【技术实现步骤摘要】
本专利技术涉及航空发动机，尤其涉及一种航空发动机中介轴承故障诊断方法。
技术介绍
1、滚动轴承在旋转机械甚至是现代制造业中发挥着重要作用，但轴承在运行过程中容易受到负载、摩擦和阻尼的影响，从而发生故障，其故障时的工作状态可能会影响整个机器运转的性能和安全性，因此研究滚动轴承的故障检测技术和诊断方法是具有实际意义的。
2、目前，航空发动机轴承的故障诊断问题正向着智能化的方向发展，神经网络由于拥有较强的自适应、自学习、非线性分类能力相比传统的人工故障诊断有着更高的效率并具有良好的鲁棒性，因而得到了广泛的应用。
3、传统的故障诊断方法一定程度上依赖专业技术人员的经验判断，当故障信息不全时，故障诊断的精度就难以保证，可能造成误诊。现有技术中，传统极限学习机elm模型的权重为随机设置致使诊断精度不高、结果不稳定、诊断准确率受限于测点位置，诊断中介轴承故障的能力较弱；elm与自编码器ae相结合组成的深度极限学习机delm分类性能很大程度上取决于网络参数的选取，但手动调节网络的参数不仅十分繁琐而且很难确定最佳的网络参数；粒子群算法pso、灰狼算法gwo、布谷鸟搜索算法cs和蝙蝠算法ba，这些优化算法在参数的寻优中起到了强大的作用，但算法存在容易陷入局部最优的问题。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种航空发动机中介轴承故障诊断方法，能有效抑制背景噪声的干扰，提高故障诊断的准确率。
2、为解决上述技术问题，本专利技术所采
3、一种航空发动机中介轴承故障诊断方法，包括以下步骤：
4、步骤1：采用振动传感器采集滚动轴承的振动信号；
5、步骤2：对采集得到的滚动轴承振动信号进行分解，得到不同的信号分量；
6、步骤3：结合峭度值、相关系数和能量比所构成的kr准则，对分解后的信号分量进行筛选，并对筛选后的分量进行重构；
7、步骤4：提取重构信号时频域中的多种特征值并构成特征矩阵，将得到的特征矩阵作为深度极限学习机delm的输入；
8、步骤5：采用蜣螂算法dbo优化深度极限学习机delm的初始权重；
9、步骤6：针对待诊断轴承的振动信号，采用经蜣螂算法优化后的深度极限学习机进行故障诊断。
10、进一步地，所述步骤2中的信号分量为imf分量，采用ceemdan算法对采集得到的滚动轴承振动信号进行分解，分解出不同的imf信号分量。
11、进一步地，所述步骤3的具体方法为：
12、步骤3.1：计算各信号分量的峭度值k，如下式所示：
13、
14、其中，x为信号分量的振幅；e为信号分量x的期望；u为信号分量振幅的平均值；σ为信号分量振幅的标准差；
15、步骤3.2：计算各信号分量与原始信号的相关系数r；相关系数的求解采用皮尔逊相关系数，设两样本分别为x和y，相关系数按下式计算：
16、
17、式中，r为两样本的相关系数，cov(x,y)为两样本的协方差，为x的方差；为y的方差；
18、步骤3.3：计算各信号分量的能量比系数b，按下式计算：
19、
20、其中，eimf(i)为第i个imf分量所具有的能量，ex为imf分量的总能量；
21、步骤3.4：对计算后的能量比系数b、峭度值k、相关系数r进行加权求和，得到综合筛选指标值kr：
22、kr＝b1b'+b2k'+b3r'
23、式中，b'、k'、r'分别表示能量比系数、峭度值、相关系数归一化后的值，b1、b2、b3分别为能量比系数、峭度值、相关系数在分量中的权重，且
24、步骤3.5：对各信号分量的综合筛选指标值kr进行从大到小排序，筛选出前n个信号分量；
25、步骤3.6：对筛选后的信号分量进行重构。
26、进一步地，所述步骤4中提取重构信号时频域中的多种特征值包括重构信号时频域中的最大值、最小值、峰值、峰峰值、平均幅值、方根幅值、均值、均方根、标准差、方差、偏度、峭度、重心频率、平均频率，频率标准差、频率均方根、余隙因子、裕度因子、波峰因子、波形因子和脉冲因子。
27、进一步地，所述步骤5的具体方法为：
28、步骤5.1：初始化深度极限学习机delm算法，设定初始权重；
29、步骤5.2：初始化蜣螂算法中的蜣螂种群，并使四种蜣螂执行各自的寻优方法，四种蜣螂包括滚球蜣螂、产卵蜣螂、幼年蜣螂和小偷蜣螂；
30、步骤5.3：把深度极限学习机delm的诊断准确率作为蜣螂算法的优化目标，计算每种蜣螂的适应度值的诊断准确率，所述适应度值＝1-delm；
31、步骤5.4：滚球蜣螂、产卵蜣螂、幼年蜣螂和小偷蜣螂使用各自的寻优方法更新位置；
32、步骤5.5：计算更新位置后，每种蜣螂的适应度值，并与上一次位置进行对比，若优于上一次位置则保留新位置，反之则保留原位置；
33、步骤5.6：判断当前迭代次数是否达到最大的迭代次数；如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.5继续寻优迭代过程，直到迭代结束，输出最优的初始权重。
34、进一步地，四种蜣螂的寻优方法具体如下：
35、滚球蜣螂，在滚动过程中，滚球蜣螂位置的更新方式和光强变化分别按下两式计算：
36、xi(t+1)＝xi(t)+a×k×xi(t-1)+b×δx
37、δx＝|xi(t)-xw|
38、式中，xi(t)表示第i只蜣螂再次迭代的位置，t表示迭代次数；k表示扰度系数，为固定值，k∈(0,0.2]；b∈(0,1)为定值；a为自然系数，其赋值为1或-1；δx表示光强变化；xw表示全局最差位置；
39、产卵蜣螂，最优产卵位置按下式计算：
40、lb'＝max(x'×(1-r),lb)
41、ub'＝min(x'×(1+r),ub)
42、bi(t+1)＝x'+b1×(bi(t)-lb')+b2×(bi(t)-ub')
43、其中，lb'和ub'分别表示产卵区域的上下界；x'表示局部最优位置；tmax表示最大迭代次数，lb和ub表示优化问题的上下界，bi(t)为第t次迭代时的卵球位置信息，b1和b2表示大小为1×d的两个随机独立向量，d表示所优化问题的维度；
44、幼年蜣螂，其位置更新方式按下式计算：
45、lbb＝max(xb×(1-r),lb)
46、ubb＝min(xb×(1+r),ub)
47、xi(t+1)＝xi(t)+c1×(xi(t)-lbb)+c2×(xi(t)-ubb)
48、式中，xb表示幼年蜣螂最佳受食位置，lbb与ubb受食区域上下界；xi(t)表示第t次迭代时幼年蜣螂的位置，c1本文档来自技高网...
【技术保护点】
1.一种航空发动机中介轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤2中的信号分量为IMF分量，采用CEEMDAN算法对采集得到的滚动轴承振动信号进行分解，分解出不同的IMF信号分量。
3.根据权利要求2所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤3的具体方法为：
4.根据权利要求3所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤4中提取重构信号时频域中的多种特征值包括重构信号时频域中的最大值、最小值、峰值、峰峰值、平均幅值、方根幅值、均值、均方根、标准差、方差、偏度、峭度、重心频率、平均频率，频率标准差、频率均方根、余隙因子、裕度因子、波峰因子、波形因子和脉冲因子。
5.根据权利要求4所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤5的具体方法为：
6.根据权利要求5所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤5.2中的四种蜣螂的寻优方法具体如下：
7.根据权利要求6所述的航空
...【技术特征摘要】
1.一种航空发动机中介轴承故障诊断方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤2中的信号分量为imf分量，采用ceemdan算法对采集得到的滚动轴承振动信号进行分解，分解出不同的imf信号分量。
3.根据权利要求2所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤3的具体方法为：
4.根据权利要求3所述的航空发动机中介轴承故障诊断方法，其特征在于：所述步骤4中提取重构信号时频域中的多种特征值包括重构信号时频域中的最大值、最小值、峰值、峰峰值、平均幅值、方根幅值...
【专利技术属性】
技术研发人员：栾孝驰，汤捷中，沙云东，王胜红，赵奉同，
申请(专利权)人：沈阳航空航天大学，
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。