[发明专利]基于优化变分模态分解的滚动轴承故障诊断方法

权利要求书

1.一种基于优化变分模态分解的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

步骤S1，选取原始振动信号4096个采样点作为变分模态分解的输入信号，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化；

步骤S2，以优化后的模态数和二次惩罚因子对所述原始振动信号分解，并求取分解后的分量的能量熵以及能谱熵；

步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征；

步骤S4，将所述能量熵、所述能谱熵、所述主频分布特征作为特征向量输入到支持向量机中，以实现故障诊断；

其中，步骤S1，采用改进的蝙蝠算法以最小平均包络熵作为优化目标对所述变分模态分解的模态数和二次惩罚因子进行优化，包括：

步骤S101，初始化蝙蝠个体的位置、速度、响度A、脉冲率r、响度衰减系数A_f、脉冲频度增强系数R_f、种群数量N、最大迭代次数T_max，其中，所述蝙蝠个体的初始位置采用混沌映射的方法生成，随机生成一个2维的[0,1]上的向量Z_i＝(Z_i1，Z_i2)，根据以下公式(2)迭代生成N-1个向量，

Z_i+1＝4Z_i(1-Z_i)            (2)；

步骤S102，根据以下公式(3)-(6)更新所述蝙蝠个体的速度和位置，

f_i＝f_min+(f_max-f_min)β  (6)；

其中，以及分别表示蝙蝠个体i在t和t-1代的飞行速度，和分别表示蝙蝠个体i在t和t-1代的位置，x_*表示蝙蝠种群的当前最优解，pfitness(i)表示个体的适应度值，bestmin表示当前全局的最小适应度值，bestmax表示当前全局的最大适应度值，ω为权重因子，β为一个[0,1]上的随机向量，f_max和f_min分别是最大频率以及最小频率；

步骤S103，判断rand1是否大于r_i^t-1，若满足，则通过以下公式(7)进行局部寻优：

其中，rand1为一个[0,1]上的随机数，表示蝙蝠个体i在t代的位置，x_*表示蝙蝠种群的当前最优解，r_i^t为蝙蝠个体i在t代的脉冲率，ε为一个[0,1]上的随机向量，A^t是t代所有蝙蝠响度的平均值；

步骤S104，如果且根据式(7)更新后的蝙蝠个体位置求得的适应度值小于蝙蝠个体i在t-1代时的适应度值，那么根据式(8)和式(9)更新所述响度A以及脉冲率r；

其中，rand2表示一个[0,1]上的随机数，表示蝙蝠个体i在t代的响度，A_f表示响度衰减系数，r_i^t表示蝙蝠个体i在t代的脉冲率，r_i⁰表示初始脉冲频率，表示脉冲频度增强因子，R_f表示脉冲频度增强系数；

返回步骤103，直至达到最大迭代次数，将所述最小平均包络熵所对应的蝙蝠个体位置作为变分模态分解的最优模态数和二次惩罚因子进行优化；

步骤S3，以峭度、相关系数、边际谱熵作为筛选准则对所述分量进行筛选，求取保留分量的主频分布特征，包括：

步骤S301，分别根据以下公式(12)、(14)、(14)求取所述分量的峭度、相关系数、边际谱熵的倒数；

式中，K_r表示分量的峭度，x_i表示分量信号，N表示分量的采样点数；

式中，ρ表示分量的关系数，X以及Y分别表示分量与原始振动信号，μ_X与μ_Y分别表示分量与原始信号的均值，σ(X)以及σ(Y)分别表示分量与原始信号的标准差，

式中，H_p表示边际谱熵的倒数，P_i表示第i个分量的边际谱的归一化，h(i)表示分量的边际谱；

步骤S302，将所述分量以所述峭度、相关系数、边际谱熵作为筛选准则的值映射到三维直角坐标系中，其中，点的坐标设为：(0，峭度值，0)，(10*边际谱熵的倒数，0，0)，(0，0，10*相关系数)，将三个点相连后得到三角形，选取三角形面积最大的分量；

S303，根据以下公式(15)求取筛选后的分量的主频分布特征；

式中，K表示频谱线数，f_k表示第k条频谱线的频率值，s(k)表示频谱。