基于DBO-VMD的变工况风机轴承故障诊断方法技术

本发明专利技术公开了一种基于DBO

【技术实现步骤摘要】
基于DBO
‑
VMD的变工况风机轴承故障诊断方法


[0001]本专利技术属于风机轴承故障诊断
，具体涉及一种基于DBO
‑
VMD的变工况风机轴承故障诊断方法。

技术介绍

[0002]风机是一种广泛应用于工业、农业、建筑、交通等领域的流体机械，它的主要功能是将电能或其他形式的能量转化为气体流动的动能和压力能，从而实现气体输送、增压、循环、换气等目的。风机轴承是风机的重要组成部分，它承受着风机转子的重量和不平衡力，保证了风机转子的稳定运转。然而，由于风机轴承在运行过程中受到各种因素的影响，如负荷变化、润滑不良、安装不当、材料缺陷、环境温湿度变化等，容易产生各种故障，如磨损、裂纹、剥落、点蚀等。这些故障会导致风机轴承性能下降，甚至造成风机停机或事故，给生产和安全带来严重的损失。因此，及时有效地检测和诊断风机轴承故障，对于提高风机运行效率和可靠性，延长风机寿命，减少维修成本和停机损失，保障生产安全具有重要意义。
[0003]故障特征提取是风机轴承故障诊断的核心环节，风机轴承运行环境复杂，采集的振动信号具有很强的噪声，淹没了故障特征，如何有效的提取出故障特征，是当前风机轴承故障诊断的主要研究内容之一。目前，轴承故障特征的提取主要采用的时频结合的分析方法，其中变分模态分解(VMD)自提出以来，在轴承复杂信号的特征提取上有着优异的表现，它能够有效的剔除背景噪声，很大程度上提高了后续轴承故障检测的精度。但是VMD分解的参数[K,α]需要人为设置，这对分解性能产生了较大的影响，众多学者根据智能优化算法的理论对VMD的参数[K,α]进行了智能优化，寻找最优参数，这很好的避免了可能出现的模态混叠文题。但是不同群智能优化算法之间的优化效果是不一样的，因此有必要寻找一种具有快速收敛性质的智能优化算法，且对于风机轴承故障具有较好的适应性，能够有效的提高故障诊断的准确率。

技术实现思路

[0004]本专利技术的目的是提供一种基于DBO
‑
VMD的变工况风机轴承故障诊断方法，解决了风机轴承故障诊断领域现有技术中存在的变工况故障特征提取能力不足、VMD分解优化方法收敛速度较慢的问题。
[0005]本专利技术所采用的技术方案是，基于DBO
‑
VMD的变工况风机轴承故障诊断方法，具体按照以下步骤实施：
[0006]步骤1、数据预处理阶段；
[0007]步骤2、DBO算法优化VMD参数[K,α]阶段；
[0008]步骤3、VMD分解、信号重构阶段；
[0009]步骤4、数据集生成阶段；
[0010]步骤5、故障诊断阶段。
[0011]本专利技术的特点还在于，
[0012]步骤1具体按照以下步骤实施：
[0013]步骤1.1、选择CWRU数据集中的驱动端数据；
[0014]步骤1.2、制作驱动端数据标签，包括10种数据，其中故障数据有9种，分别为：ba_7、ba_14、ba_21、ir_7、ir_14、ir_21、or_7、or_14、or_21和1种正常状态的数据nc；ba_X为滚动体故障，ir_X为内圈故障，or_X为外圈故障。
[0015]步骤2中，首先选择一种状态的轴承振动数据，作为DBO算法的输入数据；然后构造DBO算法的适应度函数；初始化DBO算法的参数，开始迭代DBO算法的参数；最后获取DBO算法的运行结果，将结果带入VMD算法。
[0016]步骤2具体按照以下步骤实施：
[0017]步骤2.1、截取轴承故障数据片段；
[0018]步骤2.2、构造数据片段的平均包络熵函数；
[0019]步骤2.3、建立DBO算法模型，初始化参数，开始数量为M次的算法迭代；
[0020]步骤2.4、在一次迭代过程中，开启循环数量为种群数量N的循环，并执行步骤2.5
‑
2.8；
[0021]步骤2.5、更新滚球蜣螂的位置信息；
[0022]步骤2.6、更新孵卵球的位置信息；
[0023]步骤2.7、更新成年蜣螂的位置信息；
[0024]步骤2.8、更新小偷蜣螂的位置信息；
[0025]步骤2.9、次循环次数加1；
[0026]步骤2.10、当次循环结束后，主循环次数加1；
[0027]步骤2.11、得到全局最优位置及适应度函数值。
[0028]步骤2中，
[0029]DBO算法的模型建立：模拟的蜣螂具体行为包括以下：
[0030](a)滚球
[0031]设定蜣螂在整个搜索空间中沿着给定的方向移动，以太阳光作为蜣螂运动的导航，假定光源强度也会影响蜣螂路径，在滚动过程中，蜣螂的位置更新计算公式为：
[0032]x
i
(t+1)＝x
i
(t)+α
×
k
×
x
i
(t
‑
1)+b
×
|x
i
(t)
‑
X
w
|
ꢀꢀꢀꢀꢀ
(1)
[0033]式中：x
i
(t+1)为更新后的滚球蜣螂位置；t为当前迭代次数；x
i
(t)为蜣螂的位置信息；k为是一个常量，表示偏转系数，取值范围在(0,0.2]；b为取值范围为(0,1)；α为自然系数；X
w
为全局最差位置；|x
i
(t)
‑
X
w
|为光强的变化；
[0034]在式(1)中，参数k和b的合适选取至关重要，通常情况下，k值为0.1，b值为0.3，α模拟使蜣螂偏离原有方向的自然因素，当α为1时，代表方向没有偏离，α为
‑
1时，表示方向偏离原有方向，|x
i
(t)
‑
X
w
|值越大表示光源越弱，通过X
w
控制光源的大小，扩大搜索范围；
[0035](b)跳舞
[0036]使用正切函数得到新的滚动方向，在获得新的方向后，蜣螂会朝这个方向滚球，位置更新公式如式(2)：
[0037]x
i
(t+1)＝x
i
(t)+tan(θ)|x
i
(t)
‑
x
i
(t
‑
1)|
ꢀꢀꢀꢀꢀꢀ
(2)
[0038]式中：x
i
(t+1)为更新后的跳舞蜣螂位置；θ为偏转角，取值范围是[0,π]；
[0039]上式中，θ取值为0、π/2、π时，认为位置没有更新，取其它值时，则认为蜣螂的位置
进行了更新；
[0040](c)繁殖
[0041]提出一种边界选择策略，边界选择策略概念定义如式(3)所示：
[0042][0043]式中：Lb
*
,Ub本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DBO
‑
VMD的变工况风机轴承故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1、数据预处理阶段；步骤2、DBO算法优化VMD参数[K,α]阶段；步骤3、VMD分解、信号重构阶段；步骤4、数据集生成阶段；步骤5、故障诊断阶段。2.根据权利要求1所述的基于DBO
‑
VMD的变工况风机轴承故障诊断方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、选择CWRU数据集中的驱动端数据；步骤1.2、制作驱动端数据标签，包括10种数据，其中故障数据有9种，分别为：ba_7、ba_14、ba_21、ir_7、ir_14、ir_21、or_7、or_14、or_21和1种正常状态的数据nc；ba_X为滚动体故障，ir_X为内圈故障，or_X为外圈故障。3.根据权利要求2所述的基于DBO
‑
VMD的变工况风机轴承故障诊断方法，其特征在于，所述步骤2中，首先选择一种状态的轴承振动数据，作为DBO算法的输入数据；然后构造DBO算法的适应度函数；初始化DBO算法的参数，开始迭代DBO算法的参数；最后获取DBO算法的运行结果，将结果带入VMD算法。4.根据权利要求3所述的基于DBO
‑
VMD的变工况风机轴承故障诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、截取轴承故障数据片段；步骤2.2、构造数据片段的平均包络熵函数；步骤2.3、建立DBO算法模型，初始化参数，开始数量为M次的算法迭代；步骤2.4、在一次迭代过程中，开启循环数量为种群数量N的循环，并执行步骤2.5
‑
2.8；步骤2.5、更新滚球蜣螂的位置信息；步骤2.6、更新孵卵球的位置信息；步骤2.7、更新成年蜣螂的位置信息；步骤2.8、更新小偷蜣螂的位置信息；步骤2.9、次循环次数加1；步骤2.10、当次循环结束后，主循环次数加1；步骤2.11、得到全局最优位置及适应度函数值。5.根据权利要求4所述的基于DBO
‑
VMD的变工况风机轴承故障诊断方法，其特征在于，所述步骤2中，DBO算法的模型建立：模拟的蜣螂具体行为包括以下：(a)滚球设定蜣螂在整个搜索空间中沿着给定的方向移动，以太阳光作为蜣螂运动的导航，假定光源强度也会影响蜣螂路径，在滚动过程中，蜣螂的位置更新计算公式为：x
i
(t+1)＝x
i
(t)+α
×
k
×
x
i
(t
‑
1)+b
×
x
i
(t)
‑
X
w (1)式中：x
i
(t+1)为更新后的滚球蜣螂位置；t为当前迭代次数；x
i
(t)为蜣螂的位置信息；k为是一个常量，表示偏转系数，取值范围在(0,0.2]；b为取值范围为(0,1)；α为自然系数；X
w
为全局最差位置；x
i
(t)
‑
X
w
为光强的变化；在式(1)中，参数k和b的合适选取至关重要，通常情况下，k值为0.1，b值为0.3，α模拟使蜣螂偏离原有方向的自然因素，当α为1时，代表方向没有偏离，α为
‑
1时，表示方向偏离原有方向，x
i
(t)
‑
X
w
值越大表示光源越弱，通过X
w
控制光源的大小，扩大搜索范围；(b)跳舞使用正切函数得到新的滚动方向，在获得新的方向后，蜣螂会朝这个方向滚球，位置更新公式如式(2)：x
i
(t+1)＝x
i
(t)+tan(θ)x
i
(t)
‑
x
i
(t
‑
1) (2)式中：x
i
(t+1)为更新后的跳舞蜣螂位置；θ为偏转角，取值范围是[0,π]；上式中，θ取值为0、π/2、π时，认为位置没有更新，取其它值时，则认为蜣螂的位置进行了更新；(c)繁殖提出一种边界选择策略，边界选择策略概念定义如式(3)所示：式中：Lb
*
,Ub
*
为产卵区域的下界和上界；X
*
为当前局部最优位置；Lb,Ub为优化问题的下界和上界；T
max
表示最大迭代次数；一旦确定了产卵区域，雌性蜣螂就会选择这个区域的卵球产卵，在DBO算法中，假设每个雌蜣螂在每次迭代中只会下一个卵，根据式(3)可知，产卵区域的边界范围是随值动态变化的，因此卵球的位置在迭代过程中也是动态变化的，它的更新公式如下：B
i
(t+1)＝X
*
+b1×
(B
i
(t)
‑
Lb
*
)+b2×
(B
i(t)
‑
Ub
*
) (4)式中：B
i
(t+1)为更新后的卵球位置；B
i
(t)为第t次迭代的位置信息；b1,b2为两个独立的随机向量；(d)觅食根据成年蜣螂的觅食过程，建立最优觅食区域模型，如式(5)：式中：Lb
b
,Ub
b
为最佳觅食区域的下界和...

【专利技术属性】
技术研发人员：杨延西，卢帅，高异，武莉，吴亚丽，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：