【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種滾動軸承故障信號處理方法，尤其涉及基于gwo(grey?wolfoptimization)尋參優(yōu)化vmd的滾動軸承故障信號處理方法。
技術(shù)介紹
1、因滾動軸承因其摩擦阻力小、功率消耗小和機(jī)械效率高等特點，被廣泛應(yīng)用于航空發(fā)動機(jī)、鐵路運(yùn)輸設(shè)備以及大型工業(yè)機(jī)械設(shè)備，承擔(dān)動力傳遞和動力轉(zhuǎn)換的任務(wù)，是機(jī)械發(fā)生故障的主要故障源之一。由于滾動軸承的健康狀態(tài)直接關(guān)系設(shè)備的安全穩(wěn)定運(yùn)行，因此及時并有效的發(fā)現(xiàn)關(guān)鍵滾動軸承中存在的故障,對確保機(jī)械安全穩(wěn)定運(yùn)行具有重大意義。通常情況下，機(jī)械設(shè)備運(yùn)行狀態(tài)的變化可通過其動態(tài)信號(例如振動信號)進(jìn)行有效反映，利用信號處理技術(shù)分離出其中隱藏的故障特征信息。因此，故障信號處理對于保證旋轉(zhuǎn)機(jī)械健康運(yùn)行十分重要，旋轉(zhuǎn)機(jī)械設(shè)備在故障時會產(chǎn)生與正常運(yùn)行時不同的振動信號，例如滾動軸承的外圈產(chǎn)生裂紋，在旋轉(zhuǎn)時表面的裂紋會產(chǎn)生一系列的周期脈沖，如何提取到振動信號中的周期脈沖，并對故障類型進(jìn)行識別，對于旋轉(zhuǎn)機(jī)械的故障信號處理是一個熱門的問題。
2、對于在振動信號中提取故障特征并進(jìn)行故障類型識別，人們設(shè)計了多種方法，例如傅里葉變換、小波變換、功率譜密度估計、經(jīng)驗?zāi)Ｊ椒纸?emd)、局部均值分解(lmd)等等，然而，傅里葉變換需要先指定一個固定窗口長度來進(jìn)行頻域分析，而且對于非周期信號的處理需要人為延長或截斷處理，無法完全展示其頻譜特性，功率譜密度的計算通常依賴于信號的長度和所選擇的窗口函數(shù)，選擇不當(dāng)?shù)拇翱诤瘮?shù)或信號過短可能導(dǎo)致頻譜估計的偏差或失真，特別是在處理非定態(tài)信號或信號長度有限的情況下，這種敏
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的是為了提升手動設(shè)置滾動軸承故障信號類型的懲罰因子α和模態(tài)分解數(shù)k的準(zhǔn)確率，為滾動軸承故障信號處理提供了一種新的解決思路，而提出的基于gwo尋參優(yōu)化vmd的滾動軸承故障信號處理方法。
2、基于gwo尋參優(yōu)化vmd的滾動軸承故障信號處理方法，該方法包括以下步驟：
3、步驟一、采用一種基于gwo-vmd聯(lián)合小波閾值函數(shù)的去噪方法，該方法利用相關(guān)系數(shù)法將vmd分解的imf分量區(qū)分為有用分量和噪聲分量，然后利用小波閾值函數(shù)對噪聲分量進(jìn)行進(jìn)一步去噪，然后對有用噪聲分量和去噪分量進(jìn)行重構(gòu)，得到去噪信號；
4、步驟二、采用gwo算法對參數(shù)進(jìn)行自動尋優(yōu)，在每次迭代的過程中以多尺度排列熵為適應(yīng)度函數(shù)，利用gwo算法自動尋優(yōu)得到參數(shù)α和k；
5、步驟三、將上述步驟中得到的參數(shù)α和k結(jié)果對重構(gòu)vmd進(jìn)行設(shè)置，得到各個分量，并計算各個分量的包絡(luò)譜，并且對其進(jìn)行包絡(luò)分析，尋找故障頻率。
6、優(yōu)選地，所述步驟一中采用一種基于gwo-vmd聯(lián)合小波閾值函數(shù)的去噪方法，得到去噪信號，步驟為：
7、小波系數(shù)的計算需要通過閾值來確定，選取的閾值如公式(6)所示。
8、
9、式中n為信號長度，σ為噪聲的均方根誤差；
10、閾值函數(shù)如下：
11、
12、其ωj,k為小波系數(shù)，λ為閾值，為閾值小波系數(shù)，sgn為符號函數(shù)，a、β為閾值函數(shù)的調(diào)節(jié)參數(shù)，其中0≤a<1，β為正號常數(shù)；
13、通過使用gwo-vmd算法得到優(yōu)化后的特征模態(tài)函數(shù)，對其進(jìn)一步處理，對含有噪聲的高頻分量進(jìn)行小波閾值保持，引入相關(guān)系數(shù)法(相關(guān)系數(shù)的絕對值越大，相關(guān)性越強(qiáng)，相關(guān)系數(shù)越接近于1或-1，相關(guān)度越強(qiáng)，相關(guān)系數(shù)越接近于0，相關(guān)度越弱)進(jìn)行區(qū)分，下列所示通過計算相關(guān)系數(shù)，區(qū)分有效信號和噪聲信號，小于等于的相關(guān)系數(shù)閾值為是高頻噪聲，大于相關(guān)系數(shù)閾值是有用的信號，小于等于相關(guān)系數(shù)的imf相關(guān)系數(shù)值進(jìn)行處理，
14、
15、式中imfi(t)為第i個分量，n為采樣點數(shù)。
16、優(yōu)選地，設(shè)置gwo的初始參數(shù)a，a、c的值，以作為第i個灰狼的位置，范圍取100到3500，隨機(jī)初始化灰狼種群內(nèi)n只灰狼個體的位置，然后將每只灰狼的位置xi作為懲罰因子[α1，α2,…,αk]對信號進(jìn)行vmd，根據(jù)多尺度排列熵適應(yīng)度函數(shù)計算得出適應(yīng)度值，并記錄最優(yōu)的3個頭狼個體位置xα、xβ、xγ。通過公式(5)更新其他灰狼個體的位置，并通過公式4和5更新參數(shù)a，a、c的值，循環(huán)執(zhí)行上述步驟直至迭代完畢，得出最優(yōu)參數(shù)α和k，基于最優(yōu)參數(shù)組合的vmd分解得到imf分量；
17、灰狼種群追捕公式為：
18、d＝|c·xp(t)-x(t)|???????????????????????????(6)
19、x(t+1)＝xp(t)-a·d????????????????????????(7)
20、式中：c和a為系數(shù)；xpt為獵物位置；x(t)為灰狼位置，c和a的更新公式為：
21、c＝2r2??????????????????????????????(8)
22、a＝2ar1-a?????????????????????????????(9)
23、式中r1和r2為隨即系數(shù)，其模值范圍為[0，1]，a為收斂因子，隨迭代次數(shù)從2到0線性遞減，再由式(1)和式(2)求出三條頭狼的的位置xα(t+1)、xβ(t+1)、xγ(t+1)，然后通過3條頭狼的位置確定種群中其他灰狼的位置確定種群中其他灰狼的位置：
24、
25、gwo算法根據(jù)當(dāng)前解空間中前3個最優(yōu)解搜索全局最優(yōu)解，同時在搜索過程借助輔助系數(shù)改變某個體權(quán)重，減少算法陷入局部最優(yōu)的概率。
26、采用本專利技術(shù)的基于灰狼優(yōu)化算法(gwo)優(yōu)化的參數(shù)自適應(yīng)獲取懲罰因子α和模態(tài)分解數(shù)k的滾動軸承故障信號處理方法，與其它自適應(yīng)信號分解故障軸承信號方法相比，本專利技術(shù)的有益效果為：
27、1.采用小波閾值函數(shù)來構(gòu)建新的濾波器，與傳統(tǒng)的方法相比，有著更快的收斂速度和更強(qiáng)的故障信息分離能力，不僅改善了原本vmd的頻譜混疊的問題，而且還能過濾掉更強(qiáng)的噪聲信號，因此，該方法具有較強(qiáng)的濾波能力。
28、2.采用涉及基于gwo(greywolfoptimization)算法優(yōu)化，自適應(yīng)尋找懲罰適應(yīng)獲取懲罰因子α和模態(tài)分解數(shù)k的滾動軸承故障信號處理方法，與傳統(tǒng)的方法相比，不需要依靠操作人員的經(jīng)驗手動進(jìn)行參數(shù)設(shè)置，有效解決了vmd需要根據(jù)經(jīng)驗手動設(shè)置參數(shù)導(dǎo)致分解效果不佳的問題。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點】
1.基于GWO尋參優(yōu)化VMD的滾動軸承故障信號處理方法，其特征在于：該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于GWO尋參優(yōu)化VMD的滾動軸承故障信號處理方法，其特征在于：所述步驟一中采用一種基于GWO-VMD聯(lián)合小波閾值函數(shù)的去噪方法，得到去噪信號，步驟為：
3.根據(jù)權(quán)利要求1所述的基于GWO尋參優(yōu)化VMD的滾動軸承故障信號處理方法，其特征在于：設(shè)置GWO的初始參數(shù)a，A、C的值，以作為第i個灰狼的位置，范圍取100到3500，隨機(jī)初始化灰狼種群內(nèi)N只灰狼個體的位置，然后將每只灰狼的位置Xi作為懲罰因子[α1，α2,…,αk]對信號進(jìn)行VMD，根據(jù)多尺度排列熵適應(yīng)度函數(shù)計算得出適應(yīng)度值，并記錄最優(yōu)的3個頭狼個體位置Xα、Xβ、Xγ，通過公式(5)更新其他灰狼個體的位置，并通過公式4和5更新參數(shù)a，A、C的值，循環(huán)執(zhí)行上述步驟直至迭代完畢，得出最優(yōu)參數(shù)α和k，基于最優(yōu)參數(shù)組合的VMD分解得到IMF分量；
【技術(shù)特征摘要】
1.基于gwo尋參優(yōu)化vmd的滾動軸承故障信號處理方法，其特征在于：該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于gwo尋參優(yōu)化vmd的滾動軸承故障信號處理方法，其特征在于：所述步驟一中采用一種基于gwo-vmd聯(lián)合小波閾值函數(shù)的去噪方法，得到去噪信號，步驟為：
3.根據(jù)權(quán)利要求1所述的基于gwo尋參優(yōu)化vmd的滾動軸承故障信號處理方法，其特征在于：設(shè)置gwo的初始參數(shù)a，a、c的值，以作為...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：武杰，薛坤林，苗曉鵬，顏立坤，康博，張?zhí)靾?/a>，石皓文，郭進(jìn)喜，
申請(專利權(quán))人：安陽工學(xué)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。