基于优化变分模态分解的滚动轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112345249A(43)申请公布日2021.02.09(21)申请号202010735503.9(22)申请日2020.07.28(71)申请人江苏理工学院地址213001江苏省常州市中吴大道1801号(72)发明人毛坤鹏贝绍轶(74)专利代理机构常州佰业腾飞专利代理事务所(普通合伙)32231代理人陈红桥(51)Int.Cl.G01M13/045(2019.01)G06N20/10(2019.01)权利要求书4页说明书9页附图2页(54)发明名称基于优化变分模态分解的滚动轴承故障诊断方法(57)摘要本发明提供一种基于优化变分模态分解的滚动轴承故障诊断方法，包括：选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对变分模态分解的模态数和二次惩罚因子进行优化；以优化后的参数对原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；以峭度、相关系数、边际谱熵作为筛选准则对分量进行筛选，求取保留分量的主频分布特征；将能量熵、能谱熵、主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。本发明通过改进的蝙蝠算法优化变分模态分解的参数，并根据优化后的参数获取特征向量，避免人工确定参数，从而能够更快地找到最优解，提高故障状态的识别率。CN112345249ACN112345249A权利要求书1/4页1.一种基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化；步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征；步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断。2.根据权利要求1所述的基于优化变分模态分解的滚动轴承故障诊断方法，特征在于，根据以下公式(1)定义所述平均包络熵：其中，a(j)表示第i个分量的包络线，K表示模态数，N表示采样点数，Pij表示第i个分量的归一化包络线，Eij表示第i个分量的包络熵，Ep表示平均包络熵，i和j为正整数。3.根据权利要求2所述的基于优化变分模态分解的滚动轴承故障诊断方法，特征在于，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化，包括：步骤S101，初始化蝙蝠个体的位置、速度、响度A、脉冲率r、响度衰减系数Af、脉冲频度增强系数Rf、种群数量N、最大迭代次数Tmax，其中，所述蝙蝠个体的初始位置采用混沌映射的方法生成，随机生成一个2维的[0,1]上的向量Zi＝(Zi1，Zi2)，根据以下公式(2)迭代生成N-1个向量，Zi+1＝4Zi(1-Zi)(2)；步骤S102，根据以下公式(3)-(6)更新所述蝙蝠个体的速度和位置，fi＝fmin+(fmax-fmin)β(6)；其中，以及分别表示蝙蝠个体i在t和t-1代的飞行速度，和分别表示蝙蝠个体i在t和t-1代的位置，x*表示蝙蝠种群的当前最优解，pfitness(i)表示个体的适应度值，2CN112345249A权利要求书2/4页bestmin表示当前全局的最小适应度值，bestmax表示当前全局的最大适应度值，ω为权重因子，β为一个[0,1]上的随机向量，fmax和fmin分别是最大频率以及最小频率；t-1步骤S103，判断rand1是否大于ri，若满足，则通过以下公式(7)进行局部寻优：其中，rand1为一个[0,1]上的随机数，表示蝙蝠个体i在t代的位置，x*表示蝙蝠种群tt的当前最优解，ri为蝙蝠个体i在t代的脉冲率，ε为一个[0,1]上的随机向量，A是t代所有蝙蝠响度的平均值；步骤S104，如果且根据式(7)更新后的蝙蝠个体位置求得的适应度值小于蝙蝠个体i在t-1代时的适应度值，那么根据式(8)和式(9)更新所述响度A以及脉冲率r；其中，rand2表示一个[0,1]上的随机数，表示蝙蝠个体i在t代的响度，Af表示响度衰t0减系数，ri表示蝙蝠个体i在t代的脉冲率，ri表示初始脉冲频率，表示脉冲频度增强因子，Rf表示脉冲频度增强系数；返回步骤103，直至达到最大迭代次数，将所述最小平均包络熵所对应的蝙蝠个体位置作为变分模态分解的最优模态数和二次惩罚因子进行优化。4.根据权利要求3所述基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动