一种基于VMD与自适应MOMEDA的回转支承故障诊断方法与流程

一种基于vmd与自适应momeda的回转支承故障诊断方法
技术领域
1.本发明涉及回转支承故障诊断技术领域，具体是一种基于vmd与自适应momeda的回转支承故障诊断方法。


背景技术：

2.回转支承作为许多大型机械的关键零部件，其运行状态直接关系到整机的正常运作。大型回转支承工作环境极其恶劣，并且在正常运行状态下同时承受轴向力、径向力和倾覆力矩，因此在使用中难免产生故障。而一旦产生故障，必须整机停机检修。此外，回转支承由于尺寸大，运输慢，造价高，一般不会存有更换的备件，造成了更换周期延长，引起巨大的经济损失。
3.目前，国内外的故障诊断研究主要集中在中高速轴承，针对回转支承的研究相对较少。因此，针对回转支承故障诊断是具有现实研究意义的课题。


技术实现要素：

4.针对上述问题，本发明提出一种基于vmd与自适应momeda的回转支承故障诊断方法。
5.本发明通过以下技术方案予以实现：
6.一种基于vmd与自适应momeda的回转支承故障诊断方法，包括：
7.1)以全局imf分量峭度值最大作为择优标准，确定vmd算法中的最优参数k；
8.2)使用最优参数k优化的vmd分解原始信号，选择峭度最大的分量作为最优分量；
9.3)使用gwo算法对momeda参数t进行寻优，以多点峭度为适应度函数，寻找在最优分量上的momeda参数t，以该参数t作为最优参数；
10.4)使用最优参数t优化的momeda突出最优分量中的故障冲击成分，并做出包络谱；
11.5)对包络谱进行分析，得出诊断结果。
12.进一步的，步骤1)具体包括：
13.1.1)初始化分解个数k＝2；
14.1.2)使用该参数进行vmd分解，计算k个分量的峭度值，选择此k值下最大的峭度值进行保留；
15.1.3)判断k是否小于10；若k小于10，则k＝k 1，返回步骤1.2)；若k大于等于10，则进行下一步；
16.1.4)比较各个k值下保留的峭度值，将最大峭度值所对应的k值作为最优参数。
17.进一步的，步骤3)具体包括：
18.3.1)初始化momeda的各项参数；
19.3.2)设置种群规模及最大迭代次数，初始化狼群位置；
20.3.3)计算每个狼在当前位置下的适应度函数值，并保存适应度值最好的前3匹狼作为α、β、δ狼；选取多点峭度作为适应度函数，其表达式如下：
[0021][0022]
3.4)根据式(13)、(14)更新灰狼位置；
[0023]
x1＝x
α
‑
a1·
d
α
[0024]
x2＝x
β
‑
a2·
d
β
[0025]
x3＝x
δ
‑
a3·
d
δ
ꢀꢀꢀ
(13)
[0026][0027]
其中，a为协同系数向量，d
α
、d
β
、d
δ
为α、β、δ狼和食物之间的距离，x
α
、x
β
、x
δ
为α、β、δ狼的位置向量；
[0028]
3.5)计算全部更新灰狼的适应度值，并与当前α、β、δ狼的适应度函数值进行比较，若结果较好，则更新α、β、δ狼；
[0029]
3.6)重复步骤3.4)与3.5)，直至迭代终止，输出最佳参数t。
[0030]
进一步的，步骤3.1)中设置参数t寻优范围为[f
s
/f
max f
s
/f
min
]；
[0031]
其中f
s
为采样频率，f
max
为回转支承最大理论故障特征频率，f
min
为回转支承最小理论故障特征频率。
[0032]
进一步的，步骤3.2)中狼群种群规模为10
‑
50，最大迭代次数为10
‑
50，在寻优范围内随机产生10
‑
50个位置作为狼群初始位置。
[0033]
进一步的，步骤5)的具体包括：
[0034]
5.1)获取回转支承各部分理论故障特征频率；
[0035]
5.2)从包络谱中获取故障频率；
[0036]
5.3)将包络谱中获取故障频率与回转支承各部分理论故障特征频率进行比对，频率最接近的部分即为故障部位。
[0037]
在具有相同硬件基础的情况下，本发明方法具有一定的通配性，因此，本发明还提供一种计算机可读的存储介质，所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述基于vmd与自适应momeda的回转支承故障诊断方法。
[0038]
vmd原理及算法流程
[0039]
vmd将原始信号f分解为k个imf分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等。约束变分模型可以描述为：
[0040]
[0041][0042]
式中：k为分解的imf总数，u
k
、ω
k
分别对应分解后的第k个imf和中心频率，δ(t)为狄拉克函数，*为卷积运算符。
[0043]
引入二次惩罚因子α和lagrange乘法算子λ。将约束变分问题转化为非约束变分问题，得到广义lagrange表达式为：
[0044][0045]
将变分目标函数的最小化问题转化为广义lagrange鞍点问题，利用交替方向乘子迭代算法优化得到各模态分量和中心频率，迭代后的u
k
、ω
k
和λ的表达式如下：
[0046][0047][0048][0049]
式中：γ为噪声容忍度，满足信号分解的保真度要求，式中：γ为噪声容忍度，满足信号分解的保真度要求，和分别对应u
i
(t)、f(t)和λ(t)的傅里叶变换。
[0050]
为直观计，给出vmd主要迭代求解过程如图10所示。
[0051]
momeda原理及算法流程
[0052]
假设故障冲击信号为y，系统冲击响应函数为h，环境噪声为e，则产生故障时采集到的原始信号x可表示为：
[0053]
x＝h*y e
ꢀꢀꢀ
(5)
[0054]
momeda的本质是不使用迭代的方式寻找最优滤波器f，使得故障冲击信号y被最大程度还原出来。该算法在d
‑
范数的基础上提出新的指标多点d
‑
范数，如下式所示：
[0055][0056]
将原先最小熵解卷积问题转化为：
[0057][0058]
其中，t为目标向量，由解卷积周期t决定，当解卷积周期与故障周期相吻合时，多点d
‑
范数达到最大。
[0059]
式(8)的求解等价于求解方程：
[0060][0061]
最终经计算推导可得出f为：
[0062][0063]
其中，
[0064][0065]
则最终输出的故障冲击信号可表示为：
[0066][0067]
与现有技术相比，本发明具有以下有益效果：
[0068]
本发明将vmd与momeda相结合，能够对强背景噪声下的低速重载回转支承故障特征进行有效诊断；相较于现有的vmd
‑
med方法，在故障特征提取上拥有更好的性能，适宜进一步推广应用。
附图说明
[0069]
附图1为本发明的流程图；
[0070]
附图2为gwo优化momeda算法流程图；
[0071]
附图3为回转支承振动信号时域图与频域图；
[0072]
附图4为vmd不同模态参数k下的最大峭度值；
[0073]
附图5为vmd最优分量包络谱；
[0074]
附图6为emd最优分量包络谱；
[0075]
附图7为gwo寻优过程；
[0076]
附图8为最优分量经momeda处理后的包络谱；
[0077]
附图9为最优分量经med处理后的包络谱；
[0078]
附图10为vmd算法原理图；
[0079]
附图11为传感器布置示意图。
具体实施方式
[0080]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0081]
参照附图1所示，一种基于vmd与自适应momeda的回转支承故障诊断方法，包括：
[0082]
1)以全局imf分量峭度值最大作为择优标准，确定vmd算法中的最优参数k；具体包括：
[0083]
1.1)初始化分解个数k＝2；
[0084]
1.2)使用该参数进行vmd分解，计算k个分量的峭度值，选择此k值下最大的峭度值进行保留；
[0085]
1.3)判断k是否小于10；若k小于10，则k＝k 1，返回步骤1.2)；若k大于等于10，则进行下一步；
[0086]
1.4)比较各个k值下保留的峭度值，将最大峭度值所对应的k值作为最优参数。
[0087]
2)使用最优参数k优化的vmd分解原始信号，选择峭度最大的分量作为最优分量；
[0088]
3)使用gwo算法对momeda参数t进行寻优，以多点峭度为适应度函数，寻找在最优分量上的momeda参数t，以该参数t最为最优参数；具体包括如下步骤(如附图2所示)：
[0089]
3.1)初始化momeda的各项参数；其中，设置滤波器长度为l，矩形窗为[l1]，参数t寻优范围为[f
s
/f
max f
s
/f
min
]；f
s
为采样频率，f
max
为回转支承最大理论故障特征频率，f
min
为回转支承最小理论故障特征频率。滤波器长度l需根据实际所选的数据采样频率及采样对象的频率确定，太短将影响数据处理效果，太长又会增加计算时间。
[0090]
3.2)设置种群规模及最大迭代次数，初始化狼群位置；灰狼优化算法的种群规模一般在10～50之间。此外，最大迭代次数若设置过小，则容易陷入局部最优解；若设置过大，则会增加算法运行时间，降低效率。本实施例设定狼群种群规模为20，最大迭代次数为20，在寻优范围内随机产生20个位置作为狼群初始位置。
[0091]
3.3)计算每个狼在当前位置下的适应度函数值，并保存适应度值最好的前3匹狼作为α、β、δ狼；选取多点峭度作为适应度函数，其表达式如下：
[0092][0093]
3.4)根据式(13)、(14)更新灰狼位置；
[0094]
x1＝x
α
‑
a1·
d
α
[0095]
x2＝x
β
‑
a2·
d
β
[0096]
x3＝x
δ
‑
a3·
d
δ
ꢀꢀꢀ
(13)
[0097][0098]
其中，a为协同系数向量，d
α
、d
β
、d
δ
为α、β、δ狼和食物之间的距离，x
α
、x
β
、x
δ
为α、β、δ狼的位置向量；
[0099]
3.5)计算全部更新灰狼的适应度值，并与当前α、β、δ狼的适应度函数值进行比较，若结果较好，则更新α、β、δ狼；
[0100]
3.6)重复步骤3.4)与3.5)，直至迭代终止，输出最佳参数t。
[0101]
4)使用最优参数t优化的momeda突出最优分量故障冲击成分，并做出包络谱；
[0102]
5)对包络谱进行分析，得出诊断结果；具体包括如下步骤：
[0103]
5.1)获取回转支承各部分理论故障特征频率；
[0104]
5.2)从包络谱中获取故障频率；
[0105]
5.3)将包络谱中获取故障频率与回转支承各部分理论故障特征频率进行比对，频率最接近的部分即为故障部位。
[0106]
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0107]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0108]
实施实例
[0109]
i)回转支承振动信号采集
[0110]
为了证明所提方法的有效性及优越性，使用现场采集的回转支承振动信号数据进行验证。实施实例所采集的回转支承振动数据来源于某港口门座起重机。振动信号数据采集采用加速度传感器。由于回转支承在正常工作时同时承受径向力与轴向力，故在两个方
向都布置测点。具体布置方式如图11所示(图11中箭号标示处为加速度传感器布置测点)。
[0111]
数据采集时保持空载与恒定转速0.92r/min，采样频率为400hz。
[0112]
该回转支承型号为132.50.4000，结构为三排滚柱式，工作时外圈固定，内圈旋转。其理论故障特征频率可按以下计算公式计算：
[0113][0114][0115][0116]
其中，f
i
、f
o
、f
r
分别为内圈、外圈、滚动体理论故障特征频率，z为滚动体数目，d为滚柱直径，d为回转支承中径，α为接触角，f
s
为转频。
[0117]
将回转支承参数代入公式(15)、(16)、(17)，可得出各部分理论故障特征频率，如表1所示。
[0118]
表1理论故障特征频率、
[0119][0120]
ii)信号处理与分析
[0121]
如图3为所采集的现场回转支承振动信号的时域波形和频谱图。从图3(a)时域波形中可以观察到周期波形中存在明显的冲击成分；而在图3(b)频谱图中却无法直观辨别出故障特征频率。
[0122]
采用本发明所提方法对回转支承振动信号进行分析。首先确定vmd算法中的参数k。设定k的范围为[2,10]，计算每个k值下的最大峭度值，如图4所示。从图4可以看出，当k等于6时，峭度值达到最大，将该峭度值所对应的imf分量作为最优分量。该最优分量的包络谱如图5所示。从图中可以观察出故障频率(2.985hz)及其二倍频和四倍频。与表1所示的理论故障频率对比，发现该故障频率与回转支承中排外圈的故障频率接近。因回转支承的制造安装误差且其运行过程中存在相对滑动，实际故障频率与理论故障频率可能存在着偏差。至此，可以初步判断回转支承的中排外圈存在损伤。
[0123]
为了进一步证明vmd分解方法的优越性，对原始信号进行emd分解，同样选择峭度
最大分量进行包络谱分析，结果见图6。由图可见，经emd得到的最优分量的包络谱中的频率成分杂乱，无法从中找出突出的故障频率及其倍频。
[0124]
为了避免错诊，采用momeda算法对vmd分解后的最优分量加以进一步分析。首先计算参数t的寻优范围[f
s
/f
max f
s
/f
min
]，代入数据得[129,652]。其次，根据所选现场采样频率及回转支承回转参数，设置滤波器长度l为1500。进而，使用gwo算法对momeda参数t进行寻优，整个寻优的过程如图7所示，得到最佳参数t＝136.0331。最后，得到最优分量经momeda处理后的包络谱如图8所示。从图中可以明显观察出，中排外圈的故障频率及其二倍频、三倍、
…
、六倍频。由此，可以判定回转支承中排外圈发生了故障，也验证了本发明所提方法的有效性。
[0125]
为进一步证明所提方法的优越性，将vmd分解后的最优分量进行med处理，并做出包络谱(如图9所示)。其中，med算法中的滤波器长度与momeda的滤波器长度相同，即l＝1500。从图9中可以观察到中排外圈的故障特征频率，但其周围存在许多杂频，并且倍频成分也不够突出。验证了vmd结合自适应momeda算法在低速重载回转支承的故障特征提取的有效性与优越性。
[0126]
综上结果表明：
[0127]
(1)在低速重载强背景噪声环境下，vmd方法的故障特征提取能力优于emd方法。
[0128]
(2)采用gwo优化的momeda算法，能自适应寻找最佳参数t，并能在该最佳参数t下有效突出故障冲击成分。
[0129]
(3)所提方法相比于vmd
‑
med方法，在故障特征提取上拥有更好的性能。
[0130]
(4)采用本文方法能有效实现低速重载回转支承故障诊断。
[0131]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。