[发明专利]一种轴承故障的诊断方法、装置、计算机设备和存储介质

说明书

本发明公开了一种轴承故障的诊断方法、装置、计算机设备和存储介质，其中，获取轴承的振动信号，通过自适应白噪声的完整集成经验模态分解方法CEEMDAN提取该振动信号的IMF模态分量；确定该模态分量的能量熵，将该能量熵作为特征向量进行归一化处理，构造支持向量机SVM的训练集和测试集；根据该训练集和群智能优化算法更新该SVM的分类器的惩罚参数和核函数参数；该SVM根据该测试集、该惩罚参数和该核函数参数确定该轴承的故障结果，解决了轴承故障诊断的效率低和精度不高的问题，提高了轴承故障诊断的效率和精度。

技术领域

本发明涉及计算机软件领域，具体而言，涉及一种轴承故障的诊断方法、装置、计算机设备和存储介质。

背景技术

滚动轴承是机械设备运转过程中的关键部件，如果其发生故障，将影响其他部件的正常运行甚至会使整个系统瘫痪。因此，快速、准确、容易的检测轴承故障的存在和严重程度具有重要意义。

集合经验模态分解(Ensemble Empirical Mode Decomposition，简称为EEMD)是故障诊断中广泛使用的时频域信号分析方法，能自适应的分解轴承振动信号，但EEMD重建的信号中存在残留噪声，虽然可以通过增加集成次数来降低重构误差，但是其工作量十分庞大。

在利用故障特征进行模式识别方面，支持向量机(Support Vector Machine，简称为SVM)能在样本数较少的情况下获得很好的分类推广能力，对小样本、非线性及高维模式识别等问题更具有适用性。因此SVM被认为是一种非常有潜力的分类技术，已广泛应用于机械故障诊断领域。在运用SVM进行的故障诊断中，诊断精度与核函数参数、惩罚系数有很大关系，所以对其参数的优化问题显得尤为重要，在相关技术中，用于SVM参数优化的方法主要有网格搜索法、交叉验证法、遗传算法(Genetic Algorithm,简称为GA)、粒子群算法(Particle Swarm Optimization,简称为PSO)，但这些方法优化效率低且精度不高。

针对相关技术中，轴承故障诊断的效率低和精度不高的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中，轴承故障诊断的效率低和精度不高的问题，本发明的实施例至少解决上述问题。

根据本发明的一个方面，提供了一种轴承故障的诊断方法，所述方法包括：

获取轴承的振动信号，通过自适应白噪声的完整集成经验模态分解方法CEEMDAN提取所述振动信号的IMF模态分量；

确定所述模态分量的能量熵，将所述能量熵作为特征向量进行归一化处理，构造支持向量机SVM的训练集和测试集；

根据所述训练集和群智能优化算法更新所述SVM的分类器的惩罚参数和核函数参数；

所述SVM根据所述测试集、所述惩罚参数和所述核函数参数确定所述轴承的故障结果。

在其中一个实施例中，根据所述训练集和群智能优化算法更新所述SVM的分类器的惩罚参数和核函数参数包括：

通过粒子群算法PSO中的惯性权重和“飞行速度”更新灰狼优化算法GWO中灰狼位置；

根据更新后的灰狼位置的进行多次迭代，确定所述SVM的分类器的惩罚参数和核函数参数。

在其中一个实施例中，所述通过自适应白噪声的完整集成经验模态分解方法CEEMDAN提取所述振动信号的模态分量，确定所述模态分量的能量熵包括：

通过自适应白噪声的完整集成经验模态分解方法CEEMDAN提取所述振动信号的前预设数量的模态分量；

根据所述前预设数量的模态分量确定Shannon能量熵。