一种基于自适应噪声变换和随机共振的机械故障诊断方法技术

本发明专利技术涉及一种基于自适应噪声变换和随机共振的机械故障诊断方法。包括：S1、利用加速度传感器采集旋转部件的振动数据，作为原始信号；S2、将原始信号经过离散小波变换，对分解后的信号进行重分布，分解层数和重分布系数待定，再重构得到包含粉红噪声的新信号；S3、通过人工蜂群算法对S2中的分解层数和重分布系数进行寻优，寻优目标为加权谱峭度。S4、将重构后的信号输入标准化后的双稳态随机共振系统，得到去噪后的信号。S5、对最终得到的信号进行包络谱分析，将包络谱峰值频率和计算出的理论故障特征频率进行比较，进行故障诊断。本发明专利技术通过利用一种新定义的指标来自适应改变噪声分布和随机共振增强信号准确进行故障诊断。布和随机共振增强信号准确进行故障诊断。布和随机共振增强信号准确进行故障诊断。

【技术实现步骤摘要】
一种基于自适应噪声变换和随机共振的机械故障诊断方法


[0001]本专利技术属于机械旋转部件智能故障诊断领域，具体提供一种基于自适应噪声变换和随机共振的机械故障诊断方法，此系统通过对输入信号中的噪声进行分布变换，得到最利于随机共振系统的噪声分布，然后经过随机共振系统进行去噪，进行故障诊断。

技术介绍

[0002]机械系统在工业化中具有不可或缺的作用，其中，旋转机械设备更是占到了大多数，旋转机械设备中的关键在于齿轮箱，由于工业环境恶劣以及其封闭的工作环境，使得齿轮箱保养困难，因此旋转机械设备中的齿轮箱经常发生各种各样的故障，并且每一次故障都可能造成不可或缺的金钱和生产力损失。在所谓的第四次工业革命、未来工厂、工业物联网时代，工业机械系统不断智能化、复杂化。因此，研究和开发数据驱动的方法和状态监测技术，能够实现快速、可靠和高质量的自动诊断是十分必要的。能够对齿轮箱早期故障进行准确预警，避免发生重大工业事故，工作人员可以做到及时进行维修，这对工业生产来说具有十分重大的意义。
[0003]随机共振(Stochastic resonance,SR)作为一种能够从振动信号中提取微弱信号特征的非线性信号处理方法，以其利用噪声增强微弱信号而不是消除噪声的独特优势在机械故障诊断领域得到了广泛的研究。

技术实现思路

[0004]基于上述问题背景，本专利技术提供了一种基于自适应噪声变换和随机共振的机械故障诊断方法，通过对输入信号中的噪声进行分布变换，并且利用人工蜂群算法对参数进行快速寻优，得到最利于随机共振系统的噪声分布，然后经过随机共振系统进行信号去噪，最后通过包络谱分析，进行故障诊断。
[0005]本专利技术的具体技术方案是：
[0006]S1、利用加速度传感器采集机械旋转部件的振动数据，作为原始信号；
[0007]S2、将原始信号经过离散小波变换(DWT)分解为不同频带的信号，分解层数为待定系数，对分解后的信号进行重分布，重分布系数待定，重分布的目的是使原始信号中的有色噪声转化为对随机共振系统最有利的粉红噪声，将得到的重分布后的噪声再经过离散小波变换(DWT)重构得到新的包含粉红噪声分布的信号。
[0008]S3、通过人工蜂群算法(ABC)对S2中的离散小波分解层数和重分布系数进行寻优，寻优目标函数为加权谱峭度(CSK)，将寻优结果代入S2中得到重构后的信号。
[0009]S4、将重构后的信号输入标准化后的双稳态随机共振系统，通过随机共振利用噪声能量增强低频信号能量，放大原信号中的故障特征信号，得到去噪后的信号。
[0010]S5、对最终得到的经过随机共振系统去噪后的信号进行希尔伯特包络谱分析，将包络谱峰值频率和计算出的理论故障特征频率进行比较，对机械旋转部件进行故障诊断。
[0011]在本专利技术的某一具体实例中，S2中原始信号经过离散小波变换进行信号噪声变换
的方法为：
[0012]假设x(t)为原始输入信号，首先对原始信号进行离散小波变换，得到一系列的细节系数和近似系数，表达式如下：
[0013][0014][0015]其中，为尺度函数，为母小波函数，j为分解层数，j＝1,2,..,J，J为最后一层，于是，我们得到了在不同频带的一些列小波系数：
[0016]Φ＝{d1,d2,
…
,d
j
,
…
,d
J
,d
J+1
}
ꢀꢀ
(3)
[0017]其中d
J+1
为最后一层的近似系数a
J
，由于离散小波分解的本质在于构建一系列低通和高通滤波器对原始信号进行滤波，输出不同频带的信号。
[0018]分解层数J由下式决定：
[0019][0020]其中f
s
为采样频率，f0为故障特征频率，将故障特征频率包含在最后一层细节系数里，而f0通常未知。
[0021]接下来，我们对各个不同频带信号中的噪声进行重分布，得到对随机共振系统最有利的粉红噪声，粉红噪声的特点是噪声强度随着频率的增加而变小，也就是说，粉红噪声主要集中在信号的低频部分，对各个小波系数进行重分布的公式如下：
[0022][0023]其中，α为重分布系数，最后将重分布后的信号进行重构得到新的信号y
n
(t)：
[0024][0025]在本专利技术的某一具体实例中，S3中使用人工蜂群算法(ABC)以新提出的相关谱峭度(CSK)为适应度函数对离散小波分解层数J和重分布系数α进行寻优的步骤如下：
[0026]S21、初始化解空间维度和范围，种群个数和种群解，侦查蜂数量，加速度常数，蜜源最大不更新次数，以及最大迭代次数。
[0027]S22、计算各蜜源的适应度函数值。雇佣蜂在目前蜜源的附近进行探索搜寻新的蜜源，跟随蜂根据贪婪策略选择最优的蜜源，并在蜜源附近进行探索搜索新的蜜源。
[0028]S23、重复步骤S22，如果某个蜜源未更新次数达到蜜源最大不更新次数，丢弃该蜜源，并且根据侦查蜂数量随机产生一个最优蜜源进行代替。
[0029]S24、不断重复S22和S23，直到达到最大迭代次数，得到最优解。
[0030]在本专利技术的某一具体实例中，S4中利用双稳态随机共振系统对信号进行去噪的原理如下：
[0031]双稳态过阻尼随机共振系统的朗之万方程如下：
[0032][0033]其中x(t)是粒子运动轨迹，a,b是非负系统参数，A0是微弱信号幅值，f0为周期信号频率，ξ(t)是零均值高斯白噪声，强度为D。
[0034]为了克服小参数限制，令τ＝at，因此，(7)式变为：
[0035][0036]于是得到了双稳态随机共振系统的标准形式，并且对输入周期信号进行了频率和幅值变换，满足了小参数限制。
[0037]在本专利技术的某一具体实例中，S5中希尔伯特包络谱的原理如下：
[0038]将信号经过希尔伯特变换得到原始信号的复域部分，将原信号和其复域部分相结合得到信号的解析信号，求解析信号的模即得到希尔伯特包络信号，求幅值谱即得到希尔伯特包络谱，主要用于显示原信号的低频调制部分。
[0039]与现有技术相比，本专利技术的有益效果在于：
[0040]本专利技术将工程中包含有大量噪声的振动信号先经过噪声变换，得到更有利于随机共振系统的粉红噪声，然后在经过随机共振系统通过低频噪声放大原始信号，得到更好的原始信号放大的效果。
附图说明
[0041]图1为本专利技术流程图；
[0042]图2为本专利技术中轴承外圈故障的时域图；
[0043]图3为本专利技术中轴承外圈故障的频域图；
[0044]图4为本专利技术中进过重分布后的重构信号时域图；
[0045]图5为本专利技术中人工蜂群算法迭代曲线图；
[0046]图6为本专利技术中经过随机共振系统后的信号时域图；
[0047]图7为本专利技术中经过随机共振系统后的信号包络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应噪声变换和随机共振的机械故障诊断方法，其特征在于，所述方法包括如下步骤：S1、利用加速度传感器采集机械旋转部件的振动数据，作为原始信号；S2、将原始信号经过离散小波变换分解为不同频带的信号，分解层数为待定系数，对分解后的信号进行重分布，放大低频信号，重分布系数待定，将重分布后的信号在经过离散小波变换重构得到包含粉红噪声的新信号；S3、通过人工蜂群算法对S2中的离散小波分解层数和重分布系数进行寻优，寻优目标函数为加权谱峭度，将寻优结果代入S2中得到重构后的信号；S4、将重构后的信号输入标准化后的双稳态随机共振系统，通过随机共振利用噪声能量增强低频信号能量，放大原信号中的故障特征信号，得到去噪后的信号；S5、对最终得到的经过随机共振系统去噪后的信号进行希尔伯特包络谱分析，将包络谱峰值频率和计算出的理论故障特征频率进行比较，对机械旋转部件进行故障诊断。2.根据权利要求1所述的一种基于自适应噪声变换和随机共振的机械故障诊断方法，其特征在于，S2中原始信号经过离散小波变换进行信号噪声变换的方法为：假设x(t)为原始输入信号，首先对原始信号进行离散小波变换，得到一系列的细节系数和近似系数，表达式如下：数和近似系数，表达式如下：其中，a
J
(k)为近似系数，d
j
(k)为细节系数，为尺度函数，为母小波函数，j为分解层数，j＝1,2,..,J，J为最后一层，得到在不同频带的一些列小波系数：Φ＝{d1,d2,
…
,d
j
,
…
,d
J
,d
J+1
}
ꢀꢀꢀꢀ
(3)其中d
J+1
为最后一层的近似系数a
J
，分解层数J由下式决定：其中f
s
...

【专利技术属性】
技术研发人员：迟峰，王永，黄晓燕，高翔，杨秦敏，翁得鱼，陈旭，曹伟伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：