【技术实现步骤摘要】
本专利技术属于轴承故障诊断，尤其涉及一种基于灰色关联度的滚动轴承故障诊断方法和系统。
技术介绍
1、滚动轴承作为旋转机械的关键零部件，广泛应用于交通运输工具、航空航天装备以及风力发电设备等，被要求能够在各种复杂恶劣环境下保证高精度的连续工作。但持续在高负荷、变工况的情况下运行，滚动轴承易出现各类故障，进而导致设备停机，影响生产进程。因此，如何从轴承全寿命周期数据内获取有效丰富的故障诊断信息，对保障机械设备安全稳定运行具有重要的现实意义。
2、通常采用故障特征提取方法获取故障诊断信息，例如小波变换(wavelettransform，wt)、经验模式分解(empirical mode decomposition，emd)和希尔伯特-黄变换(hilbert-huang transform,hht)。例如申请公布号为cn111238814a，专利技术名称为一种基于短时希尔伯特变换的滚动轴承故障诊断方法公开了a)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；b)利用最优滤波器对轴承振动信号进行滤波处理；c)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像；d)构建卷积神经网络模型；e)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。然而上述专利申请还存在一定缺陷，hht虽然能够自适应分析非平稳信号，但存在模态混叠和端点效应严重的问题。针对这些问题，变分模态分解法(variational mode decomposition，vmd)方法被提出，其引入变分模型，将信号的分解转换为约束模型最优解的寻优问题，从
3、此外，故障特征提取之后，需要一种模式识别技术来实现滚动轴承故障状态的自动化诊断。当前应用最为广泛的是人工神经网络(artificial neural network，ann)和支持向量机(support vector machine，svm)，其中，ann的训练需要大量包含故障特征的样本，在实际应用中很难实现，而svm虽然适用于小样本训练的情况，但其分类器的准确性取决于最优参数的选择。为确保诊断准确性，往往需要融入一些优化算法和/或设计成复杂的多类结构。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于灰色关联度的滚动轴承故障诊断方法和系统。
2、第一方面，本专利技术提供一种基于灰色关联度的滚动轴承故障诊断方法，包括：
3、获取滚动轴承正常状态下和各类故障状态下的振动信号；
4、以最小包络熵为目标函数，采用减法优化器算法对变分模态分解法的模态数和惩罚因子进行优化；
5、利用优化后的模态数和惩罚因子对目标振动信号进行变分模态分解，得到本征模函数分量；
6、提取目标振动信号的本征模函数分量的特征向量；
7、确定目标振动信号的本征模函数分量的特征向量与各标准状态特征向量的灰色接近与相似关联度；
8、根据目标振动信号的本征模函数分量的特征向量与各标准状态特征向量的灰色接近与相似关联度确定灰色综合关联度，以通过灰色综合关联度的值对滚动轴承进行故障状态诊断。
9、进一步地，所述以最小包络熵为目标函数，采用减法优化器算法对变分模态分解法的模态数和惩罚因子进行优化，包括：
10、步骤201，将滚动轴承目标状态下的多个振动信号作为减法优化器算法的输入数据；
11、步骤202，构建减法优化器算法模型；
12、步骤203，输入待优化变量数量、上限值、下限值、种群数量以及最大迭代次数；
13、步骤204，在寻优空间里随机生成初始搜索代理的值；
14、步骤205，构建振动信号的评估目标函数；
15、步骤206，确定减法优化器算法中每个搜索代理的新提议位置，以更新提议位置；
16、步骤207，重复执行步骤206的操作，直至重复次数的值达到种群数量的值；
17、步骤208，重复执行步骤204-207的操作，直至重复次数达到最大迭代次数，得到变分模态分解法的模态数和惩罚因子。
18、进一步地，所述在寻优空间里随机生成初始搜索代理的值，包括：
19、根据以下公式计算目标搜索代理在搜索空间中的目标决策变量的值：
20、xi,d＝lbd+ri,d·(ubd-lbd)；
21、其中，xi,d为第i个搜索代理在搜索空间中的第d个决策变量的值；i＝1,2,…,n1；d＝1,2,…,m1；n1为搜索代理的总数；m1为决策变量的总数；lbd为第d个决策变量的寻优下限值；ri,d为第i个搜索代理在搜索空间中的第d个决策变量；ri,d∈[0,1]；ubd为第d个决策变量的寻优上限值。
22、进一步地，所述确定减法优化器算法中每个搜索代理的新提议位置，以更新提议位置，包括：
23、根据以下公式计算减法优化器算法中每个搜索代理的新提议位置：
24、
25、其中，为第i个搜索代理xi的新提议位置；i＝1,2,…,n1；n1为搜索代理的总数；为第i个搜索代理的维度为m1的向量；m1为决策变量的总数；xj为第j个搜索代理；xi-vxj表示搜索代理xj从搜索代理xi的v减法；为维度为m1的向量；f(xi)为搜索代理xi的目标函数值；f(xj)为搜索代理xj的目标函数值；sign(·)为符号函数；
26、构建更新提议位置的约束条件：
27、
28、其中，fi为搜索代理xi的目标函数值；finew为搜索代理的目标函数值。
29、进一步地，所述构建振动信号的评估目标函数，包括：
30、构建变分模态分解的各阶本征模函数分量的最小包络熵ep：
31、
32、其中，m为时间信号x(k)的采样点总数；k为时间信号的采样点的索引；pk为对x'(k)归一化后得到的概率分布序列；x'(k)为x(k)在hilbert解调后得到的包络信号。
33、进一步地，所述利用优化后的模态数和惩罚因子对目标振动信号进行变分模态分解，得到本征模函数分量，包括：
34、在t时刻将目标振动信号f(t)分解为多个模态分量信号uk′(t)；
35、根据以下公式计算对每个模态分量信号进行解调后得到的单边频谱hk′(t)：
36、
37、其中，δ(t)为单位冲激函数；t为振动信号的时间变量；j'为虚数单位；π为圆周率；k'为模态分量信号的索引；
38、将每个解调的信号频谱调制到对应的基带上，并构建解调器的响应函数hk″(t)：
39、
40、其中，为预估的中心频率；ωk′是第k'个模态分量信号的频率，e是自然常数；
41、根据以下公式计算hk″(t)梯度本文档来自技高网...
【技术保护点】
1.一种基于灰色关联度的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述以最小包络熵为目标函数，采用减法优化器算法对变分模态分解法的模态数和惩罚因子进行优化，包括：
3.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述在寻优空间里随机生成初始搜索代理的值，包括：
4.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述确定减法优化器算法中每个搜索代理的新提议位置，以更新提议位置，包括：
5.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述构建振动信号的评估目标函数，包括：
6.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述利用优化后的模态数和惩罚因子对目标振动信号进行变分模态分解，得到本征模函数分量，包括：
7.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述提取目标振动信号的本征模函数分量的特征向量，包括：p>
8.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述确定目标振动信号的本征模函数分量的特征向量与各标准状态特征向量的灰色接近与相似关联度，包括：
9.根据权利要求8所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述根据目标振动信号的本征模函数分量的特征向量与各标准状态特征向量的灰色接近与相似关联度确定灰色综合关联度，以通过灰色综合关联度的值对滚动轴承进行故障状态诊断，包括：
10.一种基于灰色关联度的滚动轴承故障诊断系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于灰色关联度的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述以最小包络熵为目标函数，采用减法优化器算法对变分模态分解法的模态数和惩罚因子进行优化，包括：
3.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述在寻优空间里随机生成初始搜索代理的值，包括：
4.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述确定减法优化器算法中每个搜索代理的新提议位置，以更新提议位置，包括：
5.根据权利要求2所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在于，所述构建振动信号的评估目标函数，包括：
6.根据权利要求1所述的基于灰色关联度的滚动轴承故障诊断方法，其特征在...
【专利技术属性】
技术研发人员：辛江慧，毛雨琳，臧利国，焦静，薛成，丁宏山，
申请(专利权)人：南京工程学院，
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。