基于多惩罚因子优化VMD的滚动轴承故障特征提取方法.pdf
《基于多惩罚因子优化VMD的滚动轴承故障特征提取方法.pdf》由会员分享,可在线阅读,更多相关《基于多惩罚因子优化VMD的滚动轴承故障特征提取方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月系统工程与电子技术 文章编号:()网址:收稿日期:;修回日期:;网络优先出版日期:。网络优先出版地址:基金项目:四川省科技厅科技计划(,)资助课题通讯作者引用格式:李波,胡哿郗,石剑钧,等基于多惩罚因子优化的滚动轴承故障特征提取方法系统工程与电子技术,():犚犲 犳 犲 狉 犲 狀 犮 犲犳 狅 狉犿犪 狋:,():基于多惩罚因子优化犞犕犇的滚动轴承故障特征提取方法李波,胡哿郗,石剑钧,刘恒畅,洪涛,(电子科技大学航空航天学院,四川 成都 ;飞行器集群智能感知与协同控制四川省重点实验室,四川 成都 )摘要:针对变分模态分解(,)在提取滚动轴承故障特征时预先设置多惩罚因子具有
2、不确定性的问题,结合灰狼优化(,)算法提出一种基于多惩罚因子优化的滚动轴承故障特征提取方法。首先利用算法实现的多惩罚因子自适应优化,再利用优化得到的参数将滚动轴承的振动信号分解为多个本征模态函数(,),最后对各个分量作包络解调提取滚动轴承的故障频率特征。研究结果表明,在优化参数时,该方法相对其他方法优化效率有了明显提高,并且提取滚动轴承故障特征效果显著,得到特征频率幅值为其他方法的倍,证明了该方法的有效性和优越性。关键词:特征提取;变分模态分解;本征模态函数;滚动轴承中图分类号:文献标志码:犇犗犐:犉 犪 狌 犾 狋犳 犲 犪 狋 狌 狉 犲犲 狓 狋 狉 犪 犮 狋 犻 狅 狀犿犲 狋 犺
3、狅 犱狅 犳狉 狅 犾 犾 犻 狀 犵犫 犲 犪 狉 犻 狀 犵犫 犪 狊 犲 犱狅 狀犿狌 犾 狋 犻 狆 犾 犲狆 犲 狀 犪 犾 狋 狔犳 犪 犮 狋 狅 狉 狊狅 狆 狋 犻 犿 犻 狕 犪 狋 犻 狅 狀犞犕犇,(犛 犮 犺 狅 狅 犾狅 犳犃犲 狉 狅 狀 犪 狌 狋 犻 犮 狊犪 狀犱犃狊 狋 狉 狅 狀 犪 狌 狋 犻 犮 狊,犝狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犈 犾 犲 犮 狋 狉 狅 狀 犻 犮犛 犮 犻 犲 狀 犮 犲犪 狀犱犜犲 犮 犺 狀 狅 犾 狅 犵狔狅 犳犆犺 犻 狀 犪,犆犺 犲 狀犵犱狌 ,犆犺 犻 狀 犪;犛 犻 犮 犺 狌 犪 狀犓犲 狔犔犪 犫
4、 狅 狉 犪 狋 狅 狉 狔狅 犳犐 狀 狋 犲 犾 犾 犻 犵 犲 狀 狋犛 犲 狀 狊 犻 狀犵犪 狀犱犆狅 狅 狆 犲 狉 犪 狋 犻 狏 犲犆狅 狀 狋 狉 狅 犾犳 狅 狉犃 犻 狉 犮 狉 犪犳 狋犆 犾 狌 狊 狋 犲 狉,犆犺 犲 狀犵犱狌 ,犆犺 犻 狀 犪)犃犫 狊 狋 狉 犪 犮 狋:(),(),(),犓犲 狔狑狅 狉 犱 狊:;();();第 期李波等:基于多惩罚因子优化的滚动轴承故障特征提取方法 引言滚动轴承因其摩擦阻力小、功率消耗小和机械效率高等特点,被广泛应用于航空发动机、铁路运输设备以及大型工业机械设备,承担动力传递和动力转换的任务,是机械发生故障的主要故障源之
5、一。由于滚动轴承的健康状态直接关系设备的安全稳定运行,因此及时发现关键滚动轴承中存在的故障,对确保机械安全稳定运行具有重大意义。通常情况下,机械设备运行状态的变化可通过其动态信号(例如振动信号)进行有效反映,利用信号处理技术分离出其中隐藏的故障特征信息。然而,其动态信号中蕴含了复杂机械结构中各个部件产生的信号成分,而且不可避免地存在背景噪声,导致其中的故障特征信息被干扰成分淹没。同时,滚动轴承复杂的工况使得动态信号表现出调频、调幅等复杂的时变特性,提高了提取其故障特征信息的难度 。由于上述轴承工作环境的特点,如何在复杂噪声环境下有效提取滚动轴承故障特征变得非常关键。迄今为止,学者们提出了多种信
6、号处理技术提取滚动轴承振动信号中的故障特征信息,而最有效的则是基于时频域的信号处理技术。研究初期,小波变换被应用于滚动轴承的故障特征提取中,实现了对信号时频变化特性的分析,但其变换效果极其依赖经验选取的小波基函数。为此,等 首次提出了一种自适应时频处理的经验模态分解方法,合理解决了小波变换存在的“基选择”经验依赖问题,但其同时也存在端点效应和模态混叠的缺点。在此基础上,等 提出了集成经验模态分解,有效地解决了经验模态分解存在的模态混叠现象,但该方法存在一个白噪声选择问题,易出现分解效果不佳的情况。进而,等 提出了变分模态分解方法,相比于集成经验模态方法具有更好的信号局部性能和更优的噪声抑制能力
7、,但也存在分解过程中参数难以设定的缺点。为了解决变分模态分解中参数难以确定的问题,学者们陆续开展了相应研究。王奉涛等 提出通过分解信号的能量差值来确定分解层数。毕凤荣等 提出通过计算分解后各个本征模态函数(,)的中心频率差值来确定分解层数。李华等 提出通过最大峭度原则优化分解层数。然而,上述研究只优化了变分模态分解(,)分解层数和惩罚因子中的一个,没有全面考虑到这两个参数之间的相互作用对分解效果的影响。为此,程军圣等 以正交低峰值为优化目标函数,利用萤火虫算法对分解层数与惩罚因子进行联合优化。唐贵基等 提出以信号包络熵作为粒子群算法的优化目标函数对参数进行优化。等 引入 能量算子并结合最大峭度
8、系数和平均峭度系数优化分解层数和惩罚因子。虽然上述研究实现了分解层数与惩罚因子的自适应设定,解决了需手动设置参数的问题,但没有考虑各个分量对应的惩罚因子犽对结果的影响。因此,郑圆等 利用智能算法确定了分解层数和多惩罚因子犽,然而其在建立优化目标函数时,只考虑了分解后信号与原始信号的时域差异,无法有效地反映分解后信号包含原始信号的信息完整度。由此可见,当前利用提取滚动轴承的故障特征时,其预先设置惩罚因子具有不确定性的问题并未得到合理解决,仍存在较大提升空间。因此,本文提出一种基于多惩罚因子优化的滚动轴承故障特征提取方法。首先,构建了融合皮尔逊相关系数、时频谱相似度以及最大峭度值的优化目标,然后,
9、通过最大峭度准则优化其分解层数,再利用灰狼优化(,)算法获取最佳分解层数以及最佳分解模态函数,保证了分解后模态函数最大限度地包含原始信号的故障特征信息,提升了滚动轴承振动信号经提取后故障特征的显著性。最后,利用公开数据集分析验证,通过对比多种不同方法,得出本文所提方法的故障特征提取效果优于其他同类方法,证明了该方法的有效性。算法基本原理 犞犕犇算法分解原理非递归式地将具有多个频率成分的实信号分解为多个本征模态函数狌犽,并求得每个狌犽的单边谱,同时对每个狌犽进行调频,最后添加约束条件得到一个带约束的变分模型:狌犽 犽犓犽(狋)烄烆烌烎狋狌犽(狋熿燀燄燅)狋犽狋烅烄烆烍烌烎 犓犽狌犽犳()式中:犽
10、是假设分解得到的各阶模态分量的频率中心;狌犽是第犽个模态分量;犳是原始信号;(狋)为一脉冲函数。通过拉格朗日函数将上述问题转化为无约束变分问题:犔(狌犽,犽,)犓犽(狋)烄烆烌烎狋狌犽(狋熿燀燄燅)狋犽狋犳(狋)犓犽狌犽(狋)(狋),犳(狋)犓犽狌犽(狋)()系统工程与电子技术第 卷式中:为惩罚因子;为拉格朗日乘子。再利用交替乘子方向算法求解,更新各分量的中心频率以及带宽:狀犽狌犽()狌犽()()狌狀犽()犳()犻犽狌犻()()(犽)()式中:狌狀犽()是当前残余量犳()犻犽狌犻()的滤波结果;狀犽为第犽个的功率谱重心。通过傅里叶逆变换求得信号实部狌犽(狋)。犌犠犗算法原理算法将灰狼种群捕食活
11、动中的追踪、接近、围捕以及进攻行为模拟运用到算法搜索寻优过程中,其种群将个体分为个等级:、和。通过前种最好的个体、引导群体向猎物方向(即最优解)靠近,该算法原理比较简单。相比其他算法,在运算过程中需要调整的参数较少且比较容易实现,且收敛速度较快,收敛结果较准。灰狼种群追捕猎物的公式为犇狘犆犡狆(狋)犡(狋)狘()犡(狋)犡狆(狋)犃犇()式中:犆和犃为系数;犡狆(狋)为猎物位置;犡(狋)为灰狼位置。犆和犃的更新公式为犆狉()犃犪 狉犪()式中:狉和狉为随机系数,其模值范围为,;犪为收敛因子,随迭代次数从到线性递减。再由式()和式()求出条头狼的位置犡(狋)、犡(狋)、犡(狋),然后通过条头狼的
12、位置确定种群中其他灰狼的位置:犡(狋)犡(狋)犡(狋)犡(狋)()算法根据当前解空间中前个最优解搜索全局最优解,同时在搜索过程充分借助辅助系数改变某个体权重,因此算法陷入局部最优的概率较低。基于犌犠犗 犞犕犇的滚动轴承故障特征提取方法 基于皮尔逊相关函数、最大峭度和时频谱相似度的优化目标函数原始信号分解后的信号不能丢失原始信号的关键信息特征,且分解后的信号应更明显地体现出其内部的特征,否则做此分解操作并无意义。因此,量化分解效果的有效性应有两个准则 :一是分解后的信号应尽量包含原始信号完整信息;二是分解后应更明显地突出故障特征。基于上述两个准则,本研究提出个优化目标:皮尔逊相关系数、时频谱相似
13、度以及最大峭度。()皮尔逊相关系数皮尔逊相关系数可衡量两种信号的线性相关程度,绝对值越大代表线性相关的程度越强。首先将信号进行,然后通过得到的模态分量将信号重构,得到重构信号犡(狋),犡犻为重构信号犡(狋)某一个样本点。设原始信号为犛(狋),犛犻为原始信号犛(狋)某一个样本点,则可计算犡(狋)和犛(狋)的皮尔逊相关系数如下:狉犖犖犻犡犻珡犡()犡犛犻珚犛()犛()式中:犡犻珡犡犡、珡犡及犡分别是对犡犻样本的标准分数、样本均值和样本标准差;犖为信号采样长度。()时频谱相似度时频谱能够描述两种信号在时域上其频率成分的变化情况,恰好解决了非平稳信号在时域上其频率不断变化的问题,通过时频谱相似度可以有
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 惩罚 因子 优化 VMD 滚动轴承 故障 特征 提取 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。