[发明专利]基于MPGA参数化共振稀疏分解的机械故障诊断方法有效
申请号: | 202010441412.4 | 申请日: | 2020-05-22 |
公开(公告)号: | CN111693279B | 公开(公告)日: | 2021-06-01 |
发明(设计)人: | 李福生;刘莲;刘治汶 | 申请(专利权)人: | 电子科技大学 |
主分类号: | G01M13/04 | 分类号: | G01M13/04;G01M13/045;G06N3/00;G06N3/12 |
代理公司: | 电子科技大学专利中心 51203 | 代理人: | 周刘英 |
地址: | 611731 四川省成*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 mpga 参数 共振 稀疏 分解 机械 故障诊断 方法 | ||
1.一种基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,该方法包括以下步骤:
步骤1:采集轴承的振动信号f;
步骤2:分别指定高、低品质因子QH、QL的取值范围,以及冗余度R、分解级数J、适应度函数K基本参数;
步骤3:指定多种群遗传算法MPGA中随机产生交叉、变异的概率范围、最优个体最大保持代数、种群个数MP及每个种群大小NIND,并初始化MP个种群;
步骤4:根据种群初始化产生的高、低品质因子QH、QL,利用品质因子可调小波变换和分裂增广拉格朗日搜索算法获得低共振分量,将低共振分量代入适应度函数K计算MP个种群中所有个体的适应度值,其中K{i}为第i个种群的适应度值;
步骤5:遗传代数加1,通过选择、交叉、变异、重组函数更新MP个种群,并计算所有子种群所有个体适应度值;
步骤6:通过移民函数交换所有子种群最优个体并利用人工选择算子筛选出最优种群的最优个体;
步骤7:记录当前最优种群中最优个体并判断当前最优个体适应度值是否与前一代最优个体适应度值相同,若不同,最优个体保持代数清零并更新最优个体,若相同则最优个体保持代数加1;
步骤8:判断是否达到最优个体最大保持代数,若达到最大保持代数,输出优化的高、低品质因子QH、QL,然后进入步骤9;反之则返回步骤5;
步骤9:记录最优种群最优个体对应适应度值变化过程,并输出最优个体即最优高、低品质因子QH、QL及其对应的适应度值;将优化得到的高、低品质因子QH、QL运用到共振稀疏分解方法中得到包含冲击成分的低共振分量并进行包络分析。
2.根据权利要求1所述的基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,所述步骤1具体为:通过加速度传感器采集轴承的振动信号f。
3.根据权利要求1所述的基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,所述步骤2根据轴承故障振动信号特征选择合适的冗余度R、适应度函数K、分解级数J参数。
4.根据权利要求1所述的基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,所述步骤4根据适应度函数K,计算所有个体适应度值的过程表示为:
式中;K表示适应度函数或评价函数,CKM(T)表示低共振分量相关峭度,M为偏移周期个数,m表示偏移周期个数从0增到M的数,T为感兴趣脉冲信号周期,xn为低共振分量时间序列,N为信号长度;C表示高、低共振分量相关系数,xi为低共振分量,yi为高共振分量,为平均低共振分量,为平均高共振分量。
5.根据权利要求1所述的基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,所述步骤6采用轮盘赌选择策略,选择个体过程为:
式中,PPi为累计概率,Pi为个体选择概率,fitness(xi)为个体适应度值,共轮转NP次,每次轮转时产生随机数r,当PPi-1<=r<ppi时选择个体i。
6.根据权利要求1所述的基于MPGA参数化共振稀疏分解的机械故障诊断方法,其特征在于,所述步骤9中,利用步骤7和步骤8求得高、低品质因子QH、QL并将其代入共振稀疏分解得到低共振分量,共振稀疏分解过程为:
式中,S1,S2表示小波基函数库,W1,W2表示小波基函数库对应的小波系数,λ1,λ2分别为高、低共振分量的权重系数矩阵,分别为估计的高、低共振分量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学,未经电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010441412.4/1.html,转载请声明来源钻瓜专利网。