【技術實現步驟摘要】
本專利技術屬于基于聲振信號的故障診斷領域，具體涉及一種基于蜿鷲優化算法改進的魯棒性局部均值分解技術的輪轂電機故障診斷方法與系統。
技術介紹
1、電機是一種常見的電動設備，作為驅動裝置，為各種設備提供動力，在家用電器、交通運輸、航空航天等各個領域都有著廣泛的應用。以電動車和電助力自行車為例，作為一種新興的交通工具，其核心動力通常由輪轂電機提供。輪轂電機的質量影響著駕駛人員的安全和舒適感。因此，在輪轂電機出廠之前要對其進行故障診斷。常見影響輪轂電機質量的因素有：機械裝配不當及轉子不平衡導致的異常摩擦產生機械噪聲；磁路設計不當導致運行過程電磁噪聲異常。這兩種因素導致電機運行過程中會產生異常的噪聲，可用于電機故障的智能診斷。
2、目前基于聲振信號的電機故障診斷方面的研究和相關行業的現狀存在以下問題：階次分析、傳遞路徑分析、掃頻分析、聲全息法等方法要求噪聲信號的信噪比較高，對環境變化敏感，容易受到其他噪聲的干擾，從而影響噪聲源的準確識別。同時使用到的設備成本較高且依賴人工判斷，準確率不高。
技術實現思路
1、本專利技術用于解決現有基于聲振信號的輪轂電機故障診斷方法存在的噪聲源的識別性低、成本較高以及依賴人工判斷，導致故障診斷結果準確率不高的問題。
2、為實現上述目的，本專利技術提供了如下方案：
3、本專利技術提供一種基于sbao改進的rlmd的輪轂電機故障診斷方法，所述故障診斷方法具體包括如下步驟：
4、步驟s1：將兩個振動傳感器分別設置在輪轂
5、步驟s2：分別對兩個振動傳感器和聲學傳感器進行參數設置；
6、步驟s3：獲取兩個振動傳感器和兩個聲學傳感器采集的數據，作為輪轂電機的聲振信號數據；
7、步驟s4：根據輪轂電機的聲振信號數據，確定魯棒性局部均值分解算法的優化參數：帶寬閾值和b樣條階數；
8、步驟s5：對魯棒性局部均值分解算法進行優化，采用優化的魯棒性局部均值分解算法對輪轂電機的聲振信號數據進行計算，得到輪轂電機聲振信號數據最佳的imf分量，并提取最佳imf分量的特征集；
9、步驟s6：將提取出的特征集輸入到增強的隨機森林分類器中，獲得診斷結果。
10、進一步地，還有一種優選實施例，將上述兩個振動傳感器x軸和z軸的振動數據作為輪轂電機的振動信號數據；
11、上述兩個聲學傳感器需保持在同一直線上或呈90°放置。
12、進一步地，還有一種優選實施例，上述步驟s2具體為：
13、上述兩個振動傳感器中的第一振動傳感器的x、y、z三軸靈敏度分別設為100.5mv/g、96.6mv/g、103.5mv/g，第二振動傳感器的x、y、z三軸靈敏度分別設為100.4mv/g、88.2mv/g、97mv/g；
14、上述兩個聲學傳感器的靈敏度均設定為50mv/g；
15、上述兩個聲學傳感器的帶寬均設置為12800hz。
16、進一步地，還有一種優選實施例，上述魯棒性局部均值分解算法的優化方法為：
17、步驟1：對蜿鷲優化算法進行初始設置；
18、步驟2：將蜿鷲優化算法中每個個體在搜索空間中的位置代表魯棒性局部均值分解算法的優化參數，從而獲得多個參數組合；
19、步驟3：將多個參數組合分別代入魯棒性局部均值分解算法中，并以魯棒性局部均值分解算法的適應度函數確定最優參數；
20、步驟4：判斷優化是否達到蜿鷲優化算法的終止條件，若是，則繼續下一步；若否，則更新蜿鷲優化算法的種群位置，并返回步驟2；
21、步驟5：保存最優參數組合并代入至魯棒性局部均值分解算法中，獲得優化的魯棒性局部均值分解算法。
22、進一步地，還有一種優選實施例，上述步驟1具體為：
23、設置蜿鷲優化算法的迭代次數、種群規模以及定義魯棒性局部均值分解算法的參數優化范圍。
24、進一步地，還有一種優選實施例，上述多個參數組合用于對輪轂電機聲音與振動信號數據進行適應度評估。
25、進一步地，還有一種優選實施例，上述適應度函數的獲得方法為：
26、采用魯棒性局部均值分解算法分解輪轂電機聲振信號數據，并計算各個imf分量的包絡熵，以包絡熵的最小值作為適應度函數。
27、進一步地，還有一種優選實施例，上述步驟s5具體為：
28、步驟s51：優化的魯棒性局部均值分解算法計算輪轂電機聲振信號數據的瞬時幅度和相位；
29、步驟s52：確定瞬時幅度的局部最大值和局部最小值；
30、步驟s53：根據瞬時幅度的局部最大值和局部最小值計算出局部截止頻率；
31、步驟s54：將局部截止頻率進行信號濾波，并將濾波結果進行判斷以及迭代分解計算，直至分解完所有信號，獲得最佳的imf分量。
32、進一步地，還有一種優選實施例，上述步驟s6具體為：
33、步驟s61：設置一個初始的樣本權值分布，并采用樣本權值分布訓練隨機森林分類器中的一個弱分類器，并計算所述弱分類器的分類誤差率；
34、步驟s62：根據分類誤差率計算所述弱分類器的權重，并根據權重更新樣本權重分布，直至訓練出多個弱分類器；
35、步驟s63：將所有弱分類器組合為一個強分類器；
36、步驟s64：評估強分類器的性能，確定不同弱學習器的權重，直至獲得最終分類器，作為增強的隨機森林分類器；
37、步驟s65：將提取出的特征集輸入到增強的隨機森林分類器中，獲得診斷結果。
38、本專利技術還提供一種基于sbao改進的rlmd的輪轂電機故障診斷系統，所述系統用于實現上述任意一項所述的基于sbao改進的rlmd的輪轂電機故障診斷方法，診斷系統包括聲振信號采集模塊、參數優化模塊、信號分解模塊和故障診斷識別模塊；
39、聲振信號采集模塊用于采集輪轂電機的聲音及振動信號數據；
40、參數優化模塊用于根據輪轂電機聲音及振動信號數據確定魯棒性局部均值分解算法的優化參數，還用于采用蜿鷲優化算法優化信號分解模塊內存儲的魯棒性局部均值分解算法的參數；
41、信號分解模塊用于采用優化后的魯棒性局部均值分解算法分解輪轂電機聲音及振動信號數據，獲得最佳imf分量的特征集；
42、故障診斷識別模塊用于采用增強的隨機森林分類器對最佳imf分量的特征集進行故障診斷識別，獲得診斷結果。
43、本專利技術的有益效果為：
44、1、針對輪轂電機早期的故障信號微弱，難以從原始信號中直接提取到故障信號的有用特征問題。本專利技術通過設計聲振傳感器的采集位置和參數設置，使得可以捕捉到極端條件下產生的輪轂電機聲振信號數據；同時采用優化的魯棒性局部均值分解算法（rlmd）對輪轂電機聲振信號數據進行處理，得到輪轂電機聲振信號數據的最佳本文檔來自技高網...
【技術保護點】
1.一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，方法為：
2.根據權利要求1所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，將兩個振動傳感器X軸和Z軸的振動數據作為輪轂電機的振動信號數據；
3.根據權利要求2所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，S2具體為：
4.根據權利要求1所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，魯棒性局部均值分解算法的優化方法為：
5.根據權利要求4所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，步驟1具體為：
6.根據權利要求4所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，多個參數組合用于對輪轂電機聲音與振動信號數據進行適應度評估。
7.根據權利要求4所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，適應度函數的獲得方法為：
8.根據權利要求4所述的一種基于SBAO改進的RLMD的輪轂電機故障
9.根據權利要求1所述的一種基于SBAO改進的RLMD的輪轂電機故障診斷方法，其特征在于，S6具體為：
10.一種基于SBAO改進的RLMD的輪轂電機故障診斷系統，其特征在于，系統包括聲振信號采集模塊、參數優化模塊、信號分解模塊和故障診斷識別模塊；
...【技術特征摘要】
1.一種基于sbao改進的rlmd的輪轂電機故障診斷方法，其特征在于，方法為：
2.根據權利要求1所述的一種基于sbao改進的rlmd的輪轂電機故障診斷方法，其特征在于，將兩個振動傳感器x軸和z軸的振動數據作為輪轂電機的振動信號數據；
3.根據權利要求2所述的一種基于sbao改進的rlmd的輪轂電機故障診斷方法，其特征在于，s2具體為：
4.根據權利要求1所述的一種基于sbao改進的rlmd的輪轂電機故障診斷方法，其特征在于，魯棒性局部均值分解算法的優化方法為：
5.根據權利要求4所述的一種基于sbao改進的rlmd的輪轂電機故障診斷方法，其特征在于，步驟1具體為：
6.根據權利要求4...
【專利技術屬性】
技術研發人員：丑永新，孫翊云，嚴誠信，劉繼承，楊海萍，陳鑫，廖博文，
申請(專利權)人：常熟理工學院，
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。