[发明专利]基于粒子群优化的滚动轴承故障诊断方法、系统及介质

权利要求书

1.基于粒子群优化的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取滚动轴承在运转过程中的初始振动信号，并采用粒子群优化方法获取所述初始振动信号的初始化参数；

步骤2：根据所述初始化参数对所述初始振动信号进行变分模态分解，获取多个固有模态分量；

步骤3：从多个所述固有模态分量中挑选出含故障特征信息最多的一个所述固有模态分量作为最敏感模态分量，并对所述最敏感模态分量进行带通滤波处理，获取故障特征振动信号；

步骤4：对所述故障特征振动信号进行分析，提取所述故障特征信息，并根据所述故障特征信息对故障进行识别。

2.根据权利要求1所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤1中，具体采用三相加速度传感器和NI采集系统获取所述初始振动信号。

3.根据权利要求2所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤1中，获取所述初始化参数的具体步骤包括：

步骤11：将粒子群的最佳位置作为粒子群搜索目标，将所述初始振动信号进行变分模态分解的自适应函数fitness作为寻优函数；

其中，所述粒子群的速度更新公式和位置更新公式分别具体为：

M为所述粒子群的粒子总数，k为当前迭代次数，为第i个粒子在N维空间第k次迭代的位置，为第i个粒子在N维空间第k次迭代的速度，为第i个粒子在N维空间第k次迭代中的个体极值点的位置，为所述粒子群在N维空间第k次迭代中全局的最优极值的位置，ω为惯性权重，c₁、c₂为学习因子，η为[0,1]之间的随机数；

其中，所述自适应函数fitness具体为：

C为所述固有模态分量与所述初始振动信号之间的相关系数，mean(C)为所述相关系数的均值，var(C)为所述固有模态分量与所述初始振动信号之间的方差；

步骤12：对所述寻优函数进行全局搜索，寻找所述寻优函数的最大值，根据所述寻优函数的最大值、所述位置更新公式和所述速度更新公式确定所述粒子群的最佳位置；

步骤13：根据所述粒子群的最佳位置确定所述初始化参数；

其中，所述初始化参数包括所述固有模态分量的个数K和变分模态分解方法中的惩罚因子α。

4.根据权利要求3所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，所述步骤2的具体步骤包括：

步骤21：根据所述初始化参数和所述初始振动信号构建变分约束模型，所述变分约束模型具体为：

其中，u_k′为第k′个所述固有模态分量，u_k′(t)为第k′个所述固有模态分量的函数，ω_k′为第k′个所述固有模态分量的中心频率，δ(t)为Dirac分布，*表示卷积，f为所述初始振动信号；

步骤22：将所述变分约束模型转化为非约束模型，并采用方向交替乘子方法求解出所述非约束模型的最优解，并根据所述非约束模型的最优解得到多个所述固有模态分量；

所述非约束模型为：

其中，λ为Lagrange乘法因子，λ(t)为Lagrange乘法因子函数，f(t)为所述初始振动信号函数。

5.根据权利要求4所述的基于粒子群优化的滚动轴承故障诊断方法，其特征在于，在所述步骤3中，挑选出所述最敏感模态分量的具体步骤为：

根据峭度值确定所述固有模态分量的所述故障特征信息，将峭度值最大的所述固有模态分量作为所述最敏感模态分量，所述最敏感模态分量对应的峭度值具体为：

其中，q为所述最敏感模态分量对应的峭度值，E(·)为求数学期望运算，μ_l为第l个所述固有模态分量的均值，σ_l为第l个所述固有模态分量的标准差。