[发明专利]基于参数自适应特征模态分解故障诊断方法和系统

说明书

本发明公开了一种基于参数自适应特征模态分解故障诊断方法和系统，故障诊断方法包括如下步骤：采集机械设备的故障振动信号；基于最大信号循环峭噪比的群智能优化方法自动地确定特征模态分解的模态个数和滤波器长度，并采用参数优化的特征模态分解将采集的振动信号划分为一系列模态分量；计算各模态分量的平方包络谱特征能量比，并选取具有最大平方包络谱特征能量比的模态分量作为主模态分量；通过从主模态分量的平方包络谱中提取故障特征频率，实现机械故障识别。该诊断方法继承了特征模态分解强鲁棒性和高运算效率的优点，能够从强噪声背景下提取出有用的周期性故障特征信息，实现设备故障的高效检测。

技术领域

本发明涉及振动信号处理与故障诊断领域，尤其涉及一种基于参数自适应特征模态分解故障诊断方法和系统。

背景技术

许多高端装备(如风力发电机、航空发动机、高速列车、石油化工泵和工业机器人等)在工业生产中扮演着越来越重要的角色。然而，这些设备通常在变速、变载等复杂条件下运行，使得机器容易出现各种故障(如点蚀、磨损、打胶、断裂、塑性变形等)，从而导致设备停机，给企业带来巨大经济损失，甚至威胁技术人员的安全。因此，探索有效的故障检测技术对保障机械设备安全稳定运行具有重要意义。

近年来，振动信号处理与分析作为一种切实可行的手段，在机械故障诊断领域已得到了广泛地应用，并取得了丰富的成果，如小波分解、经验模态分解、局部均值分解和变分模态分解等。然而，以上代表性算法均存在一定不足。比如，小波分解需要选取合适的小波基函数。经验模态分解和局部均值分解具有明显的端点效应和模态混叠现象。变分模态分解必须人工输入惩罚因子和模态个数，因此不具备参数自适应性。相比上述代表性算法，特征模式分解作为一种新型的振动信号处理方法，它具有更好的鲁棒性。然而，与变分模态分解一样，特征模式分解也不具备参数自适应性，需要提前人工设定两个重要参数(即模态个数和滤波器长度)。因此，为了解决特征模式分解依赖人为经验设定参数而不具有参数自适应性的问题，本发明公开了一种基于参数自适应特征模态分解的机械故障诊断方法，能够自适应选取特征模式分解的模态个数和滤波器长度，实现强噪声环境下机械故障类型的自动识别。

发明内容

本方案针对上文提出的问题和需求，提出一种基于参数自适应特征模态分解故障诊断方法，由于采取了如下技术特征而能够实现上述技术目的，并带来其他多项技术效果。

本发明的一个目的在于提出一种基于参数自适应特征模态分解故障诊断方法，其特征在于，包括如下步骤：

S10：采集机械设备的故障振动信号X(n)，n为信号的采样点数；

S20：基于最大信号循环峭噪比的群智能优化方法自动地确定特征模态分解的模态个数和滤波器长度，并采用参数优化的特征模态分解将采集的振动信号划分为一系列模态分量；

S30：计算各模态分量的平方包络谱特征能量比，并选取具有最大平方包络谱特征能量比的模态分量作为主模态分量；

S40：通过从主模态分量的平方包络谱中提取故障特征频率，实现机械故障识别。

在本发明的一个示例中，在步骤S20中，所述基于最大信号循环峭噪比的群智能优化方法包括如下步骤：

S201：设置最大迭代次数Ni，通过公式Pos＝initialization(Np,d,ub,lb)初始化种群；

式中，Np为种群个数，d为目标维度，ub和lb分别为组合优化参数的上界和下界，initialization(·)为MATLAB群智能优化算法工具包中的初始化算子；

S202：建立参数优化的目标函数；

将最大信号循环峭噪比作为参数优化的目标函数，其表达式为：