一种基于LMD分解与GWO-PNN的滚动轴承故障诊断方法技术

本申请属于航空发动机设计领域，为一种基于LMD分解与GWO

【技术实现步骤摘要】
一种基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法


[0001]本申请属于航空发动机设计领域，特别涉及一种基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法。

技术介绍

[0002]针对滚动轴承的故障诊断是保证旋转机械正常运行的重要一环。多种因素都有可能导致旋转机械发生故障，在这当中滚动轴承的引起的故障数量占总故障数量的44％。如果不及时处理，轴承的损伤程度会加重，严重的故障不仅会导致机械的损坏甚至可能还会造成人员伤亡。因此，如何针对轴承进行状态监测是很有工程价值的。目前，关于滚动轴承的传统诊断方法有一个主要缺点是，它们需要有经验的专业技术人员在场，人的诊断可能会造成误诊。因此，有必要使用更稳健的方法来实现故障检测的自动化。近些年随着人工神经网路的兴起，为滚动轴承故障诊断提供了一定的参考。由于轴滚动轴承发生故障时通常以振动的形式反应轴承动态特征的变化。但由于在轴承运转过程中会受到一定程度的背景噪声干扰，不仅如此轴承传递路径也会影响轴承故障诊断的准确性。因此，如何减少背景噪声对轴承振动信号的污染，同时还可以在复杂路径的前提下提取轴承微弱故障信息将成为轴承故障诊断的关键。
[0003]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。例如有人通过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。有人提出结合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。
[0004]在过去的几十年里，粗糙集、支持向量机和人工神经网络被广泛用于识别机械故障。概率神经网络(PNN)被证明非常适用于具有简单特征向量的识别问题，因为其网络结构简单、可靠，而被广泛的用于故障诊断领域。但是网络的性能和网络参数的选取相关。同时，人为选取网络的参数具有一定的盲目性，因此考虑使用寻优算法优化网络性能。例如，现有人通过麻雀搜索算法优化概率神经网络相比于原始网络，诊断的正确率有所提高。还有人先用LMD去噪进行预处理，随后使用粒子群算法优化概率神经网络，使得整体故障诊断模型有着更好的诊断性能，但在轴承运转过程中会受到一定程度的背景噪声干扰，不仅如此轴承传递路径也会影响轴承故障诊断的准确性。
[0005]因此，如何去除轴承运转过程中的背景噪声干扰、提高轴承故障诊断的准确性是一个需要解决的问题。

技术实现思路

[0006]本申请的目的是提供了一种基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法，以解决现有技术中的轴承运转易受到背景噪声的干扰、轴承传递路径影响轴承故障诊断准确性的问题。
[0007]本申请的技术方案是：一种基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法，包括：
[0008]进行滚动轴承故障试验，采集故障轴承的振动信号，形成数据集，数据集内的数据按照时间进行排序；
[0009]获取数据集内的故障轴承的振动信号，采用LMD算法对采集得到的滚动轴承的振动信号x(t)进行分解，分解出不同的PF分量；
[0010]对PF分量分别进行峭度值、相关系数和能量比计算，而后通过归一化处理对PF分量进行筛选，并对筛选后的PF分量进行线性重构，得到重构后的振动信号；
[0011]通过多尺度排列熵对重构后的振动信号进行特征提取，而后通过KPCA对振动信号进行将维处理；
[0012]将降维处理后的振动信号输入至PNN神经网络内，而后通过灰狼算法GWO优化PNN神经网络的平滑因子，通过优化后的平滑因子重构PNN神经网络，进行振动信号故障诊断，获得诊断结果。
[0013]优选地，对于任意一个振动信号x(t)，通过LMD算法对其进行分解的方法为：
[0014]采用局部平均函数m
11
(t)和局部包络线函数a
11
(t)，找出信号x(t)的所有局部极端点p
i
，并计算相邻极端点的均值m
i
和包络函数值a
i
：
[0015]m
i
＝(p
i+1
+p
i
)/2
[0016]a
i
＝|p
i+1
‑
p
i
|/2
[0017]通过局部平均函数和局部包络线函数计算处所有局部平均点和局部包络点，用线连接所有局部平均点和局部包络点，而后采用移动平均法对局部平均点和局部包络点的连接线进行平滑处理，得到局部平均函数m
11
(t)和局部包络函数a
11
(t)；
[0018]设置纯频率调制函数，通过局部包络函数确定终止条件，对纯频率调制函数进行重复迭代计算，直至纯频率调制函数收敛，纯频率调制函数和局部包络函数分别为：
[0019]h
11
(t)＝x(t)
‑
m
11
(t)
[0020]s
11
(t)＝h
11
(t)/a
11
(t)
[0021]终止条件为：
[0022]优选地，所述PF分量的计算方法为：
[0023]通过包络函数计算第一个PF分量的包络信号：
[0024][0025]将纯频率调制函数与包络函数相乘，得到原始信号的第一个PF分量PF1(t)：
[0026]PF1(t)＝s
1n
(t)a1(t)
[0027]重复计算不同PF分量的包络信号，并将不同PF分量对应的纯频率调制函数与包络函数相乘，得到k个PF分量，并进一步得到时间序列信号为：
[0028][0029]优选地，对所述PF分量进行筛选的方法为：
[0030]计算各PF分量的峭度值K：
[0031][0032]式中，x为PF分量的振幅，u为PF分量振幅的平均值；σ为PF分量振幅的标准差；
[0033]计算各PF分量与原始信号的皮尔逊相关系数r；
[0034]计算各PF分量的能量比系数；
[0035]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Krε值，计算公式如下：
[0036]Krε＝a1K+a2r+a3ε
[0037]式中，a1、a2、a3分别为PF分量的峭度值、相关系数和能量比的权重值；
[0038]对各PF分量的综合筛选指标Krε值进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法，其特征在于，包括：进行滚动轴承故障试验，采集故障轴承的振动信号，形成数据集，数据集内的数据按照时间进行排序；获取数据集内的故障轴承的振动信号，采用LMD算法对采集得到的滚动轴承的振动信号x(t)进行分解，分解出不同的PF分量；对PF分量分别进行峭度值、相关系数和能量比计算，而后通过归一化处理对PF分量进行筛选，并对筛选后的PF分量进行线性重构，得到重构后的振动信号；通过多尺度排列熵对重构后的振动信号进行特征提取，而后通过KPCA对振动信号进行将维处理；将降维处理后的振动信号输入至PNN神经网络内，而后通过灰狼算法GWO优化PNN神经网络的平滑因子，通过优化后的平滑因子重构PNN神经网络，进行振动信号故障诊断，获得诊断结果。2.如权利要求1所述的基于LMD分解与GWO
‑
PNN的滚动轴承故障诊断方法，其特征在于，对于任意一个振动信号x(t)，通过LMD算法对其进行分解的方法为：采用局部平均函数m
11
(t)和局部包络线函数a
11
(t)，找出信号x(t)的所有局部极端点p
i
，并计算相邻极端点的均值m
i
和包络函数值a
i
：m
i
＝(p
i+1
+p
i
)/2a
i
＝|p
i+1
‑
p
i
|/2通过局部平均函数和局部包络线函数计算处所有局部平均点和局部包络点，用线连接所有局部平均点和局部包络点，而后采用移动平均法对局部平均点和局部包络点的连接线进行平滑处理，得到局部平均函数m
11
(t)和局部包络函数a
11
(t)；设置纯频率调制函数，通过局部包络函数确定终止条件，对纯频率调制函数进行重复迭代计算，直至纯频率调制函数收敛，纯频率调制函数和局部包络函数分别为：h
11
(t)＝x(t)
‑
m
11
(t)s
11
(t)＝h
11
(t)/a
11
(t)终止条件为：3.如权利要求2所述的基于LMD分解与GWO

【专利技术属性】
技术研发人员：刘永泉，郭小鹏，何俊杰，杜少辉，安中彦，高强，沙云冬，栾孝驰，庞广龙，
申请(专利权)人：中国航发沈阳发动机研究所，
类型：发明
国别省市：