[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

说明书

本发明公开了一种基于MPGA参数化共振稀疏分解的机械故障诊断方法，用于提升机械轴承故障特征提取与故障类型辨识的精度。本发明根据轴承故障振动信号特征构建小波基函数库，将优化算法融入到共振稀疏分解方法中，通过优化算法在共振稀疏分解中自适应的获得与故障振动信号最佳匹配的参数，利用所获得的参数对振动信号进行共振稀疏分解，然后将得到的低共振分量进行包络分析，进而实现轴承故障特征的准确提取。本发明适用于滚动轴承故障诊断。

技术领域

本发明涉及机械故障诊断领域，特别涉及基于MPGA参数化共振稀疏分解的机械故障诊断方法。

背景技术

机械设备主要通过传动机构实现动力的运输，而滚动轴承作为传动机构的重要组成部分，在设备运行过程中起着至关重要的作用，因此，实现滚动轴承有效地故障诊断和监测对确保机械设备安全运行具有深远意义。然而，滚动轴承在发生故障早期时，故障特征比较微弱，很容易被其他部件正常的振动和噪声所掩盖，所以，轴承故障特征信息的提取成了一项艰巨的任务。

共振稀疏分解基于振动信号的共振属性，利用分裂增广拉格朗日收缩算法(SALSA)实现信号的稀疏分解，相对于其他信号处理方法，如：经验模态分解(EMD)、局部均值分解(L MD)、小波变换、Hilbert变换等，共振稀疏分解综合考虑信号的频率和带宽两方面的因素，通过可调品质因子小波变换和形态分量分析法将复杂信号分为由持续振荡和谐波成分组成的高共振分量和由瞬时冲击成分组成的低共振分量，从而实现了振动信号周期脉冲成分与瞬态非振荡成分的有效分离。基于此，该方法被引入到机械故障诊断中并得到了广泛的研究与应用，研究主要集中在：如何选择合适的品质因子构建与故障信号相匹配的基函数库。

目前共振稀疏分解中品质因子的确定主要靠人工确定或者利用常规的遗传算法确定，这样确定的品质因子所完成的机械故障特征的提取的准确辨识效果较差，越来越难以满足现今的生产要求。

发明内容

本发明要解决的技术问题是：提供一种基于MPGA参数化共振稀疏分解的机械故障诊断方法，来提升机械故障特征提取的精度。

为实现上述目的，本发明采用的技术方案是：根据轴承故障振动信号特征构建小波基函数库，将优化算法融入到共振稀疏分解方法中，通过优化算法在共振稀疏分解中自适应的获得与故障振动信号最佳匹配的参数，利用所获得的参数对振动信号进行共振稀疏分解，然后将得到的低共振分量进行包络分析，进而实现轴承故障特征的准确提取。

进一步的，本发明将多种群遗传算法(MPGA)融入共振稀疏分解方法中，通过MPGA优化算法在共振稀疏分解中自适应地获得与故障信号最佳匹配的品质因子。除了MPGA优化算法，本发明还可以选用粒子群优化算法、狼群优化算法等其他优化算法。

进一步的，本发明的具体步骤包括：

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(Q_H、Q_L)的取值范围、冗余度(R)、分解级数(J)、适应度函数(K)等基本参数；

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等相关参数，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Q_H、Q_L，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；