[发明专利]一种基于改进量子进化算法的滚动轴承故障特征提取方法

说明书

本发明公开了一种基于改进量子进化算法的滚动轴承故障特征提取方法，步骤如下：S1，采集滚动轴承的振动信号f；S2，建立Gabor原子库；S3，建立量子种群Ψ；S4，利用量子概率幅对Gabor原子进行量子编码；S5，将滚动轴承振动信号f在量子概率幅编码后的Gabor原子库上进行一次稀疏分解，以筛选出最佳编码原子最佳种群个体Ψ^*和最佳量子相位θ^*；S6，进化量子种群；S7，变异量子种群；S8，计算稀疏重构信号的峭度值；S9，重复步骤S4至步骤S8，直到稀疏重构信号的峭度值达到最大时结束，峭度值最大处的稀疏重构信号即为提取的滚动轴承故障特征成分。本发明提取的故障特征成分周期性明显，所含噪声明显减少，且在快速性和自适应性方面具有一定的优势。

技术领域

本发明属于信号分析与故障诊断技术领域，具体涉及一种基于改进量子进化算法的滚动轴承故障特征提取方法。

背景技术

滚动轴承是旋转机械重要组成部分，对其进行故障监测对保障机械设备的安全运行有着重要意义。滚动轴承发生故障时，其振动信号是一种复杂的非线性、非平稳信号。如何在复杂的振动信号中准确且快速的提取反映故障特征的信号成分，是进行滚动轴承故障诊断的关键。

近年来，人工智能算法被快速应用到滚动轴承故障特征提取中，如粒子群优化、卷积神经网络、形态优化滤波等。作为一种近些年发展起来的人工智能算法，量子进化算法凭借量子比特运算的并行性和种群个体的丰富多样性，具有更强的搜索能力和收敛速度。在原量子进化算法基础上，发展起以量子比特概率幅为染色体的编码方式，有效避免了量子比特位从二进制数到实际参数优化过程中的编解码。然而，由于现有基于概率幅的量子进化算法多采用固定的旋转相位角或适应度梯度更新量子比特相位角、采用NOT门或其他门操作作为变异策略，这使得量子进化算法在准确搜索并有效提取出滚动轴承故障特征成分方面缺乏一定的自适应性。

发明内容

针对上述现有技术中描述的不足，本发明提供一种基于改进量子进化算法的滚动轴承故障特征提取方法，在提取滚动轴承故障特征的快速性和自适应性方面具有一定的优势。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于改进量子进化算法的滚动轴承故障特征提取方法，步骤如下：

S1，采集滚动轴承的振动信号f，采集振动信号的数据点长度为N。

S2，建立Gabor原子库，表达式为：

其中，γ＝(q,p,α,β)为g_γ(t)的时频参数，且0≤q≤log₂N、0≤p≤N-1、0≤α≤N-1、0≤β≤12；自变量t为0,1,2,…,N-1；N为采集振动信号的数据点长度。

S3，建立量子种群Ψ：

Ψ＝[Ψ₁,Ψ₂,…,Ψ_i,…Ψ_m] (2)。

其中：i＝1,2,…m；j＝1,2,…n；m为种群个体总数，n为种群个体Ψ_i的量子比特数；θ_ij为种群个体Ψ_i中第j量子比特的相位且θ_ij∈[0，π)。

S4，利用量子概率幅对Gabor原子进行量子编码。

S4.1，利用[0，π)范围内的随机数初始化种群个体Ψ_i中第j量子比特的相位θ_ij(i＝1,2,…m；j＝1,2,…n。

S4.2，对Gabor原子库的时频参数γ进行量子概率幅编码，得到余弦编码原子和正弦编码原子