申请/专利权人：合肥工业大学

申请日：2022-04-27

公开（公告）日：2024-03-22

公开（公告）号：CN114818809B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/213;G06F18/10

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明提供一种基于交叉小波的SCA‑SVM电机滚动轴承故障诊断方法，属于电机滚动轴承故障诊断技术领域。取不同工况下的电机滚动轴承故障振动信号与正常工作状态下振动信号做交叉小波变换CWT进行特征提取，构造特征矩阵，将数据集归一化且划分为训练集和测试集；利用改进的正余弦算法SCA优化支持向量机SVM的误差惩罚参数C和高斯核函数g构建诊断模型，对测试集进行分类和诊断。本发明采用交叉小波变换提取特征，具有更强的噪声稳定性，且利用改进正余弦算法优化支持向量机不仅能够增加点多样性，增强算法的搜索能力，还能防止算法陷入局部最优，快速找到全局最优解。本发明为电机滚动轴承振动信号特征提取与故障诊断研究提供了新的手段。

主权项：1.基于交叉小波的SCA-SVM电机滚动轴承的故障诊断方法，其特征在于，操作步骤如下：S1，对振动信号进行数据处理将电机滚动轴承不同工况下振动信号依次与正常工作状态下振动信号进行交叉小波变换得到交叉小波功率谱；具体操作如下：S1.1，设时域信号xt，对xt进行连续小波变换，定义为： 式1中，ψ为母小波，即依赖于参数a、b的小波基函数；a为尺度算子，a0；b为平移算子；τ为位移算子；上角标*表示复共轭；选用Morlet复值函数作为母小波函数，可以很好地反映信号在时频域内的局部化特性，下式为其数学表达式： 式2中，e为自然常数，数值为2.718，ω0是无量纲频率，当ω0＝6，小波尺度参数与傅里叶周期基本相等；Morlet小波的时域、频域的表达式为： S1.2，设电机滚动轴承不同工况下振动信号为yt，电机正常工作状态下振动信号为xt；根据步骤S1.1分别对时域信号xt和yt进行连续小波变换；然后对时域信号xt和yt交叉小波变换，定义如下： 式4中，Wxa,τ和分别表示时域信号xt和yt的连续小波变换；交叉小波功率谱密度为|Wxya,τ|，功率谱密度值越大，说明这两个时域信号的相关性越强；S1.3，计算交叉小波功率谱的相角，定义为： 式5中，代表Wxya,τ的虚部，代表Wxya,τ的实部；S2，计算交叉小波功率谱显著性水平根据交叉小波功率谱密度，计算不同工况下交叉小波功率谱显著性水平，确定交叉小波功率谱上影响锥有效区域，步骤如下；根据交叉小波功率谱密度计算显著性水平p，表达式如下： 式6中，σx，σy分别为时域信号xt和yt的标准差，|Wxya,τ|为交叉小波功率谱密度；设置阈值p0，若pp0表示通过了显著性水平检验，一般取p0＝0.05；影响锥ConeofInfluence，COI是交叉小波功率谱下方的U型曲线，将影响锥曲线上方区域作为有效区域，用于评估信号间的相关性，由于交叉小波变换存在边缘效应，影响锥曲线下方区域无法准确度量，因此无法用于评估信号间的相关性；S3，划分数据集通过提取不同工况下交叉小波功率谱中的红绿蓝RGBRed，Green，Blue参数以及相位数据，结合影响锥有效区域，获取电机滚动轴承不同工况下的特征频段，构造相应的特征矩阵，并将数据集划分为训练集和测试集，步骤如下；交叉小波功率谱中的像素点能够输出红绿蓝RGB参数，利用MATLAB数学软件中的数据指针DataCursor模块读取交叉小波功率谱中的像素点的红绿蓝RGB参数分量值，通过显示图像Imshow命令以矩阵形式输出；S4，优化支持向量机参数数据预处理，将训练集与测试集归一化到[0,1]范围内，利用基于改进的正余弦算法优化支持向量机的误差惩罚参数C和高斯核函数g，具体为：S4.1，参数初始化，初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、搜索空间上边界ub、搜索空间下边界lb、最佳种群位置bestc和bestg、第t次迭代中第i个维度的当前解的位置第i个上的目标位置随机数r1、r2、r3、r4、计算初始值的适应度值Destination_fitnessi及其当前解的位置S4.2，随机初始化N个点的位置，其中第i个种群的位置为Mi＝Mi1,Mi2，i＝1,2,…,N；Mi1表示种群在当前位置时的误差惩罚参数C，Mi2表示种群在当前位置时的高斯核函数g；S4.3，根据公式7进行迭代： 式7中，随机数r1决定了下一次迭代时的位置或移动方向；r2是[0,π]之间的随机数；r3是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是在r31时加强或是在r31时削弱所定义的步进值对目标解的影响；r4是[0,1]中的随机数，r4表示如何在上式中的正弦和余弦分量之间做出选择，当r40.5时按正弦公式迭代，当r4≥0.5时按余弦公式迭代；S4.4，寻求每一个种群中，经过T次迭代找到的最优解，检查当前位置是否在搜索范围内，若不在搜索范围内则跳转至步骤S4.3，若在搜索范围内则计算其适应度，并与已有适应度值作比较，筛选出适应度最大的点，将最优点替换为当前所筛选出适应度最大的点Destination_fitnessi，且将当前点位置赋值给最佳种群位置bestc和bestg；S4.5，判断是否超过最大迭代次数T；若否，则跳转至步骤S4.3；若是，则执行下一步骤S4.6；S4.6，输出最佳种群位置bestc和bestg及其对应适应度，即为误差惩罚参数C和高斯核函数g；S5，搭建诊断模型S5.1，基于所获得的误差惩罚参数C和高斯核函数g，利用所提取的特征矩阵来构建下述公式14所示的诊断模型，并基于所构建的模型对分类样本进行分类； 式14中，xj、xi表示训练样本；yi表示训练样本对应的标签，yi＝1代表正类样本，yi＝-1代表负类样本；b'为阈值；α'i是拉格朗日系数；S5.2，为验证本方法诊断的有效性，选择已得到较广泛使用的正余弦算法优化支持向量机SCA-SVM、粒子群算法优化支持向量机PSO-SVM、鲸鱼群算法优化支持向量机WOA-SVM方法和本案提出的参数优化改进SCA-SVM方法ImprovedSCA-SVM，ISCA-SVM进行比较，使用8组不同信噪比信号对模型进行测试，通过对比四种不同方法对不同信噪比的信号的分类诊断结果进行分析，验证ISCA-SVM方法在诊断准确率和抗噪能力方面的有效性和优越性；在信噪比条件为14dB～35dB下，所述故障诊断方法的算法诊断准确率达到90.72％～98.16％。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于交叉小波的SCA-SVM电机滚动轴承的故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD