[发明专利]基于灰狼优化算法的自适应随机共振早期故障诊断方法

说明书

本发明涉及旋转机械早期故障诊断领域，公开了一种基于灰狼优化算法的自适应随机共振早期故障诊断方法，提高随机共振方法微弱信号检测能力，实现机械早期故障的准确诊断。本发明将灰狼优化算法引入双稳态随机共振方法中，对随机共振结构参数进行优化，根据输入信号特征自适应地选取最佳结构参数，实现最佳随机共振输出，进而实现微弱故障特征精确提取与故障准确识别。本发明适用于旋转机械早期故障诊断。

技术领域

本发明涉及旋转机械早期故障诊断领域，尤其涉及基于灰狼优化算法的双稳态自适应随机共振早期故障诊断方法。

背景技术

作为国民经济支柱型企业中的关键大型现代化旋转机械设备，其安全运行与否不仅关系到设备操作人员生命安全，企业经济利益，更关乎国家安全及权益。大量科学研究及工程实例表明若能在故障早期阶段有效提取其故障特征，进而制定有效的针对性补救措施对于确保设备的安全高效运行显得尤为重要。

然而，大型旋转机械通常工作在低速重载、强噪声环境下，导致在故障诊断过程中获取的振动信号是被噪声深度污染的信噪比极低的信号，加上早期故障自身征兆本就很微弱，严重影响诊断的精确性。因此，如何提高极端工况下故障信号信噪比就成了故障诊断领域关键课题之一。现有的微弱信号故障特征提取方法，如频谱分析、小波包分解、局部均匀值分解、经验模式分解等，在故障特征提取中取得了较好的应用效果。但是，降噪处理本身也不可避免会造成故障特征信号在一定程度上被削弱和歪曲，影响诊断效果。

随机共振(stochastic resonance,SR)方法，描述的是非线性系统中的单位质点在同时受到噪声以及微弱信号激励时，能够越过势垒在双势阱内做周期性跃迁。这种特性能将部分噪声能量转化为信号能量，从而大大提高输出信号信噪比，增强信号特征。作为一种微弱信号增强检测方法，随机共振近年来在机械故障诊断领域受到了极大的关注。然而，随机共振方法由于受其结构参数影响较大，在实际信号处理过程中难以取得理想的检测结果。现有的大多数自适应随机共振方法分别对各个参数进行取值，很少考虑参数间的相互作用，难以实现多参数的同步自适应选取，导致其早期微弱故障诊断精度不高。因此，需要一种全局搜索能力强的多维优化算法来对随机共振结构参数进行同步优化，从而提高随机共振机械早期故障诊断精度。

灰狼优化(grey wolf optimization,GWO)算法是Mirjalili等人于2014年提出的一种新的群体智能算法，其灵感来源于自然界中灰狼群体捕食行为，通过狼群跟踪、包围、追捕、攻击猎物等过程实现优化的目的。灰狼优化算法具有结构简单、编程易实现、较强的全局搜索能力等优点，在函数优化方面，被证明在收敛精度和收敛速度方面优于常见的遗传算法、粒子群优化算法、蚁群优化算法等。因此，灰狼算法在工程上如多输入多输出电力系统、直流电机最优控制等领域有着成功的应用。

发明内容

本发明要解决的技术问题是：提供一种基于灰狼优化算法的自适应随机共振早期故障诊断方法，提高随机共振方法微弱信号检测能力，实现机械早期故障的准确诊断。

为解决上述问题，本发明采用的技术方案是：将灰狼优化算法引入双稳态随机共振方法中，对随机共振结构参数进行优化，根据输入信号特征自适应地选取最佳结构参数，实现最佳随机共振输出，进而实现微弱故障特征精确提取与故障准确识别，具体步骤如下：

步骤1：获取原始振动信号；

步骤2：对原始信号进行线性压缩预处理，使之满足随机共振小参数要求；

步骤3：指定双稳态随机共振结构参数a和b的寻优范围[l,u]，灰狼种群数N、最大迭代次数T_max，并初始化灰狼个体初始位置；

步骤4：将步骤2预处理后的振动信号输入双稳态随机共振系统；