CN114323649A - 一种基于ceemdan与pso-momeda的回转支承故障诊断方法 - Google Patents
一种基于ceemdan与pso-momeda的回转支承故障诊断方法 Download PDFInfo
- Publication number
- CN114323649A CN114323649A CN202111680252.XA CN202111680252A CN114323649A CN 114323649 A CN114323649 A CN 114323649A CN 202111680252 A CN202111680252 A CN 202111680252A CN 114323649 A CN114323649 A CN 114323649A
- Authority
- CN
- China
- Prior art keywords
- imf
- momeda
- ceemdan
- optimal
- slewing bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000007792 addition Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 42
- 238000012423 maintenance Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于CEEMDAN与PSO‑MOMEDA的回转支承故障诊断方法。包括以下步骤：S1、使用加速度传感器采集门座起重机回转支承振动信号，作为原始信号；S2、对原始信号进行CEEMDAN处理，分解为一系列IMF，并且对IMF分量筛选，得到最优分量；S3、使用PSO以包络谱峰值因子为适应度函数对MOMEDA的参数在最优分量上进行寻优，得到最佳参数组合，再将最佳参数组合代入MOMEDA对最优分量进行解卷积处理，获得最终降噪信号；S4、对最终降噪信号进行包络谱分析，再将计算出的轴承理论故障特征频率值与频谱中的突出峰值进行对比分析，继而对回转支承做出诊断。本发明实施可靠方便，能够有效增强故障冲击成分，准确提取故障特征。
Description
技术领域
本发明涉及轴承故障诊断技术领域，尤其涉及一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法。
背景技术
近年来我国港口贸易发展迅速，对港口机械的管理和维护水平也提出了更高的要求。其中，门座起重机是我国各港口占比重较大的装卸设备，回转支承是门座起重机的核心部件，也是容易损伤的部位之一，其运行状态直接影响到整台起重机的正常作业。首先因其低速重载的运行工况，露天式的特殊工作环境，回转支承的早期故障症状较为微弱；再者因其封闭式的结构，难以从日常维护保养过程中观察其运行状态，一旦发生故障，必须停机检修，需要投入大量维修费用及极长的维修时间，不仅严重影响港口的工作效率，而且带有故障的设备运行给工作人员带来了安全隐患。因此，研究门座起重机回转支承的故障诊断技术，对回转支承的运行状况进行定期检测，对早期故障进行预报，避免故障非预期突发，做到有针对性地进行维修，可以获得很大的经济效益和社会效益。
针对以上提出的问题，一些研究人员进行了研究并取得了成果。赵祥龙等人提出基于Waveletleader方法和经混合灰狼算法优化的等距映射算法(HGWO-ISOMAP)的多分形自适应特征提取方法，采用课题组自主研发的回转支承综合性能试验台进行方法验证，再将筛选后的特征矩阵输入到经遗传算法(GA)优化的最小二乘支持向量机(LSSVM)中进行故障状态识别，结果证明了这种方法在计算效率和精度的优越性。苏文胜等人采用改进的邻域相关法对现场采集的回转支承振动信号用椭球拟合方法进行数据拟合，通过比较拟合椭球的形状、方向和参数特点区分了三种故障状态的回转支承。王洪涛提出了一种自适应的随机共振算法，结合了一种新颖的随机共振衡量指标——加权负熵指标和具有全局优化性能良好的GWO算法，通过仿真信号和实测信号的验证，能准确判断回转支承的故障类型。
HUANG等提出经验模态分解(Empirical Mode Decomposition，EMD)实现了非线性信号的自适应分解，将信号分解成若干个频率不同的IMF分量和一个残余信号，实现了重大突破。之后众多学者基于EMD原理对其进行不断地改进，WuZ等在EMD分解前加入白噪声，提出集成经验模态分解(EEMD)。Torres M E等提出了CEEMDAN算法，进一步抑制了EMD的模态混叠现象，解决了EEMD计算量大、分解完备性差等问题，具有明显的优越性，近几年被广泛使用。可知大多数研究都是基于实验台人工加工故障的回转支承，与实际工况下的回转支承有一定的差异，而对实际工况下回转支承的研究方法缺乏自适应性。
Mc Donald等提出了MOMEDA算法，以最大D-范数为目标，并引入目标向量t来促进理想周期脉冲序列的反褶积，采用非迭代方式找寻最佳逆滤波器的信号降噪方法，克服了最小熵解卷积(Minimum Entropy Deconvolution，MED)方法在解卷积过程只能突出局部几个故障脉冲成分，并不能反映故障的真实情况。而最大相关峭度解卷积(MaximumCorrelated Kurtosis Deconvolution，MCKD)也存在一些固有缺点，限制了它在许多实际应用中的使用，例如移位数的定义和与故障相关的循环频率的估计必须非常准确，相关峭度的提出是经验的，没有对其统计性质进行研究等。但是MOMEDA方法中的故障周期搜索范围T和滤波器长度L是影响滤波效果好坏的重要参数，且一般依靠人为经验选取，因此采用PSO算法对这两个参数进行优化选用。
基于以上理论背景，本发明尝试将CEEMDAN和参数优化的MOMEDA相结合，根据峭度值和相关系数筛选最优分量，最后求包络谱以提取故障特征频率。
发明内容
本发明的目的在于提供一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，意在实施可靠方便，能够有效增强故障冲击成分，准确提取故障特征，实现回转支承故障的准确诊断。
为实现上述目的，本发明的技术方案是：一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，包括如下步骤：
S1、使用加速度传感器采集门座起重机回转支承振动信号，作为原始信号；
S2、对原始信号进行自适应噪声完备集合经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)处理，分解为一系列本征模态函数(Intrinsic Mode Function，IMF)，并且对IMF分量筛选，得到最优分量；
S3、使用粒子群算法(Partical Swarm Optimization，PSO)以包络谱峰值因子(crest factor of envelope spectrum，简称Ec)为适应度函数对多点最优最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted，MOMEDA)的参数在最优分量上进行寻优，得到最佳参数组合，再将最佳参数组合代入MOMEDA对最优分量进行解卷积处理，获得最终降噪信号；
S4、对最终降噪信号进行包络谱分析，再将计算出的轴承理论故障特征频率值与频谱中的突出峰值进行对比分析，继而对回转支承做出诊断。
在本发明一实施例中，通过CEEMDAN对原始信号进行处理的原理为：
在原始信号中自适应地加入单位方差均值为0的高斯白噪音并进行EMD分解，然后对所获得的IMF分量计算算数平均值从而得到CEEMDAN的第一个IMF分量，再对去除得到的CEEMDAN的IMF分量的信号循环之前的处理，得到不能继续EMD分解的唯一残差和一系列IMF分量。
在本发明一实施例中，所述通过CEEMDAN对原始信号进行处理的具体实现步骤如下：
S21、设x(t)为滚动轴承时间序列信号，Ni(t)为添加的单位方差均值为0的高斯白噪音，m为添加白噪音的次数，εk为所添加高斯白噪声的标准差，IMFk为CEEMDAN第k个IMF分量，算子Ek(·)表示EMD分解得到的第k个IMF分量，对x(t)添加m组高斯白噪音后进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF1：
S22、计算第一个残差：
r1(t)＝x(t)-IMF1
接着在r1(t)中添加高斯白噪音进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF2：
计算第二个残差：
r2(t)＝r1(t)-IMF2
S23、根据步骤S21和步骤S22依次类推IMFk和rk(t)：
rk(t)＝rk-1(t)-IMFk
S24、重复执行以上步骤，直至无法满足EMD的条件，分解终止，最后的残差为R(t)，即信号x(t)可写做：
在本发明一实施例中，所述对IMF分量筛选的方法为：采用峭度和相关系数相结合的准则筛选出一个IMF分量或多个IMF分量重构作为最优分量。
在本发明一实施例中，步骤S21中设定的高斯白噪音的标准差为0.2，添加次数为50。
在本发明一实施例中，所述使用粒子群算法PSO以包络谱峰值因子Ec为适应度函数对多点最优最小熵解卷积MOMEDA的参数在最优分量上进行寻优的方法包括：
S31、初始化粒子群的速度和位置、惯性因子、加速常数、最大迭代次数以及算法终止的最小允许误差参数；
S32、计算各粒子的适应度函数值Ec；
S33、对比评价各粒子的适应度函数值；
S34、根据评价结果更新粒子的速度和位置；
S35、判定迭代计算的次数，如当前计算的迭代次数小于预设最大迭代次数时或未满足设定的最小误差时，则将更新后的粒子各参数重新返回到步骤S32-S34，如当前计算的迭代次数大于预设最大迭代次数时或满足设定的最小误差时，则输出粒子群的全局最优值和其对应的位置以及每个粒子的局部最优值和其对应的位置，获得最佳参数组合。
在本发明一实施例中，获取振动信号的采样时间长度大于回转支承旋转一周的耗时，每次采样的采样频率为400Hz。
相较于现有技术，本发明具有以下有益效果：本发明将CEEMDAN和MOMEDA相结合，用于门座起重机回转支承故障诊断。CEEMDAN能有效抑制模态混叠现象，减少伪分量的出现，分解完备性好，能自适应分解信号。为了自适应的选取MOMEDA的参数，采用PSO算法以包络谱峰值因子Ec为适应度函数寻找最佳参数组合。二者结合，能够有效增强故障冲击成分，准确提取故障特征。
附图说明
图1为本发明的流程图；
图2为本发明中回转支承实例的时域图；
图3为本发明中回转支承实例的频域图；
图4为本发明实例各IMF分量峭度值；
图5为本发明实例各IMF分量相关系数值；
图6为MOMEDA参数寻优的迭代曲线；
图7为解卷积后的包络谱图。
具体实施方式
为了使本发明的实施更加清楚明白并且充分体现本发明的优点，下面结合附图和实例对本发明进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
本发明一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，包括如下步骤：
S1、使用加速度传感器采集门座起重机回转支承振动信号，作为原始信号；
S2、对原始信号进行自适应噪声完备集合经验模态分解(Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，CEEMDAN)处理，分解为一系列本征模态函数(Intrinsic Mode Function，IMF)，并且对IMF分量筛选，得到最优分量；
S3、使用粒子群算法(Partical Swarm Optimization，PSO)以包络谱峰值因子(crest factor of envelope spectrum，简称Ec)为适应度函数对多点最优最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted，MOMEDA)的参数在最优分量上进行寻优，得到最佳参数组合，再将最佳参数组合代入MOMEDA对最优分量进行解卷积处理，获得最终降噪信号；
S4、对最终降噪信号进行包络谱分析，再将计算出的轴承理论故障特征频率值与频谱中的突出峰值进行对比分析，继而对回转支承做出诊断。
以下为本发明具体实施实例。
参阅图1所示，图1示出了根据本发明一个实施例的基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法的流程图，具体步骤如下：
S1、确定CEEMDAN算法的参数。CEEMDAN中有两个需要人为设定的参数：高斯白噪声的标准差和添加噪声的次数。标准差根据信号中噪声大小而定，本实例中选择0.2；添加噪声次数在本实例中选择50；
S2、对原始振动信号进行CEEMDAN分解，选择峭度和相关系数都较大的IMF作为最优分量；
S3、使用PSO算法以包络谱峰值因子Ec为适应度函数对MOMEDA的参数[L,T]进行寻优。在本实例中，PSO设定参数：粒子个数为30，最大迭代次数为50，最大权重为0.9，最小权重为0.4，学习因子为1.5。滤波器长度取值范围100≤L≤1000；窗函数选取长度为3的矩形窗；故障周期搜索范围[Ts，Tf]，且Ts和Tf分别为故障周期搜索的初始值和最终值，一般T的计算式为T＝fs/fn，其中fs为采样频率，fn为故障特征频率(To＝fs/fo为外圈故障周期、Ti＝fs/fi为内圈故障周期、Tr＝fs/fb为滚动体故障周期)。因故障特征频率未知，分别计算外圈、内圈及滚动体理论故障特征频率，将最大值和最小值代入上述式，得到T的取值范围，一般取Ti≤Ts≤Tb，Tf取值略大于整个传动系统中理论轴承最大故障特征频率对应的故障周期并取整；
S4、将PSO寻优得到的最佳参数组合代入MOMEDA，以此对最优分量进行分析，并做出包络谱；
S5、将计算出的轴承理论故障特征频率值与包络频谱中的突出峰值进行对比分析，得到诊断结果。
其中，CEEMDAN原理及算法流程如下：
在原始信号中自适应地加入单位方差均值为0的高斯白噪音并进行EMD分解，然后对所获得的IMF分量计算算数平均值从而得到CEEMDAN的第一个IMF分量，再对去除得到的CEEMDAN的IMF分量的信号循环之前的处理，得到不能继续EMD分解的唯一残差和一系列IMF分量。CEEMDAN分解的具体步骤包括：
S21、设x(t)为滚动轴承时间序列信号，Ni(t)为添加的单位方差均值为0的高斯白噪音，m为添加白噪音的次数，εk为所添加高斯白噪声的标准差，IMFk为CEEMDAN第k个IMF分量，算子Ek(·)表示EMD分解得到的第k个IMF分量，对x(t)添加m组高斯白噪音后进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF1：
S22、计算第一个残差：
r1(t)＝x(t)-IMF1
接着在r1(t)中添加高斯白噪音进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF2：
计算第二个残差：
r2(t)＝r1(t)-IMF2
S23、根据步骤S21和步骤S22依次类推IMFk和rk(t)：
rk(t)＝rk-1(t)-IMFk
S24、重复执行以上步骤，直至无法满足EMD的条件，分解终止，最后的残差为R(t)，即信号x(t)可写做：
另外，具体而言，MOMEDA的原理及算法流程如下：
假设回转支承发生故障时产生的时间序列信号为y(t)，传递函数为h，采集信号时掺杂的环境噪声为e(t)，则采集到的信号x(t)为：
x(t)＝h*y(t)+e(t)
由上式可见，由于噪声和传递路径，原故障信号y(t)成为了传感器采集到的信号x(t)。因此MOMEDA的目的就是寻找一个逆滤波器f，使y(t)能被还原出来，即：
其中，N表示信号的长度；L为滤波器的长度。
MOMEDA在D-范数的基础上提出了多点D-范数，并以求最大多点D-范数为指标，定义为：
其中，t为目标向量，是由0和1组成的常量向量，定义了解卷积目标脉冲的位置和权重。
上述优化问题等价于求解方程：
令X0＝[M1 M2 … Mk]，则上式可以简化为：
将
代入上式，得：
取上式的特解，记为：
上式即为一组最优滤波器。
PSO算法原理如下：
粒子群优化算法由James Kennedy等在1995年提出，源于对鸟群捕食的行为研究。算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在搜索空间中单独的搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
设被优化函数的自变量空间为D维，粒子群的粒子总数为N，则第k个(k＝1,2,…N)粒子的位置和速度可分别表示为：xk＝[xk1 xk2 … xkD]，vk＝[vk1 vk2 … vkD]。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest，gbest)来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置：
vkm(i+1)＝ω×vkm(i)+c1×rand()×[pbest(i)-xkm(i)]+c2×rand()×[gbest(i)-xkm(i)]
xkm(i+1)＝xkm(i)+vkm(i+1)
其中，ω为惯性权重；c1和c2为学习因子；rand()为介于[0,1]之间的随机数；xkm(i)和vkm(i)分别代表第k个粒子在第m维度上(m＝1,2,...,D)第i次迭代时的位置和速度；pbest为粒子个体最优位置；gbest为种群最佳位置。
本实例中ω按照线性递减权值策略变化，可以通过下式表达：
ω＝ωmin+(ωmax-ωmin)×(1-i/I)
其中，ωmax和ωmin分别为惯性权重的最大值和最小值；I为最大迭代次数；i为当前迭代次数。
粒子群优化算法需要确定一个适应度函数，整个粒子群根据适应度的大小来评判最优解。在本实例中使用的适应度函数为包络谱峰值因子，其计算公式为：
其中，X(n)(n＝1,2,...,N)为信号包络谱幅值序列。Ec越大，周期冲击特性越强，故障特征越明显，因此选取Ec最大值确定MOMEDA最佳参数。
本实例使用某港口门座起重机中的回转支承为分析对象。该回转支承型号为132.50.4000，结构为三排滚柱式，工作方式为外圈固定，内圈旋转。本实例使用加速度传感器采集数据，由于回转支承主要受到轴向力、径向力和倾覆力矩的作用，应在轴向和径向均布置传感器。采集时回转支承的转速为1.23r/min，采样频率为400Hz，采样时间长度为回转支承旋转两周的耗时。
在本实例中将三排滚柱式回转支承简化为三排普通滚动轴承。因此，计算其理论故障特征频率可以使用滚动轴承的故障特征频率计算公式，具体公式为：
其中fi，fo，fr分别为理论内圈故障特征频率，理论外圈故障特征频率，理论滚动体故障特征频率；D为回转支承中径；d为滚动体直径；Z为滚动体数目；α为接触角；fn为转频。
根据上式再结合回转支承的相应参数可计算出回转支承的理论故障特征频率，如表1所示。
表1理论故障特征频率
对采集的振动信号直接进行时频域分析，时域图和频域图如图2和图3所示。从时域图中可以看出信号中存在明显的冲击故障成分，但也存在强烈的噪声，从频域图可以看到几个突出谱线，但并不能反映故障特征。因此，需要对采集到的信号进行进一步的信号处理。
依据图1所示方法流程对采集的信号进行分析。
首先使用CEEMDAN算法对原始信号进行分解，得到21个IMF；再计算各IMF的峭度值和相关系数值，如图4和图5所示。从图中可以看出IMF1的峭度和相关系数都是最大，说明IMF1所含的故障成分最多且与原信号的相关度最大，因此选择IMF1作为最优分量；其次，根据上文提到的计算故障周期的公式，将表1中的最大和最小理论故障特征频率代入，可得T的寻优范围为[96.9，491.4]。由于实际工况，计算出的理论故障特征频率会存在一些误差，因此将范围扩大到[90，500]，故障周期搜索最终值Tf取600。MOMEDA参数寻优的迭代曲线如图6所示。从图中可以观察到迭代次数在第40次时收敛，此时对应的最佳L和T组合为[669,269.1]；最后将上述参数寻优的结果代入MOMEDA算法，对最优分量进行解卷积处理，得到包络频谱如图7所示，可以看出包络谱中存在3.91Hz的峰值频率及其倍频。与表1中计算的理论故障特征频率对比，发现其值与中排外圈的故障特征频率4.041Hz接近，之所以有一些误差是因为回转支承的制造安装误差与使用时的磨损和相对滑动，因此可以判定回转支承的中排外圈发生了故障。而且可以看出本发明处理方法能有效加强故障周期冲击成分，准确提取出故障特征频率，验证了此方法的有效性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，包括如下步骤：
S1、使用加速度传感器采集门座起重机回转支承振动信号，作为原始信号；
S2、对原始信号进行自适应噪声完备集合经验模态分解CEEMDAN处理，分解为一系列本征模态函数IMF，并且对IMF分量筛选，得到最优分量；
S3、使用粒子群算法PSO以包络谱峰值因子Ec为适应度函数对多点最优最小熵解卷积MOMEDA的参数在最优分量上进行寻优，得到最佳参数组合，再将最佳参数组合代入MOMEDA对最优分量进行解卷积处理，获得最终降噪信号；
S4、对最终降噪信号进行包络谱分析，再将计算出的轴承理论故障特征频率值与频谱中的突出峰值进行对比分析，继而对回转支承做出诊断。
2.根据权利要求1所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，通过CEEMDAN对原始信号进行处理的原理为：
在原始信号中自适应地加入单位方差均值为0的高斯白噪音并进行EMD分解，然后对所获得的IMF分量计算算数平均值从而得到CEEMDAN的第一个IMF分量，再对去除得到的CEEMDAN的IMF分量的信号循环之前的处理，得到不能继续EMD分解的唯一残差和一系列IMF分量。
3.根据权利要求2所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，所述通过CEEMDAN对原始信号进行处理的具体实现步骤如下：
S21、设x(t)为滚动轴承时间序列信号，Ni(t)为添加的单位方差均值为0的高斯白噪音，m为添加白噪音的次数，εk为所添加高斯白噪声的标准差，IMFk为CEEMDAN第k个IMF分量，算子Ek(·)表示EMD分解得到的第k个IMF分量，对x(t)添加m组高斯白噪音后进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF1：
S22、计算第一个残差：
r1(t)＝x(t)-IMF1
接着在r1(t)中添加高斯白噪音进行EMD分解：
然后对分解得的一系列IMF进行算术平均计算得到IMF2：
计算第二个残差：
r2(t)＝r1(t)-IMF2
S23、根据步骤S21和步骤S22依次类推IMFk和rk(t)：
rk(t)＝rk-1(t)-IMFk
S24、重复执行以上步骤，直至无法满足EMD的条件，分解终止，最后的残差为R(t)，即信号x(t)可写做：
4.根据权利要求1至3任一所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，所述对IMF分量筛选的方法为：采用峭度和相关系数相结合的准则筛选出一个IMF分量或多个IMF分量重构作为最优分量。
5.根据权利要求3所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，步骤S21中设定的高斯白噪音的标准差为0.2，添加次数为50。
6.根据权利要求1所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，所述使用粒子群算法PSO以包络谱峰值因子Ec为适应度函数对多点最优最小熵解卷积MOMEDA的参数在最优分量上进行寻优的方法包括：
S31、初始化粒子群的速度和位置、惯性因子、加速常数、最大迭代次数以及算法终止的最小允许误差参数；
S32、计算各粒子的适应度函数值Ec；
S33、对比评价各粒子的适应度函数值；
S34、根据评价结果更新粒子的速度和位置；
S35、判定迭代计算的次数，如当前计算的迭代次数小于预设最大迭代次数时或未满足设定的最小误差时，则将更新后的粒子各参数重新返回到步骤S32-S34，如当前计算的迭代次数大于预设最大迭代次数时或满足设定的最小误差时，则输出粒子群的全局最优值和其对应的位置以及每个粒子的局部最优值和其对应的位置，获得最佳参数组合。
7.根据权利要求1所述的一种基于CEEMDAN与PSO-MOMEDA的回转支承故障诊断方法，其特征在于，获取振动信号的采样时间长度大于回转支承旋转一周的耗时，每次采样的采样频率为400Hz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111680252.XA CN114323649A (zh) | 2021-12-31 | 2021-12-31 | 一种基于ceemdan与pso-momeda的回转支承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111680252.XA CN114323649A (zh) | 2021-12-31 | 2021-12-31 | 一种基于ceemdan与pso-momeda的回转支承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114323649A true CN114323649A (zh) | 2022-04-12 |
Family
ID=81022289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111680252.XA Pending CN114323649A (zh) | 2021-12-31 | 2021-12-31 | 一种基于ceemdan与pso-momeda的回转支承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114323649A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779009A (zh) * | 2022-04-22 | 2022-07-22 | 南方电网科学研究院有限责任公司 | 基于模态分解和对称差分能量算子的故障行波检测方法 |
| CN115508091A (zh) * | 2022-11-07 | 2022-12-23 | 烟台天成机械有限公司 | 一种风力发电机组主轴、偏航、变桨轴承性能测试试验台 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178318A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 |
| JP2020166834A (ja) * | 2019-03-28 | 2020-10-08 | Ntn株式会社 | 状態監視システム |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
| CN112985809A (zh) * | 2021-02-09 | 2021-06-18 | 上海电机学院 | 基于信号多维度精细画像的滚动轴承故障诊断方法 |
| CN113269169A (zh) * | 2021-07-19 | 2021-08-17 | 武汉恩为科技有限公司 | 一种轴承故障检测方法和装置 |
| CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
| CN113591241A (zh) * | 2021-07-29 | 2021-11-02 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
-
2021
- 2021-12-31 CN CN202111680252.XA patent/CN114323649A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020166834A (ja) * | 2019-03-28 | 2020-10-08 | Ntn株式会社 | 状態監視システム |
| CN111178318A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法 |
| AU2020103681A4 (en) * | 2020-11-26 | 2021-02-04 | Anhui University Of Technology | Rolling Bearing Fault Diagnosis Method Based on Fourier Decomposition and Multi-scale Arrangement Entropy Partial Mean Value |
| CN112945557A (zh) * | 2021-01-29 | 2021-06-11 | 福建省特种设备检验研究院 | 一种回转支承故障诊断方法、装置及存储介质 |
| CN112985809A (zh) * | 2021-02-09 | 2021-06-18 | 上海电机学院 | 基于信号多维度精细画像的滚动轴承故障诊断方法 |
| CN113375940A (zh) * | 2021-05-28 | 2021-09-10 | 三峡大学 | 基于svd和ceemdan的故障轴承诊断方法 |
| CN113269169A (zh) * | 2021-07-19 | 2021-08-17 | 武汉恩为科技有限公司 | 一种轴承故障检测方法和装置 |
| CN113591241A (zh) * | 2021-07-29 | 2021-11-02 | 福建省特种设备检验研究院 | 一种基于vmd与自适应momeda的回转支承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王朝阁等: "利用参数自适应多点最优最小熵反褶积的行星轮轴承微弱故障特征提取", 《振动工程学报》, vol. 34, no. 3, pages 633 - 645 * |
| 韩雪飞等: "基于参数优化MOMEDA与CEEMDAN的滚动轴承微弱故障特征提取研究", 《机械强度》, vol. 43, no. 05, pages 1041 - 1049 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779009A (zh) * | 2022-04-22 | 2022-07-22 | 南方电网科学研究院有限责任公司 | 基于模态分解和对称差分能量算子的故障行波检测方法 |
| CN115508091A (zh) * | 2022-11-07 | 2022-12-23 | 烟台天成机械有限公司 | 一种风力发电机组主轴、偏航、变桨轴承性能测试试验台 |
| CN115508091B (zh) * | 2022-11-07 | 2023-03-10 | 烟台天成机械有限公司 | 一种风力发电机组主轴、偏航、变桨轴承性能测试试验台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
| CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
| Yang et al. | The intelligent fault diagnosis of wind turbine gearbox based on artificial neural network | |
| CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
| CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
| Jia et al. | Intelligent fault diagnosis of rotating machines based on wavelet time-frequency diagram and optimized stacked denoising auto-encoder | |
| CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
| CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
| CN106093724B (zh) | 一种基于混合粒子群的局部放电小波去噪方法 | |
| CN114323649A (zh) | 一种基于ceemdan与pso-momeda的回转支承故障诊断方法 | |
| CN114091553A (zh) | 一种滚动轴承故障的诊断方法 | |
| CN104598736A (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
| CN112884213B (zh) | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 | |
| CN109359567A (zh) | 一种基于改进小波阈值去噪的参数化传递路径分析方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN112945557A (zh) | 一种回转支承故障诊断方法、装置及存储介质 | |
| CN114689322A (zh) | 基于灰狼算法优化elm的中介轴承故障诊断方法 | |
| CN115452362A (zh) | 一种齿轮箱故障诊断方法 | |
| CN111042917A (zh) | 一种基于goa-mckd和层次离散熵的共轨喷油器微弱故障诊断方法 | |
| Rui et al. | Signal processing collaborated with deep learning: An interpretable FIRNet for industrial intelligent diagnosis | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| CN115409061A (zh) | 基于eemd和scn的水电机组故障诊断方法及系统 | |
| CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
| CN113657244A (zh) | 基于改进eemd和语谱分析的风机齿轮箱故障诊断方法及系统 | |
| CN115127813B (zh) | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |
|
| RJ01 | Rejection of invention patent application after publication |