【技術實現步驟摘要】
本專利技術涉及一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，用于多工況下滾動軸承故障特征提取與分類，屬于信號處理。
技術介紹
1、滾動軸承作為旋轉機械的重要組成部分，負責旋轉設備的負載阻力和減摩。在高速、重載和潤滑不良的情況下運行，—旦發生故障，旋轉機械就會受到很大的影響。據統計，電機故障中大概有40％的故障是由滾動軸承失效引起的；在減速器的所有故障類型中，大概有20％的故障是由軸承失效引起的；機械振動故障中，由滾動軸承引發的故障高達30％。輕微故障可能會引起機械設備劇烈振動并產生噪聲、或引發機器停機，生產停產。嚴重故障則會引起發電機損毀、列車脫軌等一系列破壞性的連鎖反應，造成經濟損失甚至人員傷亡。因此，及時診斷軸承故障對于避免軸承損壞造成的重大損失至關重要。然而，采集到的軸承振動信號通常是非線性的、非平穩的，噪聲很大，很難直接從軸承振動信號中提取有效的故障特征。
2、變分模態分解(vmd)相比于傳統的遞歸模式分解方法有著堅實的理論基礎。vmd從根本上說是多個自適應維納濾波組，因而有著更加良好的抗噪性，vmd的端點效應和模態混疊都要遠小于傳統的emd等方法。
3、支持向量機(svm)的基本思想是在訓練樣本空間中找到一個劃分超平面，將不同類別的樣本進行區分。并且希望這個超平面離這兩組數據點的距離盡可能大。這樣，則認為超平面一側是一個類別，另一側則是另一個類別。當新來一個數據點時，只需看它在這個超平面的哪一側，就可以對其分類。最小二乘支持向量機(lssvm)是在支持向量機的框架上變化而得出的。l
技術實現思路
1、為了克服現有的技術不足，本專利技術提供了一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，能夠解決原始信號分解不充分的問題，并且可以提高模型的預測準確性和穩定性，相較于傳統方法具有明顯的優勢。
2、為解決上述技術問題，本專利技術采用的一個技術方案是：本專利技術提供了一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，通過對故障振動信號的變分模態分解，用gwo優化算法對分解數量k和懲罰因子α尋優，選擇合適的分解模態數k和懲罰因子α，對尋優的本征模函數求各模態分量的散布熵，篩選出兩個較大熵值的本征模函數分量，并提取振動信號的特征，構造多特征向量樣本集。將訓練集輸入rth-lssvm模型，對模型進行分類訓練，同時使用rth優化算法對lssvm中γ和σ2這兩個重要的超參數尋優，得出最優訓練模型。將測試集特征樣本集輸入到訓練模型中，獲得故障診斷結果。
3、該方法包括如下步驟：
4、1)采集不同工況下的軸承故障診斷信號，并對其進行預處理；
5、2)對不同工況下的輔助振動信號與目標振動信號進行變分模態分解(vmd)，用gwo優化算法對分解數量k和懲罰因子α尋優；
6、3)求各模態分量的散布熵，篩選出兩個較大熵值的imf分量，并提取振動信號的特征，構造多特征向量樣本集；
7、4)將樣本數據集按照一定比例分為訓練集和測試集。
8、5)將訓練集輸入rth-lssvm模型，對模型進行分類訓練，同時使用rth優化算法對lssvm中γ和σ2這兩個重要的超參數尋優，得出最優訓練模型。
9、6)將測試集特征樣本集輸入到訓練模型中，獲得故障診斷結果。
10、所述步驟2)中在對振動信號進行變分模態分解時，用gwo優化算法對分解數量k和懲罰因子α尋優，選擇合適的分解模態數k和懲罰因子α，所使用的適應度函數計算每個imf分量的信息熵，信息熵越小，表示分解的分量越集中或者越確定，可能意味著更好的信號分解質量。對于離散隨機變量信息熵x可以表示為：
11、
12、其中，h(x)是隨機變量x的信息熵；p(xi)是隨機變量x取值xi的概率；n是隨機變量x可能取值的個數。
13、所述步驟3)中計算每個imf分量的散布熵大小，篩選兩個最大的imf，對篩選完的各imf分量提取包括均值、標準差、譜峭度、峰值指標、峭度指標、頻譜能量等特征，組合構建的特征樣本集。離散熵是用于信號處理和數據分析的一種方法，用于衡量時間序列數據的復雜性或不規則性。其原理是將一組數據點xj(j＝1，2，…，n)映射到c個類別，標記為1到c。使用正態累積分布函數(ncdf)將x映射到0到1之間的值y＝{y1，y2，…，yn}。然后，通過線性算法將每個yj分配給從1到c的整數。為此，對于映射信號的每個成員，我們使用其中表示分類時間序列的第j個成員，四舍五入涉及將數字增加或減少到下一個數字。每個具有嵌入維度m和時間延遲d的嵌入向量zim，c是根據zim，c＝{zci，zci+d，…，zci+(m-1)d}創建的，其中i＝1，2，…，n-(m-1)d。每個時間序列zim，c被映射到一個離散模式πv0v1...vm-1，其中zci+d＝v1，…，zci+(m-1)d＝vm-1。由于信號有m個成員并且每個成員可以是從1到c的整數，因此可以分配給每個時間序列zim，c的可能離散模式的數量等于cm。對于每個cm個潛在的離散模式，相對頻率如下計算：
14、
15、其中，p(π＝v0v1...vm-1)表示分配給zim，c的離散模式v0v1...vm-1的數量，除以具有嵌入維度m的嵌入信號的總數。最后，根據香農的熵定義，散布熵值具有嵌入維度m、時間延遲d和類數c，計算如下：
16、
17、所述步驟4)中為了避免數據的順序對模型學習產生影響，對數據集進行隨機化處理，客觀地評估模型的泛化能力。
18、所述步驟5)中使用rth優化算法對lssvm中γ和σ2這兩個重要的超參數尋優，所使用的適應度函數計算預測的準確率，然后將準確率轉換為誤分類率，優化算法的目標是最小化這個誤分類率，即找到能夠最小化誤分類率的超參數γ和σ2。
19、rth算法步驟如下：
20、1)在高空翱翔階段。紅尾鷹探索搜索空間并確定獵物位置的區域，翅膀呈輕微的斜角，盡可能少地拍打翅膀，以節省探索選定區域的能量。該階段的數學模型可以表示為：
21、x(t)＝xbest+[xmean-x(t-1)]·levy(dim)·tf(t)
22、其中：x(t)表示迭代t處的紅尾鷹位置，xbest為最佳獲得位置，xmean為位置均值，tf(t)表示根轉移因子函數，levy飛行策略是一種隨機行為策略，用于模擬隨機游走或搜索過程中的步長和方向，tf(t)和levy函數可以表示為：
23、
24、其中：s是常數(0.01)，dim是問題維數，β是常數(1.5)，u和υ是隨機數[0-1]，tmax表示最大迭代次數。在低空翱翔階段：紅尾鷹在獵物周圍的選定區域內移動，以螺旋線飛向地面，以更低的速度包圍獵物，選擇最佳捕獵位置本文檔來自技高網...
【技術保護點】
1.一種基于參數優化VMD融合LSSVM的滾動軸承故障診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于參數優化VMD融合LSSVM的滾動軸承故障診斷方法，其特征在于：所述步驟2)中在對振動信號進行變分模態分解時，用GWO優化算法對分解數量K和懲罰因子α尋優，選擇合適的分解模態數K和懲罰因子α，所使用的適應度函數計算每個IMF分量的信息熵，信息熵越小，表示分解的分量越集中或者越確定，可能意味著更好的信號分解質量。對于離散隨機變量信息熵X可以表示為：
3.根據權利要求1所述的一種基于參數優化VMD融合LSSVM的滾動軸承故障診斷方法，其特征在于：所述步驟3)中計算每個IMF分量的散布熵大小，篩選兩個最大的IMF，對篩選完的各IMF分量提取包括均值、標準差、譜峭度、峰值指標、峭度指標、頻譜能量等特征，組合構建的特征樣本集。離散熵是用于信號處理和數據分析的一種方法，用于衡量時間序列數據的復雜性或不規則性。其原理是將一組數據點xj(j＝1，2，…，N)映射到c個類別，標記為1到c。使用正態累積分布函數(NCDF)將x映射到0到1之間的值y＝{y
4.根據權利要求1所述的一種基于參數優化VMD融合LSSVM的滾動軸承故障診斷方法，其特征在于：所述步驟4)中為了避免數據的順序對模型學習產生影響，對數據集進行隨機化處理，客觀地評估模型的泛化能力。
5.根據權利要求1所述的一種基于參數優化VMD融合LSSVM的滾動軸承故障診斷方法，其特征在于：所述步驟5)中使用RTH優化算法對LSSVM中γ和σ2這兩個重要的超參數尋優，所使用的適應度函數計算預測的準確率，然后將準確率轉換為誤分類率，優化算法的目標是最小化這個誤分類率，即找到能夠最小化誤分類率的超參數γ和σ2。RTH算法步驟如下：
...【技術特征摘要】
1.一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，其特征在于：所述步驟2)中在對振動信號進行變分模態分解時，用gwo優化算法對分解數量k和懲罰因子α尋優，選擇合適的分解模態數k和懲罰因子α，所使用的適應度函數計算每個imf分量的信息熵，信息熵越小，表示分解的分量越集中或者越確定，可能意味著更好的信號分解質量。對于離散隨機變量信息熵x可以表示為：
3.根據權利要求1所述的一種基于參數優化vmd融合lssvm的滾動軸承故障診斷方法，其特征在于：所述步驟3)中計算每個imf分量的散布熵大小，篩選兩個最大的imf，對篩選完的各imf分量提取包括均值、標準差、譜峭度、峰值指標、峭度指標、頻譜能量等特征，組合構建的特征樣本集。離散熵是用于信號處理和數據分析的一種方法，用于衡量時間序列數據的復雜性或不規則性。其原理是將一組數據點xj(j＝1，2，…，n)映射到c個類別，標記為1到c。使用正態累積分布函數(ncdf)將x映射到0到1之間的值y＝{y1，y2，…，yn}。然后，通過線性算法將每個yj分配給從1到c的整數。為此，對于映射信號的每個成員，我們使用zcj＝round(c....
【專利技術屬性】
技術研發人員：劉文藝，鐘佳浩，曹建斌，徐國慧，宋狄，程春，常彥偉，
申請(專利權)人：江蘇師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。