System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及轴承故障诊断,尤其涉及一种基于特征信息参数加权重构的主轴承故障表征方法。
技术介绍
1、近年来,航空航天作为在国防科技建设的高精尖领域,发展十分迅速。航空发动机作为飞行器翱翔天空的动力之源,堪称“工业之花”,有着精确而高度复杂的工作特性。航空发动机主轴承是发动机支承传动系统的核心部件之一,工作条件十分严苛,其工作环境温度高、载荷大、转速高,受到磨损、疲劳和润滑不良等因素的影响容易在运行过程中出现故障。航空发动机主轴承的工作状况直接关系航空发动机的稳定性,而航空发动机主轴承安装于发动机内部,难以频繁将发动机拆解对主轴承进行故障判别,为了发动机的稳定运行,开发有效和准确的航空发动机主轴承状态控制与故障诊断方法对于航空发展有极其重要的意义。
2、鉴于航空发动机中主要轴承失效的不确定性因素、背景噪声巨大而且传递方式复杂等原因,其信息的时域和频率的信息特性也随之改变,就必须在一个时间范围内对时域和频率特性的数据进行进一步分析和处理。刘前进等通过利用变分模态分解算法vmd分析在各种转速工况下的支座故障信号,可以有效提取出微弱故障特征信号,以便实现对滚动轴承故障的动态监测。马增强等对故障信号进行变分模态分析,通过利用teager能量算子将对峭度大的分量解调,从而减少了干扰杂波的影响,因此大大提高了分析方法的有效性,快速精准诊断出滚动轴承的故障。相比于经验模态emd中的循环递归筛选过程,变分模态分解算法vmd方法对于噪声的干扰更加鲁棒,能够减少噪声对分解结果的影响。
3、现有方法大多根据一个敏感参数或者几个
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,提供一种基于特征信息参数加权重构的主轴承故障表征方法,最大程度保留轴承故障振动信号中的有效成分,抑制噪声成分的干扰,更加精确地提取轴承故障特征信息。
2、为解决上述技术问题,本专利技术所采取的技术方案是:
3、一种基于特征信息参数加权重构的主轴承故障表征方法,包括如下步骤:
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:利用粒子群算法pso对变分模态分解算法vmd中的参数进行优化,将其作为前置参数来处理采集到的滚动轴承原始振动信号,得到imf信号分量;
6、步骤3:根据加权特征参数信息重构公式所有imf分量,得到重构信号;
7、步骤4:对加权后得到的重构信号进行包络解调,提取轴承故障特征信息,诊断故障。
8、进一步地,所述步骤2中,变分模态分解算法vmd中的参数为[a0,k0],a0为惩罚因子,k0为模态数,将其作为前置参数来处理振动传感器采集到的原始振动信号,得到k0个imf信号分量,适应度函数为k0个分量中最小包络熵的值。
9、进一步地,所述步骤2中所述得到imf信号分量的具体方法为:
10、步骤2.1:假设原始振动信号由k个imf分量构成,对每个调幅调频信号进行希尔伯特hilbert变换,从而获得imf分量的单边频谱,imf分量的单边频谱按式(7)计算:
11、
12、式中,δ(t)是脉冲函数,t为时间,j为虚数单位,*表示卷积,uk(t)是第k个imf分量;
13、步骤2.2:向单边频谱添加一个指数项进行频率混合,将各模态的频谱调制到相应的基频带,各模态的频谱调制到相应的基频带按式(8)计算:
14、
15、式中,{ωk(t)}={ω1,...,ωk},代表各组成部分的中心频率;
16、步骤2.3:计算频谱调整后解调信号的梯度,用其二范数平方来估计各模态信号的带宽,将所有分量相加等于原信号作为约束条件,得出约束变分模型描述,如式(9)所示:
17、
18、式中,表示函数对t求偏导,{uk}={u1,...,uk}代表着分解后的imf分量组件,x(t)表示原始振动信号;
19、步骤2.4:为求解约束变分模型,引入拉格朗日乘子λ(t)以及二次惩罚因子α,并使用交替方向乘子法迭代搜索拉格朗日函数的最优化结果,最终将原始信号分解为k0个imf分量;扩展的拉格朗日函数,按式(10)计算:
20、
21、进一步地,所述步骤3包括:
22、偏度的定义为:
23、
24、峭度的定义为:
25、
26、相关系数的数学表达式为:
27、
28、其中,x、y代表两个样本变量;u为信号分量振幅的平均值;σ为信号分量振幅的标准差;cov(x,y)表示变量x和y的协方差,表示样本变量x的方差,表示y的方差;
29、将偏度、峭度和相关系数进行归一化,并根据加权特征参数重构公式融合所有分量:
30、
31、
32、
33、
34、式中,si、ki、ri为第i个模态分量的偏度值、峭度值和相关系数,smax、kmax、rmax为模态分量中最大的偏度值、峭度值和相关系数;si、ki、ri为第i个模态分量的归一化后的偏度值、峭度值和相关系数;imfi为第i个模态分量,newsignal为对每个模态分量加权后的重构信号。
35、采用上述技术方案所产生的有益效果在于:本专利技术提供的基于特征信息参数加权重构的主轴承故障表征方法,选用pso优化vmd分解以确定前置参数[a0,k0],pso算法的并行化处理比较容易,每个粒子的计算是相互独立的,可以同时进行,这种特点使得pso算法适合于在多处理器或分布式计算环境中应用,提高了算法的效率和速度,并且适用于非线性、非凸、高维优化问题;所选用的vmd分解在信号分解过程中能够保持总能量的不变性,即分解后各个模态的能量之和等于原始信号的能量,这使得vmd在信号处理应用中更加可靠,避免了能量损失和偏差的问题,vmd也能避免模态之间的重叠问题,即每个分解得到的模态具有不同的频率范围,彼此之间相互独立,这有利于对信号的局部特征进行分析和提取,有助于后续的模态重构和信号恢复;所提出的加权特征参数信息重构公式,不仅能将所有模态分量信号进行加权重构,避免人为筛选信号而造成的有效信息缺失的问题,还可以通过加权的方式使有效信息多的imf分量在最后的重构信号中占的比重更大,突显出故障特征信息,使轴承故障特征频率及其倍频更易被提取。本专利技术提供的方法应用于某型涡扇航空发动机故障轴承部件试验振动数据分析,可有效识别轴承故障特征信息,可作为航空发动机主轴轴承故障诊断的方法之一,与pso-vmd-kurt和利用wpd-kvi-hilbert算法相比,本专利技术方法能更清晰提取出轴承故障特征频率及其倍频。
本文档来自技高网...【技术保护点】
1.一种基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述方法包括如下步骤:
2.根据权利要求1所述的基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述步骤2中,变分模态分解算法VMD中的参数为[a0,K0],a0为惩罚因子,K0为模态数,将其作为前置参数来处理振动传感器采集到的原始振动信号,得到K0个IMF信号分量,适应度函数为K0个分量中最小包络熵的值。
3.根据权利要求2所述的基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述步骤2中所述得到IMF信号分量的具体方法为:
4.根据权利要求3所述的基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述步骤3包括:
【技术特征摘要】
1.一种基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述方法包括如下步骤:
2.根据权利要求1所述的基于特征信息参数加权重构的主轴承故障表征方法,其特征在于:所述步骤2中,变分模态分解算法vmd中的参数为[a0,k0],a0为惩罚因子,k0为模态数,将其作为前置参数来处理振动传感器采集到的原始振动信...
【专利技术属性】
技术研发人员:沙云东,张引,赵俊豪,栾孝驰,赵奉同,王李成,
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。