【技术实现步骤摘要】
本专利技术属于机械设备故障诊断，具体涉及一种基于优化变分模态分解与bilstm的特种车辆推进动力装置轴承故障诊断方法。
技术介绍
1、特种车辆推进动力装置轴承作为机械传动部件的重要组成部分，在加工制造和服役过程中会出现疲劳、磨损、腐蚀等情况，这直接影响到整个传动系统的转动精度与平稳性，甚至会引发严重的安全事故。因此，通过试验方法检测特种车辆推进动力装置轴承性能并判断其健康状态，对于降低特种车辆推进动力装置轴承故障发生率、提高机械传动系统稳定性具有重要意义。
2、特种车辆推进动力装置轴承故障诊断主要是通过采集和分析特种车辆推进动力装置轴承温度、振动信号、电信号等运行数据来判断特种车辆推进动力装置轴承是否出现故障的过程。目前，特种车辆推进动力装置轴承故障诊断的技术主要分为温度诊断技术、声音诊断技术和振动诊断技术。其中，振动诊断技术因其简单直观，最能表现特种车辆推进动力装置轴承运转过程中的故障特征信息，相较于其他故障诊断技术应用最为广泛。
3、现有的振动诊断技术主要以机器学习理论为基础，通过分析特种车辆推进动力装置轴承振动信号时频域特征参数对特种车辆推进动力装置轴承故障类型和故障程度进行分类识别。目前，应用广泛的机器学习模型包括卷积神经网络、长短期记忆神经网络、自动编码器等，此类单模型故障诊断方法大多是在实验数据集上完成性能验证。然而，在实际工业生产环境中充斥着各种各样的噪声源，难以获取类似实验数据集的高信噪比特种车辆推进动力装置轴承运行振动信号。这导致特种车辆推进动力装置轴承处于早期故障阶段时，由于故障信号在
技术实现思路
1、基于以上所述，实际工业生产中掺杂着各种各样的噪声源，使得特种车辆推进动力装置轴承振动信号包含大量无用的噪声信息，这会严重影响特种车辆推进动力装置轴承的故障诊断精度。传统的单模型故障诊断方法对于这种低信噪比环境下的振动信号分析效果并不理想。本专利技术引入噪声过滤的变分模态分解(vmd)算法，提出一种适用于不同信噪比的特种车辆推进动力装置轴承故障诊断方法，通过构建vmd与bilstm神经网络相结合的组合模型，解决现有故障诊断技术对低信噪比振动信号进行故障诊断时鲁棒性差、精度低的问题。
2、为实现上述目的，本专利技术提出一种特种车辆推进动力装置轴承故障诊断方法包括以下步骤：
3、步骤1、采集特种车辆推进动力装置轴承不同信噪比下的运行振动信号数据，按设定比例划分为训练集etrain与测试集etest；
4、步骤2、选取包络熵平均最小值作为鲸鱼算法的适应度函数，通过计算每个个体的适应度保留当前种群下的全局最优适应度以及对应的最优个体，适应度函数公式为：
5、
6、式中，εk(i)表示振动信号经变分模态分解后，其第k个子模态信号进行归一化操作得到的概率分布序列，i表示第k子模态信号的采样数量，d为第k个子模态信号的采样总数，k表示子模态信号的总数，α表示惩罚因子；
7、利用鲸鱼算法对变分模态分解算法的分解参数k和α进行优化；每次迭代结束后，重新计算每个个体的适应度，并更新全局最优个体和适应度；当达到最大迭代次数时，输出全局最优个体，此时的全局最优个体即变分模态分解算法的子模态信号总数k和惩罚因子α的最佳组合；
8、步骤3、将步骤2得到的k、α的最优个体赋值给变分模态分解算法，通过变分模态分解算法对训练集振动信号数据进行变分模态分解，得到k个子模态信号；
9、步骤4、依据峭度准则选择k个子模态信号中峭度值最高的子模态信号作为训练集重构信号，将重构信号与故障标签一起作为训练集的重构数据e′train输入到bilstm神经网络中进行训练，完成组合诊断模型的构建；
10、步骤5、将测试集数据输入步骤4训练完成的组合诊断模型中进行故障分类，输出对应的故障诊断结果。
11、进一步的，步骤1中通过布置在电机驱动端的加速度传感器采集特种车辆推进动力装置轴承在外圈故障、内圈故障、滚动体故障、正常这4种状态下的振动信号，根据未添加噪声时信号的标准差，添加不同强度的高斯白噪声构建不同信噪比环境下的特种车辆推进动力装置轴承振动信号。
12、进一步的，添加的高斯白噪声信号强度分别为0.1std，1std和100std，对应的信噪比分别为10db，0db和-20db。
13、进一步的，在步骤1中，所述的训练集etrain和测试集etest分别表示为：
14、
15、
16、其中，xi表示训练集中第i个样本数据；yi∈{1,2,3,4}表示训练集中第i个样本的故障标签，故障标签分别对应特种车辆推进动力装置轴承的4种状态：外圈故障、内圈故障、滚动体故障、正常；zi表示测试集中第i个样本数据；ntrain表示训练集的总样本长度；ntest表示测试集的总样本长度。
17、进一步的，在步骤2中，所述鲸鱼算法通过收缩包围、螺旋运动、随机搜索这3种方式更新参数位置；更新参数时，生成一个0到1之间的随机数p，若p小于0.5，则通过螺旋运动更新位置，否则通过收缩包围更新位置，如式(2)所示；收缩包围时，若|a|≥1，表示鲸群位置已经越过猎物位置，需要放弃当前移动方向，随机搜索更新位置，以免陷入局部极值，如式(3)所示：
18、
19、g(r+1)＝gs(r)-|2rand1·gs(r)-g(r)| (3)
20、式中，r代表当前迭代次数；g(r)和g(r+1)分别为个体当前时刻位置和下一时刻位置；gp(r)为目前最优鲸鱼位置向量；gs(r)表示随机选取的鲸鱼位置向量；b＝|gp(r)-g(r)|表示鲸鱼与最优位置的距离；l为[-1,1]之间的随机数；b为用于限定螺旋形状的常数；a定义为：
21、
22、式中，rand1和rand2为[0,1]之内的随机数，a为算法收敛因子，随当前迭代次数r增加，a从2线性减小到0，rmax代表最大迭代次数。
23、进一步的，在步骤3中，所述的变分模态分解的分解流程如下：
24、步骤3.1、将待处理的训练集振动数据分解成k个具有不同中心频率和带宽的子模态信号分量uk，且保证各模态的估计带宽之和为最小，具体的变分约束表达式为：
25、
26、式中，{uk},{wk}分别表示所有子模态和子模态对应中心频率的集合；表示第k个子模态经hilbert解调后的解析信号；δ(i)为单位脉冲信号；uk(i)表示第k个子模态信号的模态函数；
27、步骤3.2、为了找到约束变分问题的最优解，引入拉格朗日乘子λ和惩罚因子α，将式(5)约束问题转换为式(6)的无约束变分问题，l表示拉格朗日变换；其中，惩罚因子α保证高噪声环境下信号重构的准确性，拉格朗日乘子λ保证约束条件的严格性；<本文档来自技高网...
【技术保护点】
1.一种特种车辆推进动力装置轴承故障诊断方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，步骤1中通过布置在电机驱动端的加速度传感器采集特种车辆推进动力装置轴承在外圈故障、内圈故障、滚动体故障、正常这4种状态下的振动信号，根据未添加噪声时信号的标准差，添加不同强度的高斯白噪声构建不同信噪比环境下的特种车辆推进动力装置轴承振动信号。
3.如权利要求2所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，添加的高斯白噪声信号强度分别为0.1Std，1Std和100Std，对应的信噪比分别为10dB，0dB和-20dB。
4.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，在步骤1中，所述的训练集Etrain和测试集Etest分别表示为：
5.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，在步骤2中，所述鲸鱼算法通过收缩包围、螺旋运动、随机搜索这3种方式更新参数位置；
6.如权利要求1所述的一种特种车辆推进动力装置轴承故障
7.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，步骤4中峭度准则公式为:
8.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，步骤5中故障诊断结果判定方法为：输出结果为1，定义出现外圈故障；输出结果为2，定义出现内圈故障；输出结果为3，定义出现滚动体故障；输出结果为4，定义为正常状态。
...【技术特征摘要】
1.一种特种车辆推进动力装置轴承故障诊断方法，其特征是，包括以下步骤：
2.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，步骤1中通过布置在电机驱动端的加速度传感器采集特种车辆推进动力装置轴承在外圈故障、内圈故障、滚动体故障、正常这4种状态下的振动信号，根据未添加噪声时信号的标准差，添加不同强度的高斯白噪声构建不同信噪比环境下的特种车辆推进动力装置轴承振动信号。
3.如权利要求2所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，添加的高斯白噪声信号强度分别为0.1std，1std和100std，对应的信噪比分别为10db，0db和-20db。
4.如权利要求1所述的一种特种车辆推进动力装置轴承故障诊断方法，其特征是，在步骤1中，所述的...
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。