一种轴承故障诊断方法及系统

1.本发明涉及轴承故障诊断技术领域，更具体地，涉及一种轴承故 障诊断方法及系统。


背景技术：

2.轴承是机械设备中一种重要零部件。它的主要功能是支撑机械旋 转体，降低其运动过程中的摩擦系数，并保证其回转精度。随着工业 的现代化进程，机械设备越来越向高速度和大功率发展，对轴承的各 方面性能要求越来越高，轴承容易产生疲劳磨损从而导致故障。相关 研究表明在所有电机故障类型中，轴承故障所占比重约为40％，是电 机的主要故障形式之一，因此，对电机轴承进行准确有效的故障诊断 至关重要。对于滚动轴承故障诊断，目前依然存在以下问题：
3.1、对轴承故障信号的获取大多是选择轴承的振动信号，轴承故障 特征信息基本都可以通过振动信号检测出，准确性和精度都很高。不 过振动信号的获取需要在电机中安装额外的传感器，一方面增加系统 成本，另一方面某些场合受空间限制无法安装传感器。
4.2、对采集的信号中包含大量的噪声和干扰信号，如何准确提取出 故障特征信息成为能否判断轴承故障的关键，变分模态分解(variationalmode decomposition，vmd)方法是一种信号自适应分解方法，作为一 种改进经验模式分解方法，vmd具有坚实的数学理论基础，噪声鲁棒 性和信号分离性能也得到了极大提高。然而，vmd算法中的模态分解 个数k和分解惩罚因子α要求在对信号进行分解前就提前设定，但受实 际情况的限制，通常难以准确设定，如果设置偏大或偏小都会严重影 响信号的检测精度对于分解出的信号。
5.3、如何用分解后的信号来准确表达故障特征也是轴承诊断精度的 关键。目前使用最多的是依据峭度最大化准则进行选取。但峭度对瞬 态冲击比周期性冲击更敏感，当信号中含有较大的瞬态冲击时，其峭 度值较大，但这时可能不包含故障特征，从而给信号的特征提取带来 困难。
6.4、对旋转机械设备的故障诊断，大多采用传统故障诊断方法，难 以适应复杂机械设备的诊断，以支持向量机(support vector machine, svm)为代表的机器学习方法是对复杂机械设备进行故障诊断的一种 有效方法，但是svm算法中惩罚因子c与核函数参数g要根据信号不 同提前设定，但受实际情况限制，通常难以准确的去设定。


技术实现要素：

7.本发明针对现有技术中存在的旋转机械设备的故障诊断精度低的 技术问题。
8.本发明提供了一种轴承故障诊断方法，包括以下步骤：
9.s1，采集电机定子绕组的原始电流信号s；
10.s2，对采集的电机原始定子电流信号s，进行基于遗传算法的自适 应变分模态分解vmd，得到k个分量信号imf；
11.s3，对k个分量信号imf计算多尺度样本熵，以此得到轴承的故 障特征矩阵；
12.s4，利用海鸥优化算法对支持向量机参数优化，并把得到的轴承 故障的特征矩阵输入支持向量机训练模型；
13.s5，将测试集输入支持向量机学习模型，从而输出轴承故障诊断 结果。
14.优选地，所述s2具体包括以下步骤：
15.s21：生成初始种群，每个个体包含分解个数k和惩罚参数α，不 同个体的(k，α)组合不同；
16.s22，计算种群中每一组染色体对应的适应度，并在个体中预留存 储最佳分量序号和适应度数值的位置；
17.s23，对种群中的染色体进行选择、交叉、变异操作，产生新的种；
18.s24，判断是否满足终止条件，若不满足，跳转到步骤s23；如果 满足，输出最优参数(k，α)。
19.优选地，vmd算法通过将故障信号构造成变分约束问题，并通过 对变分问题的求解来实现信号根据其自身频域特性的自适应分解，使 得每个模态函数的估计带宽之和最小，则相应的约束变分模型表达为：
[0020][0021][0022]
式中，{uk}＝{u1,
…
,uk}表示的是分解得到的k个子模态； {ωk}＝{ω1,
…
,ωk}表示的是各分量的中心频率。
[0023]
优选地，为了信号分解更加精准在所述vmd算法中引入如下形 式的增广lagrange函数：
[0024][0025]
式中，α为惩罚参数；λ为lagrange乘子，采用乘法算子交替方向 法，解决变分问题，通过迭代更新以及λ
n 1
求得上述函数的最 优解，其中取值问题表达为：
[0026][0027]
式中，ωk相当于相当于相当于
[0028]
优选地，vdm算法的具体过程可描述如下：
[0029]
第一步：初始化和n；
[0030]
第二步：根据公式在频域内更新uk,ωk；
[0031]
第三步：跟新λ其中
[0032]
[0033]
第四步：当时停止迭代；
[0034]
第五步：重复第二步和第三步直至损失系数e小于设定的阀值ε， 得到最大模态分解个数k
max
，即此时的k值为电机定子信号会被分解的 最大模态分解个数。
[0035]
优选地，所述s2具体包括：通过遗传算法寻找vmd算法的最 佳分解效果参数设置时，具体地，设遗传算法的某代中个体xz对应的 参数组合为(kz，αz)引入包络熵来表达经过vmd分解后imfi(j)分量的随 机程度和复杂程度,imf分量的包络熵可表示为：
[0036][0037][0038]
式中，i为分解imf序号；p
i,j
是ai(j)归一化的形式；ai(j)为imfi(j)经 过希尔伯特变换调节后得到的包络信号。
[0039]
优选地，所述s4具体包括：
[0040]
步骤一：将输入的数据样本矩阵分为训练样本矩阵和测试样本矩 阵；
[0041]
步骤二：初始化海鸥种群，并设定soa算法的控制参数；
[0042]
步骤三：计算适应度fit、个体最优适应度bestfit、群体最优适应 度fitbest以及平均最优适应度avgfit；
[0043]
步骤四：更新海鸥位置并计算当前海鸥自适应度；
[0044]
步骤五：更新当前海鸥与最优海鸥之间的距离；
[0045]
步骤六：更新最优海鸥位置；
[0046]
步骤七：判别是否满足终止条件，若满足输出bestc,bestg获得初始 svm模型，若不满足条件重复步骤四。
[0047]
本发明还提供了一种轴承故障诊断系统，所述系统用于实现轴承 故障诊断方法，具体包括：
[0048]
信号采集模块，用于采集电机定子绕组的原始电流信号s；
[0049]
信号分解模块，用于对采集的电机原始定子电流信号s，进行基于 遗传算法的自适应变分模态分解vmd，得到k个分量信号imf；
[0050]
故障模型构建模块，对k个分量信号imf计算多尺度样本熵，以 此得到轴承的故障特征矩阵；
[0051]
故障类型诊断模块，利用海鸥优化算法对支持向量机参数优化， 并把得到的轴承故障的特征矩阵输入支持向量机训练模型；将测试集 输入支持向量机学习模型，从而输出轴承故障诊断结果。
[0052]
本发明还提供了一种电子设备，包括存储器、处理器，所述处理 器用于执行存储器中存储的计算机管理类程序时实现轴承故障诊断方 法的步骤。
[0053]
本发明还提供了一种计算机可读存储介质，其上存储有计算机管 理类程序，所述计算机管理类程序被处理器执行时实现轴承故障诊断 方法的步骤。
[0054]
有益效果：本发明提供的一种轴承故障诊断方法及系统，其中方 法包括：采集电机定子绕组的原始电流信号s；对采集的电机原始定子 电流信号s，进行基于遗传算法的自适应变分模态分解vmd，得到k个 分量信号imf；对k个分量信号imf计算多尺度样本熵，以此得到轴 承的故障特征矩阵；利用海鸥优化算法对支持向量机参数优化，并把 得到的轴承故障的特征矩阵输入支持向量机训练模型；将测试集输入 支持向量机学习模型，从而输出轴承故障诊断结果。该方案解决了 vmd分解个数和惩罚因子难以自适应的问题，同时引进多尺度样本熵 获取分解后信号特征并采用海鸥优化svm算法对特征数据集分类，从 而实现电机轴承故障的精确诊断，具有较高诊断精度，为设备安全稳 定运行提供可靠依据。
附图说明
[0055]
图1为本发明提供的一种轴承故障诊断方法的流程图；图2为本发明提供的一种轴承故障诊断方法的自适应变分模态分 解的流程图；
[0056]
图3为本发明提供的一种轴承故障诊断方法的基于海鸥优化的支 持向量机方法的流程图；
[0057]
图4为本发明提供的一种轴承故障诊断方法的电流探头采集原始 信号的示意图；
[0058]
图5为本发明提供的未采用海鸥优化算法优化的支持向量机方法 与采用海鸥优化算法的支持向量机方法对基于多尺度样本熵的轴承故 障模型识别对比图；
[0059]
图6为本发明提供的一种可能的电子设备的硬件结构示意图；
[0060]
图7为本发明提供的一种可能的计算机可读存储介质的硬件结构 示意图。
具体实施方式
[0061]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0062]
如图1至图5所示，本发明提供的一种轴承故障诊断方法，其中 方法包括：采集电机定子绕组的原始电流信号s；对采集的电机原始定 子电流信号s，进行基于遗传算法的自适应变分模态分解vmd，得到 k个分量信号imf；对k个分量信号imf计算多尺度样本熵，以此得 到轴承的故障特征矩阵；利用海鸥优化算法对支持向量机参数优化， 并把得到的轴承故障的特征矩阵输入支持向量机训练模型；将测试集 输入支持向量机学习模型，从而输出轴承故障诊断结果。该方案解决 了vmd分解个数和惩罚因子难以自适应的问题，同时引进多尺度样本 熵获取分解后信号特征并采用海鸥优化svm算法对特征数据集分类， 从而实现电机轴承故障的精确诊断，具有较高诊断精度，为设备安全 稳定运行提供可靠依据。
[0063]
本发明的发明目的在于提供一种基于遗传算法的自适应变分模态 分解与海鸥优化支持向量机的轴承故障诊断方法，该方案解决了vmd 分解个数和惩罚因子难以自适应的问题，同时引进多尺度样本熵获取 分解后信号特征并采用海鸥优化svm算法对特征数据集分类，从而实 现电机轴承故障的精确诊断，具有较高诊断精度，为设备安全稳定运 行提供可靠依据。
[0064]
本发明的发明目的通过以下技术方案实现：
[0065]
一种轴承故障诊断方法，具体的为一种基于参数自适应vmd与海 鸥优化svm的轴承故障诊断方法，包含以下步骤：
[0066]
步骤s1：采集电机定子绕组的原始电流信号s；
[0067]
步骤s2：对采集的电机原始定子电流信号s进行基于遗传算法的 自适应变分模态分解vmd，得到k个分量信号imf；
[0068]
步骤s3：对k个分量信号imf计算多尺度样本熵，以此得到轴承 的故障特征矩阵；
[0069]
步骤s4：利用海鸥优化算法对支持向量机参数优化，并把得到的 轴承故障的特征矩阵输入支持向量机训练模型；
[0070]
步骤s5：将测试集输入支持向量机学习模型，从而输出轴承故障 诊断结果。
[0071]
进一步的方案，步骤s1中采用电流探头传感器采集电机定子绕组 的电流信号s。
[0072]
进一步的方案，所述步骤s2中自适应变分模态分解vmd的过程 为：
[0073]
步骤s21：生成初始种群，每个个体包含分解个数k和惩罚参数α， 不同个体的(k，α)组合不同；
[0074]
步骤s22：计算种群中每一组染色体对应的适应度，并在个体中预 留存储最佳分量序号和适应度数值的位置；
[0075]
步骤s23：对种群中的染色体进行选择、交叉、变异操作，产生新 的种；
[0076]
步骤s24：判断是否满足终止条件？如果不满足，跳转到步骤s23； 如果满足，输出最优参数(k，α)。
[0077]
其中，vmd算法通过将故障信号构造成变分约束问题，并通过对 变分问题的求解来实现信号根据其自身频域特性的自适应分解，使得 每个模态函数的估计带宽之和最小，则相应的约束变分模型表达为：
[0078][0079][0080]
式中，{uk}＝{u1,
…
,uk}表示的是分解得到的k个子模态； {ωk}＝{ω1,
…
,ωk}表示的是各分量的中心频率。
[0081]
为了信号分解更加精准在算法中引入如下形式的增广lagrange 函数：
[0082][0083]
式中，α为惩罚参数；λ为lagrange乘子，采用乘法算子交替方 向法，解决变分问题，通过迭代更新以及λ
n 1
求得上述函数的 最优解，其中取值问题表达为：
[0084][0085]
式中，ωk相当于相当于相当于
[0086]
利用parseval傅立叶等距变换，上式可变为：
[0087]
[0088]
同理，中心频率的更新结果为
[0089][0090]
式中，等同于当前剩余量的维纳滤波结果；是模 态函数功率谱的重心。
[0091]
vmd算法是通过在频域内不断更新的方式，然后再进行傅立叶逆 变换得到时域的结果。vmd算法的具体过程可描述如下：
[0092]
第一步：初始化和n；
[0093]
第二步：根据公式在频域内更新uk,ωk；
[0094]
第三步：跟新λ其中
[0095]
第四步：当时停止迭代；
[0096]
第五步：重复第二步和第三步直至损失系数e小于设定的阀值ε，得 到最大模态分解个数k
max
，即此时的k值为电机定子信号会被分解的最 大模态分解个数。
[0097]
优选的方案，步骤s2中为获得最佳的vmd算法分解效果，避免 人为因素对分解效果的影响，通过遗传算法寻找vmd算法的最佳分 解效果参数设置时，需确定一个合理的优化目标，设某代中个体xz对 应的参数组合为(kz，αz)引入包络熵来表达经过vmd分解后imfi(j)分量 的随机程度和复杂程度,imf分量的包络熵可表示为：
[0098][0099][0100]
式中，i为分解imf序号；p
i,j
是ai(j)归一化的形式；ai(j)为imfi(j)经 过希尔伯特变换调节后得到的包络信号。为进一步提高诊断效率及准 确性，弥补传统目标函数仅能反应信号周期特性而无法反应冲击特性 的不足，中引入了对轴承早期故障较为敏感的峭度指标。分量imfi(j)峭 度指标可表达为：
[0101][0102]
式中，ui为imfi(j)的均值；σi为imfi(j)的方差。
[0103]
综上建立遗传算法目标函数：
[0104][0105]
则优化目标可表达为：
[0106]
min{c}
[0107]
s.t.k
min
≤kz≤k
max
[0108]
α
min
≤αz≤α
max
[0109]
其变异适应度求解函数为：
[0110][0111]
式中，c
max
和c
min
分别代表当代种群中个体的最大和最小综合目标函 数值；cz为个体xz的综合目标函数值。
[0112]
变异概率和交叉概率表达式为：
[0113][0114][0115]
式中，fit
avg
为当代种群个体的平均适应度；fitz为进行交叉或变异操 作个体xz的适应度；fit
max
为当代种群个体的最大适应度。
[0116]
优选的方案，所述步骤s3中多尺度样本熵能够有效体现一个系统 的无规则程度，若该系统的无规则性越高，则其所对应的熵值越大； 相反，假使该系统的规则程度越弱，那么其拥有一个较小的熵值。使 用多尺度样本熵算法对分解后的imf分解进行计算得到不同故障的特 征矩阵。
[0117]
优选的方案，所述步骤s4中优化svm是在标准svm的基础上， 使用海鸥优化算法(soa)对标准svm中惩罚因子c和核函数参数g进 行优化。具体包括以下步骤：
[0118]
步骤一：将输入的数据样本矩阵分为训练样本矩阵和测试样本矩阵；
[0119]
步骤二：初始化海鸥种群，并设定soa算法的控制参数；
[0120]
步骤三：计算适应度fit，个体最优适应度bestfit，群体最优适应度 fitbest以及平均最优适应度avgfit；
[0121]
步骤四：更新海鸥位置并计算当前海鸥自适应度；
[0122]
步骤五：更新当前海鸥与最优海鸥之间的距离；
[0123]
步骤六：更新最优海鸥位置；
[0124]
步骤七：判别是否满足终止条件，若满足输出bestc,bestg获得初始svm 模型，若不满足条件重复步骤(4)。
[0125]
下面结合附图和实施例对本发明作进一步的详细说明。
[0126]
本实施例以如所示的轴承内圈，外圈，滚动体故障为例进行举例说 明，本实施例
所示的一种基于参数自适应vmd与优化svm的轴承故 障诊断方法。
[0127]
实验系统构成：
[0128]
构建电机轴承故障检测实验系统，通过更换电机轴承来达到电机轴 承状态的检测。使用电流探头采集电机定子绕组信号，采集到的信号 经过采集卡输入到计算机进行分析。
[0129]
信号采集：使用电流探头采集电机定子绕组信号，如图4所示，其 中(a)：正常信号；(b)：轴承滚动体故障信号；(c)：轴承内圈故障信号； (d)：轴承外圈故障信号。然后将采集到的信号经过采集卡输入到计算 机进行分析。
[0130]
信号处理：通过基于遗传算法优化出变分模态参数分解个数k和惩 罚因子α，使用优化后的参数分解四种不中状态下采集的轴承信号。
[0131]
通过自适应变分模态分解方法分解的不同状态下轴承信号；(a)： 正常状态下轴承信号分解；(b)：滚动体故障轴承信号分解；(c)：内圈 故障轴承信号分解；(d)：外圈故障轴承信号分解。
[0132]
根据分解后的imf分量，分别求imf分量多尺度样本熵，构建多 尺度样本熵故障模型矩阵。重复采集多组数据，使每种轴承状态有200 组多尺度样本熵模型。670组多尺度样本熵用于svm训练，120组用 于训练后模型识别准确性的验证。
[0133]
支持向量机的优化与识别
[0134]
将670组多尺度样本熵输入soa-svm模型，通过sov优化svm 参数，将优化后的bestc,bestg作为svm新参数。输入120组多尺度样本 熵输入经过soa优化后的svm，计算优化后模型的准确率。
[0135]
如图5所示，对于上述训练好的soa优化的svm模型，输入为测 试集，输出为对应故障诊断预测标签，与真实标签进行比较，计算测 试集诊断正确率100％，实验结果分析表明，该方法可以准确的判断出 轴承对应所属的故障类型。
[0136]
由上述实施例可以看出，本发明基于参数自适应vmd与优化svm 的轴承故障诊断方法，可以根据待分析信号特征自适应地选取最佳 vmd分解参数，解决了vmd分解参数难以自适应的问题，从而能够 提供更加准确的信号分析结果。进一步对于分解后的多个imf信号，可 以有效找出含有故障特征频率的最佳imf作为机器学习的输入。机器 学习采用soa_svm分类算法，可以自主寻优最佳参数，从而实现轴 承故障的精确诊断，有效提高轴承故障的识别率。
[0137]
本发明还提供了一种轴承故障诊断系统，所述系统用于实现轴承 故障诊断方法，具体包括：
[0138]
信号采集模块，用于采集电机定子绕组的原始电流信号s；
[0139]
信号分解模块，用于对采集的电机原始定子电流信号s，进行基于 遗传算法的自适应变分模态分解vmd，得到k个分量信号imf；
[0140]
故障模型构建模块，对k个分量信号imf计算多尺度样本熵，以 此得到轴承的故障特征矩阵；
[0141]
故障类型诊断模块，利用海鸥优化算法对支持向量机参数优化， 并把得到的轴承故障的特征矩阵输入支持向量机训练模型；将测试集 输入支持向量机学习模型，从而输出轴承故障诊断结果。
[0142]
请参阅图6为本发明实施例提供的电子设备的实施例示意图。如 图6所示，本发明实施例提了一种电子设备，包括存储器1310、处理 器1320及存储在存储器1310上并可在处理器1320上运行的计算机程 序1311，处理器1320执行计算机程序1311时实现以下步骤：
[0143]
s1，采集电机定子绕组的原始电流信号s；
[0144]
s2，对采集的电机原始定子电流信号s，进行基于遗传算法的自适 应变分模态分解vmd，得到k个分量信号imf；
[0145]
s3，对k个分量信号imf计算多尺度样本熵，以此得到轴承的故 障特征矩阵；
[0146]
s4，利用海鸥优化算法对支持向量机参数优化，并把得到的轴承 故障的特征矩阵输入支持向量机训练模型；
[0147]
s5，将测试集输入支持向量机学习模型，从而输出轴承故障诊断 结果。
[0148]
请参阅图7为本发明提供的一种计算机可读存储介质的实施例示 意图。如图7所示，本实施例提供了一种计算机可读存储介质1400， 其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现 如下步骤：
[0149]
s1，采集电机定子绕组的原始电流信号s；
[0150]
s2，对采集的电机原始定子电流信号s，进行基于遗传算法的自适 应变分模态分解vmd，得到k个分量信号imf；
[0151]
s3，对k个分量信号imf计算多尺度样本熵，以此得到轴承的故 障特征矩阵；
[0152]
s4，利用海鸥优化算法对支持向量机参数优化，并把得到的轴承 故障的特征矩阵输入支持向量机训练模型；
[0153]
s5，将测试集输入支持向量机学习模型，从而输出轴承故障诊断 结果。
[0154]
本发明的有益效果在于：
[0155]
1、对于信号的选择，本发明采用电机的定子绕组信号，解决了 振动信号干扰较大和不易采集的问题。
[0156]
2.、对于vmd方法在分解实际信号时，若k设置偏小会造成某 个模态中含有多个分量，致使信息无法完整获取；若k设置偏大会使模 态中心频率发生重叠，导致虚假模态分量出现。本发明可以根据待分 解信号特征自适应地选取最佳vmd分解参数，解决了vmd分解参数 难以自适应的问题，从而能够提供更加准确的信号分析结果，实现轴 承故障的精确诊断。
[0157]
3、对于vmd分解后的多个信号，分别对其求多尺度样本熵， 构造故障模型，从而为机器学习精准故障诊断打下基础。
[0158]
4、对于标准svm模型轴承故障诊断精度较低，本发明采用soa 优化的svm分类算法，soa_svm模型可以自主寻优最佳参数，实现 轴承故障的精确诊断。
[0159]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧 重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关 描述。
[0160]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系 统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存 储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实 施的计算机程序产品的形式。
[0161]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机 程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实 现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图 中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、 专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以 产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器 执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的装置。
[0162]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据 处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算 机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现 在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定 的功能。
[0163]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设 备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生 计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提 供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个 方框中指定的功能的步骤。
[0164]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦 得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所 以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的 所有变更和修改。
[0165]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不 脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于 本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些 改动和变型在内。