[发明专利]一种电机轴承故障预测方法

权利要求书

1.一种电机故障预测方法，其特征在于，包括：

获取电机轴承的振动信号；

利用互补集合经验模态分解CEEMD算法对所述振动信号进行分解，获取表征电机轴承振动特征的多个IMF分量；

计算每组IMF分量的奇异值能量，组成奇异值能量谱；

将所述奇异值能量谱输入故障预测模型，获取所述故障预测模型输出的电机轴承的故障预测结果，其中，所述故障预测模型为双向长短时记忆网络，基于蝗虫优化算法对所述故障预测模型进行训练。

2.根据权利要求1所述的电机故障预测方法，其特征在于，所述利用互补集合经验模态分解CEEMD算法对所述振动信号进行分解，获取表征电机轴承振动特征的多个IMF分量，包括：

在振动信号中每一个信号加入N次幅值相同的互补白噪声，组成新序列：

其中、为第i次加入的互补白噪声、后的新序列；

利用EMD分别对获得的新序列、进行分解，得到对应的两组IMF分量和；

对两组IMF分量和求平均值得到，为对应的一组IMF分量；

对每一个分解，得到振动信号x(t)的多组IMF分量。

3.根据权利要求1或2所述的电机故障预测方法，其特征在于，所述振动信号经过CEEMD分解，得到IMF分量矩阵B为：

相应的，所述计算每组IMF分量的奇异值能量，组成奇异值能量谱，包括：

对每组IMF分量进行分解：

对于实矩阵，存在一个正交矩阵和正交矩阵，使得：

其中，或其转置，0表示零矩阵，，且有，即为B的奇异值；

求解出IMF分量矩阵B对应的奇异值矩阵为：

奇异值能量谱为：

。

4.根据权利要求1所述的电机故障预测方法，其特征在于，所述基于蝗虫优化算法对所述故障预测模型进行训练，包括：

生成初始代种群，并初始化种群参数；

通过不断调整种群内各蝗虫个体的距离，更新种群位置，并重新迭代计算种群适应度函数值，直到基于种群适应度函数值和当前迭代次数判定达到迭代终止条件，得到最优种群参数。

5.根据权利要求4所述的电机故障预测方法，其特征在于，所述初始化种群参数，包括：

初始化种群规模N、种群位置、最大迭代次数T_max以及参数c_max

和c_min；

其中，R_w表示种群个体之间对第w个个体的影响，G_w表示第w只蝗虫受到的重力影响，A_w表示第w只蝗虫受到的风力作用，计算式子如下：

其中，表示第w只蝗虫与第e只蝗虫间的距离；h(r)表示蝗虫个体间的相互作用力，当h(r)＞0时个体间相互吸引，当h(r)＜0时个体间相互排斥；f、l分别表示吸引力度和吸引尺度，均为常数；

其中，g表示引力常数；表示风力常数；和分别为指向地心的单位向量和风向的单位向量。

6.根据权利要求5所述的电机故障预测方法，其特征在于，所述通过不断调整种群内各蝗虫个体的距离，更新种群位置，并重新迭代计算种群适应度函数值，包括：

计算参数c：

其中，t表示当前迭代次数；

调整种群内各蝗虫个体的距离，更新种群位置和适应度函数值：

其中：表示当前最优个体；d表示d维空间即优化参数的个数；和分别表示第d个优化参数的上界和下界；表示种群在d维空间的最优适应度函数值。

7.根据权利要求4所述的电机故障预测方法，其特征在于，所述基于种群适应度函数值和当前迭代次数判定达到迭代终止条件，得到最优种群参数，包括：

当种群适应度函数值达到设定阈值或者当前迭代次数达到最大迭代次数时，迭代终止，得到最优种群参数。

8.根据权利要求4所述的电机故障预测方法，其特征在于，所述基于蝗虫优化算法对所述故障预测模型进行训练，还包括：

在电机轴承的垂直方向和水平方向布置两个振动传感器，采集不同工况下的原始振动信号；

利用CEEMD分解提取所述原始振动信号的IMF分量并进行归一化；

计算每组IMF分量的奇异值并求其能量组成奇异值能量谱；

将奇异值能量谱分为训练集数据和测试集数据，基于训练集数据，利用蝗虫优化算法训练故障预测模型。