本发明专利技术公开了基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，属于轴承故障诊断领域。首先，将信号分解成若干个固有模态函数(IMF)分量，采用皮尔逊相关系数计算原始信号与各IMF分量的相关程度；然后，设计了一个阈值，将IMF分量按pearson系数的大小分成三组，并提出了一种新的加权规则，根据IMF分量的相关系数大小，为其分配了不同的权重，并进行重构，增强了富含故障信息的IMF分量，从而提高了信噪比；而后，分别提取重构信号的时域、频域、小波域和多尺度能量矩特征，并使用主成分分析消除各域特征的量纲差异，构建多域融合特征集；最后，使用灰狼优化算法优化DBN的学习率，并将融合故障特征输入到DBN中进行二次挖掘，使用改进的softmax算法替换DBN中的传统softmax完成故障分类。的传统softmax完成故障分类。的传统softmax完成故障分类。
【技术实现步骤摘要】
基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法
[0001]本专利技术涉及一种基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，涉及轴承故障诊断领域。
技术介绍
[0002]滚动轴承是机械设备的基本部件，被大多数旋转机械使用，在各个生产领域发挥着重要的作用。由于滚动轴承经常在重负荷下运行，非常容易导致轴承损伤，从而引发机械故障。因此，对滚动轴承进行故障诊断可以为设备后期维护计划提供可靠的决策支持，具有非常重要的实际意义。
[0003]滚动轴承的故障诊断大致分为三个阶段：信号处理、特征提取以及故障识别。文献1[Wang Jingyue,Li Jiangang,Wang Haotian.Composite fault diagnosis of gearbox based on empirical mode decomposition and improved variational mode decomposition[J].Journal of Low Frequency Noise,Vibration and Active Control,2020,40(1):332
‑
346.]提出了一种将经验模态分解与改进的变分模态分解相结合的齿轮箱复合故障诊断新方法，采用能量法消除和更新模态分量，解决了经验模态分解结果中的假模态问题，提高了信噪比。文献2[别锋锋,朱鸿飞,彭剑,等.基于VMD
‑
MSE与SSA
‑
SVM的往复式压缩机气阀故障诊断[J].振动与冲击,2022,41(19):289
‑
295.]对故障信号进行变分模态分解，并提取信号的多尺度熵作为故障特征，采用麻雀算法优化支持向量机的参数，准确的完成了故障的识别。文献3[Abdelkader Rabah,Kaddour Abdelhafid,Derouiche Ziane.Enhancement of rolling bearing fault diagnosis based on improvement of empirical mode decomposition denoising method[J].The International Journal of Advanced Manufacturing Technology,2018,97(5/8):3099
‑
3117.]提出了一种基于改进的经验模态分解的滚动轴承故障诊断方法，利用所有IMF分量的能量大小来确定阈值点并执行优化的阈值运算以对这些IMF进行降噪，对滚动轴承故障的早期检测和诊断更加敏感和有效。上述模型通过消减噪声信号来增加信噪比，提升了模型的鲁棒性，但是其没有从根本上提高故障信号的比重，对信噪比的提升是有限的。文献4[徐存知,熊新.基于多尺度特征提取与KPCA的轴承故障诊断[J].电子测量与仪器学报,2019,33(11):22
‑
29.]提取了固有旋转分量在多个尺度上的时域特征，并建立极限学习机故障诊断模型。相较于单一尺度的特征提取，该方法提取了不同尺度因子的信号特征，提高了诊断精度。文献5[Tianzhen Wang,Jie Qi,Hao Xu,et al.Fault diagnosis method based on FFT
‑
RPCA
‑
SVM for Cascaded
‑
Multilevel Inverter[J].ISA Transactions,2016,60:156
‑
163.]采用快速傅里叶变换(FFT)提取故障特征信号的主要特征，使用支持向量机(SVM)构建故障识别器，诊断精度达到了90％以上。文献6[蒋佳炜,胡以怀,方云虎,等.基于多尺度时域平均分解和模糊熵的船用风机故障诊断方法[J].中国机械工程,2022,33(10):1178
‑
1188.]提取了船舶风机故障信号的模糊熵特征进行故障诊断，实验结果表明该方法优于其他故障诊断模型。
然而，上述文献[4
‑
6]只从单一域进行特征提取，所提取的特征不够全面，无法完整的表示故障信号。文献7[郭伟,邢晓松.基于改进卷积生成对抗网络的少样本轴承智能诊断方法[J].中国机械工程,2022,33(19):2347
‑
2355.]从深度和广度两方面对卷积神经网络进行改进，增强了复杂数据的故障特征提取性能，提高了小样本数据的诊断精度。文献8[张鑫,郭顺生,李益兵,等.基于拉普拉斯特征映射和深度置信网络的半监督故障识别[J].机械工程学报,2020,56(01):69
‑
81.]使用LE算法提取原始信号的故障特征，并将其输入到DBN中进行二次挖掘，得到了更好的特征表示，提高了分类精度。文献9[樊家伟,郭瑜,伍星,等.基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断[J].振动与冲击,2021,40(20):271
‑
277.]使用FFT提取行星齿轮箱信号的故障特征，再利用长短期记忆(LSTM)神经网络对所提取的特征进行分类，高效地实现了行星齿轮箱的故障诊断。文献[7
‑
9]采用深度神经网络进行故障识别，具有强大的非线性拟合能力。但是，上述文献根据经验对深度神经网络的参数进行设置，无法最大化模型的诊断能力。
技术实现思路
[0004]由于滚动轴承的工作环境不稳定，导致传感器所提取的信号包含大量的背景噪声，具有强烈的非线性和非平稳性。并且，传统故障诊断方法提取的特征信息较为单一，无法全面的反映轴承故障状态的信息，从而导致故障诊断的识别率不高。
[0005]本专利技术采用的技术方案是：基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，包括以下步骤：
[0006]采用改进的经验模态分解算法对原始轴承信号进行分解降噪，获得重构信号，有效的提高了信噪比。
[0007]特征提取，分别提取重构信号的时域、频域、小波域以及各IMF分量的能量矩特征，并使用主成分分析消除各域特征的量纲差异，构建多域融合特征集；针对传统故障诊断表示信号的方式单一，从时域、频域以及小波域等对信号进行了多角度的分析，提取了各域中表征故障能力最强的特征信息，构建多域融合特征空间，对故障信号进行了全面的表达。
[0008]使用灰狼优化算法优化深度置信网络的学习率，将多域融合特征集输入到优化后的深度置信网络中进行二次挖掘，并利用最大标准化softmax完成故障分类，消除了传统softmax因数值过大而引起的溢出现象，显著地提升了分类效果。
[0009]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的滚动轴承故障诊断方法的步骤。
[0010]本专利技术从信号处理技术、特征提取方法以及模式识别器这三个方面对滚动轴承的诊断过程进行了全面的优化。相对于现有技术，本专利技术的优点包括本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，其特征在于，包括以下步骤：采用改进的经验模态分解算法对原始轴承信号进行分解降噪，获得重构信号；特征提取，分别提取重构信号的时域、频域、小波域以及各IMF分量的能量矩特征，并使用主成分分析消除各域特征的量纲差异，构建多域融合特征集；使用灰狼优化算法优化深度置信网络的学习率，将多域融合特征集输入到优化后的深度置信网络中进行二次挖掘，并利用最大标准化softmax完成故障分类。2.根据权利要求1所述基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，其特征在于：所述改进的经验模态分解算法，设置了一个阈值，根据皮尔逊相关系数将IMF分量划分成主故障IMF分量、次故障IMF分量以及噪声IMF分量，在保证主故障IMF分量权重的基础上，将相关系数映射到以e为底的指数域中，根据权重规则，对信号进行重构。3.根据权利要求1或2所述基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法，其特征在于：所述改进的经验模态分解算法具体包括以下步骤：步骤1：计算轴承振动信号x(t)的上、下极值点，分别作出上包络线、下包络线并求取均值包络线m1(t)，则残余分量表示为：h1(t)＝x(t)
‑
m1(t)步骤2：若h1(t)不满足本征模态函数，则将h1(t)作为待分解信号，重复步骤1，直到残余分量h
k
(t)满足本征模态函数；步骤3：令第一个本征模态函数为c1，则剩余项r1(t)＝x(t)
‑
c1，将r1(t)作为待分解信号，重复步骤1；当剩余项r
n
(t)小于给定值或成为单调函数时，则结束分解，x(t)分解成为：式中，c
i
为第i个本征模态分量；步骤4：采用皮尔逊相关系数定量的计算第i个本征模态函数分量与原始数据的相关程度ρ
i
：式中，T为振动信号的样本点数，为若干个本征模态函数的均值，为被测信号的均值，c(t)为第t个本征模态函数；步骤5：设置阈值ρ
m
，将IMF分量划分成三组——主故障IMF分量，次故障IMF分量以及噪声I...
【专利技术属性】
技术研发人员：任海军，谭志强，丁显飞，罗亮，谢攀，闫通，董治强，李直珉，
申请(专利权)人：重庆邮电大学，
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。