一种基于多目标优化飞轮储能系统轴承的故障诊断方法与流程

1.本发明属于飞轮储能系统轴承故障诊断技术领域，具体涉及一种基于多目标优化飞轮储能系统轴承的故障诊断方法。


背景技术：

2.轨道交通因其安全、舒适、大容量、节能等特点，已成为各大城市公共交通的主要方式，然而，随着铁路网的扩张，列车在整个交通运输中的能源消耗比例不断上升。此外，城市轨道交通列车启动、制动频繁，列车制动时可回收的能量占牵引总能耗的40％左右，因此列车制动能量的回收对实现列车的节能运行非常重要。传统城市轨道交通列车能源回收主要利用制动电阻、逆变回馈装置等，普遍存在能量回收效果差、附加通风能耗大、谐波干扰强等问题，飞轮储能技术是一种物理储能技术，除了可以有效解决上述问题，还具有使用寿命长、绿色环保等独特优势。轴承作为飞轮储能系统的重要组成部分，其健康状态直接关系到列车牵引能耗的回收效率，开展轴承故障诊断是保证飞轮储能系统稳定运转的重要手段，对提高列车能量回收效率实现节能减优化有重要意义。
3.轴承故障诊断主要经过信号处理、特征提取、模式识别三个阶段，任一阶段出现误差都会导致轴承故障诊断准确率降低。当前存在信号处理方法中变分模态分解参数设置不当导致信号分解效果不佳、特征提取方法中采用单一域特征导致特征提取的故障信息不足、模式识别算法中传统算法识别准确率低等问题制约了故障故障诊断的准确率。因此，对轴承故障诊断要全面考虑每个阶段方法的可靠性，当前仍然缺乏一种有效的能够针对飞轮储能系统轴承特点进行有效的降噪、提取全面的故障特征信息，实现准确的飞轮储能系统轴承故障诊断。


技术实现要素：

4.本发明的目的在于提供及一种基于多目标优化飞轮储能系统轴承的故障诊断方法，本发明的诊断方法能够进行有效的降噪、提取全面的故障特征信息，实现准确的飞轮储能系统轴承故障诊断。为了实现上述目的，本发明采用的技术方案如下：
5.根据本发明的一个方面，提供了一种基于多目标优化飞轮储能系统轴承的故障诊断方法，包括以下步骤：
6.步骤1：设置轴承的转速，对轴承振动信号进行监测和采集；
7.步骤2：以模态分量包络熵最小和峭度值最大为目标，建立多目标变分模态分解参数优化模型，以并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解，获取变分模态分解的两个参数模态分量数和惩罚因子；
8.步骤3：将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中，对轴承振动信号进行分解，获取一系列模态分量；
9.步骤4：对获取的一系列模态分量进行信号重构，以便得到重构信号，并对重构信号进行变换获取特征向量；
10.步骤5：利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别。
11.上述方法进一步优选的，对所述轴承振动信号进行采集包括采样频率、采集轴承正常、外圈故障、内圈故障和滚动体故障。
12.上述方法进一步优选的，利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解包括如下步骤：将tent混沌映射和levy飞行引入到多元宇宙算法中，利用tent混沌映射进行扰动初始种群和levy飞行操作扩大目标函数值寻优范围；
13.所述用tent混沌映射满足：
[0014][0015]
其中，n表示映射次数；x
n
表示第n次映射函数值。
[0016]
所述levy飞行满足：
[0017]
s＝μ/|v
1/β
；
[0018]
其中，s为levy飞行路径l(λ)；参数β的取值范围为0＜β＜2，一般取β＝1.5；数μ、v为正态分布随机数，且满足：
[0019][0020]
σ
μ
和σ
v
为正态分布的标准差，且满足：
[0021][0022]
其中：参数β的取值范围为0＜β＜2，一般取β＝1.5。
[0023]
上述方法进一步优选的，将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中包括：以模态分量包络熵最小和峭度值最大为目标，利用多元宇宙优化算法进行优化，将获得变分模态分解模态分量数和惩罚因子，带入变分模态分解参数优化模型中进行计算，实现信号分解，每个样本得到k个模态分量，然后计算每个模态分量的峭度、峰值指标、脉冲指标和波形指标；
[0024]
所述模态分解参数优化模型满足：
[0025][0026]
式中，e
e
是包络熵，零均值信号x(i)(i＝1,2,
…
,n),α(i)是信号x(i)经hilbert解调得到的包络信号,k为峭度值。
[0027]
上述方法进一步优选的，对获取的一系列模态分量进行信号重构包括对振动信号的峭度、波形指标、峰值指标和脉冲指标进行信号重构，剔除包含噪声多的分量，将其他分量进行信号重构；提取重构信号的时域、频域和熵域的特征信息，构成特征向量并划分训练集和测试集。
[0028]
上述方法进一步优选的，利用自适应变异粒子群优化的随机森林算法对轴承进行故障模式识别包括：
[0029]
利用自适应变异粒子群算法对集成学习算法中的随机森林的树的个数和特征数进行优化；
[0030]
设置学习因子c1和因子c2为2，迭代次数为100，种群规模为30，最大速度为20，最小速度为
‑
10，树的个数和特征数目为待优化参数范围为[1,200]、[1,13]，自适应权重为0.8；
[0031]
经过优化得到树的个数和特征数，带入随机森林中得到故障诊断；利用优化后的随机森林作为分类器，按照测试集与验证集4:1的样本比例进行划分，将数据代入到优化后的随机森林中进行故障诊断，识别出每种数据对应的故障状态。
[0032]
综上所述，由于本发明采用了上述技术方案，本发明具有如下显著效果：
[0033]
(1)、本发明的能诊断方法与传统的故障诊断算法相比，考虑了变分模态分解算法参数设置的问题、提取的故障特征信息不全的问题、模式识别算法精度不高的问题，能够进行有效的降噪、提取全面的故障特征信息，实现准确的飞轮储能系统轴承故障诊断，为此，本发明方法综合考虑了信号处理、特征提取、模式识别等方面现存的问题，构建了一种基于多目标变分模态分解参数优化和集成学习的飞轮储能系统轴承故障诊断方法，本发明方法能够全面准确地进行飞轮储能系统轴承故障诊断，对飞轮储能系统轴承的故障诊断更加科学和全面，是一种科学有效的故障诊断方法，本发明方法科学实用且可以推广至列车其他系统中的轴承故障诊断，如走行部轴承故障诊断。
附图说明
[0034]
图1是本发明一种基于多目标优化飞轮储能系统轴承的故障诊断方法的流程图。
具体实施方式
[0035]
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
[0036]
结合图1，根据本发明的一种基于多目标优化飞轮储能系统轴承的故障诊断方法，先对轴承振动信号进行监测和采集，建立多目标变分模态分解参数优化模型，并利用改进的多元宇宙算法对变分模态分解参数优化模型进行求解，获得最优模态分量数和惩罚因子；然后，利用将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中进行计算，对信号进行分解获得一系列模态分量；利用峭度、峰值指标、脉冲指标和波形指标进行信号重构，得到重构信号；提取重构信号的时域、频域、熵域特征信息，构建特征向量，划分训练集、测试集；最后，利用自适应变异粒子群优化的随机森林算法作为模式识别方法进行故障模式识别；具体诊断过程包括以下步骤：
[0037]
步骤1：设置轴承的转速，对轴承振动信号进行监测和采集，对所述轴承振动信号进行采集包括采样频率、采集轴承正常、外圈故障、内圈故障和滚动体故障等四种类型的原始振动信号；
[0038]
步骤2：建立多目标变分模态分解参数优化模型，并利用改进的多元宇宙算法对变
分模态分解参数优化模型进行求解，获得变分模态分解两个参数模态分量数和惩罚因子，避免了单目标的局部最优问题，使信号处理效果更好；其中，求解包括如下步骤：将tent混沌映射和levy飞行引入到多元宇宙算法中，利用tent混沌映射进行扰动初始种群和levy飞行操作扩大目标函数值范围；提出改进的多元宇宙算法并用来求解多目标变分模态分解多目标参数优化模型，具有寻优精度高、迭代速度快的优势；所述用tent混沌映射满足：
[0039][0040]
其中，n表示映射次数；x
n
表示第n次映射函数值。
[0041]
所述levy飞行满足：
[0042]
s＝μ/|v
1/β
；
[0043]
其中，s为levy飞行路径l(λ)；参数β的取值范围为0＜β＜2，一般取β＝1.5；数μ、v为正态分布随机数，且满足：
[0044][0045]
σ
μ
和σ
v
为正态分布的标准差，且满足：
[0046][0047]
其中：参数β的取值范围为0＜β＜2，一般取β＝1.5；
[0048]
步骤3：将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中，对轴承振动信号进行分解，获取一系列模态分量；将模态分量数和惩罚因子数带入到变分模态分解参数优化模型中包括：以模态分量包络熵最小和峭度值最大为目标，利用改进的多元宇宙优化算法对变分模态分解的参数进行寻优，得到模态分量数和惩罚因子，带入变分模态分解参数优化模型中进行计算，实现信号分解，每个样本得到k个模态分量，然后计算每个模态分量的峭度、峰值指标、脉冲指标和波形指标；
[0049]
所述模态分解参数优化模型满足：
[0050][0051]
式中，e
e
是包络熵，零均值信号x(i)(i＝1,2,
…
,n),α(i)是信号x(i)经hilbert解调得到的包络信号,k为峭度值。
[0052]
步骤4：对获取的一系列模态分量进行信号重构，以便得到重构信号，并对重构信号进行变换获取特征向量；对获取的一系列模态分量进行信号重构包括对振动信号的峭度、波形指标、峰值指标和脉冲指标进行信号重构，剔除包含噪声多的分量，将其他分量进行信号重构；提取重构信号的时域、频域和熵域的特征信息，构成特征向量并划分训练集和测试集，提取时域、频域、熵域多域特征信息，能够全面的将故障特征信息进行提取；其中对
时域、频域、熵域计算时满足如下表1所示。
[0053]
表1：时域、频域、熵域计算公式
[0054][0055][0056]
步骤5：利用自适应变异粒子群优化的随机森林对轴承进行故障模式识别；其中对轴承进行故障模式识别包括：利用自适应变异粒子群算法对集成学习算法中的随机森林的树的个数和特征数进行优化；设置学习因子c1和因子c2为2，迭代次数为100，种群规模为30，最大速度为20，最小速度为
‑
10，树的个数和特征数目为待优化参数范围为[1,200]、[1,13]，自适应权重为0.8；经过优化得到树的个数，特征数目，带入随机森林中得到故障诊断；利用优化后的随机森林作为分类器，按照测试集与验证集4:1的样本比例进行划分，将数据代入到优化后的随机森林中进行故障诊断，识别出每种数据对应的故障状态。
[0057]
本发明实施例以飞轮储能系统轴承的外圈故障、内圈故障、滚动体故障、正常四种状态为例，假设轴承的转速为1520r/min，采样频率fs＝10240hz。
[0058]
首先，获取振动信号，对不同轴承故障类型进行采用，每种类型的样本包括60个样本，每个样本4096个采样点，样本数据共240组。
[0059]
其次，将tent混沌映射和levy飞行引入到多元宇宙算法中，，提出一种改进的多元宇宙算法。利用tent进行种群初始扰动，使分布更加均匀；利用levy飞行扩大搜索范围，提高算法精度。建立以模态分量包络熵最小、峭度值最大为目标的多目标变分模态分解参数
优化模型，利用改进的多元宇宙算法进行求解，设置粒子数目为15，迭代次数为15，模态数k∈[1,11]，惩罚因子α∈[500,3000]，采用目标加权方法进行求解，设置权重w1、w2均为0.5。在第四次迭代完成后达到最小适应度值为1.061，后续迭代收敛，此时变分模态分解算法对应的参数组合为[421,5]，同样得到正常、外圈故障、内圈故障状态下的变分模态分解算法的参数分别为[655,5]、[899,5]、[633,5]。
[0060]
再次，将获得的参数带入变分模态分解算法中进行信号分解，每个样本得到5个模态分量，然后计算每个模态分量的峭度、峰值指标、脉冲指标、波形指标，以轴承滚动体故障为例，如下表2所示。可以看出，分量3的四项指标值均大于其他分量的指标值，因此确定分量3为含有噪声最多的分量，剔除分量3对剩余的分量进行重构，获得重构信号。
[0061]
表2imf分量指标值
[0062][0063]
最后，提取重构信号的时域、频域、熵域特征信息，共提取了240组数据，将其中的180组数据作为训练集，60组数据作为测试集；在以准确率最高为优化目标，利用自适应变异粒子群算法对集成学习算法中随机森林算法的树的个数和特征数进行优化，设置学习因子c1、c2为2，迭代次数为100，种群规模为30，最大速度为20，最小速度为
‑
10，树的个数和特征数目为待优化参数范围为[1,200]、[1,13]，自适应权重为0.8。经过优化得到树的个数为13，特征数目为7，；利用优化后的随机森林作为分类器，按照测试集与验证集4:1的样本比例进行划分，将数据带入优化后的随机森林算法中进行故障诊断，得到故障诊断的准确率为100％。本发明方法可以用于飞轮储能系统轴承的科学故障诊断，为实现飞轮储能系统轴承监测诊断提供有效方法和技术支持。
[0064]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。