高度线性化与非凸性，进而确保原始振动信号可以通过变分模态分解算法精确分解成单个子信号，通过引入二次惩罚项α和拉格朗日乘子λ(t)，则扩展的拉格朗日表达式为：式中，α为惩罚参数；λ为拉格朗日乘子；采用乘法算子交替方向法解决该变分问题，通过迭代更新以及的取值得到上述函数的最优值；的取值问题表达为：式中，ω
k
等于等于利用傅里叶等距变换，(4)式变为：中心频率的更新结果为：式中，等同于当前剩余量的维纳滤波结果；是模态函数功率谱的重心；变分模态分解算法是通过在频域内不断更新的方式，然后再进行傅里叶逆变换得到时域的结果；步骤2.2：为了获得最佳的用于降低原始轴承振动信号噪声的变分模态分解算法，考虑
变分模态分解过程中，惩罚参数α与模态数k的相互影响，避免进行独立取值；以含强噪声的原始滚动轴承信号包络熵为综合优化目标函数，通过遗传算法对综合优化目标函数最小值进行搜索，寻找到用于降低原始轴承信号噪声强度的惩罚参数α与模态数k的最优组合，得到最优参数的变分模态分解算法GA
‑
VMD；遗传算法寻找变分模态分解算法最佳惩罚参数α与模态数k组合时，使用希尔伯特变换解调振动信号，选择包络熵E作为适应度函数，经过变分模态分解后得到的IMF分量中若包含的周期性故障特征信息比较多，则包络熵值较小，反之，经过变分模态分解后得到的IMF分量中若包含的周期性故障特征信息比较少，则包络熵值较大；根据包络熵的概念，原始滚动轴承振动信号经...
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。