申请/专利权人：中国航空工业集团公司上海航空测控技术研究所

申请日：2021-08-27

公开（公告）日：2024-04-09

公开（公告）号：CN113642508B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/00;G06N20/00;G01M13/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明公开了一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，包含以下步骤：S1采集轴承的原始振动信号；S2对原始振动信号进行自适应VMD，得到K个分量信号；S3利用时‑频加权峭度指标从K个分量信号中筛选出最佳分量信号IMF，将筛选出的IMF划分为训练集和测试集；S4：将训练集输入优化SVM进行模型训练，训练完成后获得能够判断轴承故障的机器学习模型；S5将测试集输入机器学习模型，从而输出轴承故障诊断结果。本方法解决了VMD分解参数难以自适应的问题，从而实现轴承故障的精确诊断，具有较高诊断精度，为设备安全稳定运行提供可靠依据。

主权项：1.一种基于参数自适应VMD与优化SVM的轴承故障诊断方法，包含以下步骤：步骤S1：采集轴承的原始振动信号f；步骤S2：对采集的轴承原始振动信号进行自适应变分模态分解VMD，得到K个分量信号IMFs，过程为：步骤S21：初始化K为1，设置好损失系数e的阀值；步骤S22：令K＝K+1，进行VMD分解；其中，VMD分解过程如下：原始振动信号f分解成K个模态函数ukt，并在各模态函数之和与原始振动信号f相等的要求下，使每个模态函数的估计带宽之和最小，约束变分问题表述为： 式中，uk为VMD分解后的第k个模态分解；wk为分量信号中心频率；表示括号中的式子对t求导；δt为狄拉克函数；引入Lagrange乘子和二次惩罚因子α使约束变分问题转化成非约束性变分问题，其表达式为： 其中，α为分量频率带宽控制参数，用于保证高斯噪声下信号的重建精度；λ为拉格朗日乘数；采用交替方向乘子法求解上式，即通过和交替更新寻求上式的拉格朗日鞍点，其中取值表述公式如下： 转变到频域，可得二次优化结果为： 式中，“︿”表示频域符号；直到给定值大于零的判别精度，则完成VMD分解，否则重回上述过程继续循环；步骤S23：计算损失系数e： 步骤S24：重复步骤S22和步骤S23直至损失系数e小于设定的阀值ε，得到最大模态分解个数Kmax，即此时的K值为原始振动信号会被分解的最大模态分解个数；步骤S25：先求取原始振动信号的能量值E，然后计算当模态分解个数为k时的累加能量Ekk＝1,2,…Kmax，并求取能量值E与累加能量Ek的能量差值，选取能量差最小时的k值作为最佳模态分解个数K，再次执行VMD分析，即得到K个有限带宽的模态分量IMFs；其中，所述的求取信号的能量值E的表达式为： 步骤S3：利用时-频加权峭度指标从K个分量信号IMFs中筛选出最佳分量信号IMF，将筛选出的IMF划分为训练集和测试集；步骤S4：将训练集输入优化支持向量机SVM进行模型训练，训练完成后获得能够判断轴承故障的机器学习模型；其中，优化SVM是在标准SVM的基础上，使用粒子群算法PSO对标准SVM中惩罚因子和不敏感系数进行优化；步骤S5：将测试集输入机器学习模型，从而输出轴承故障诊断结果。

全文数据：

权利要求：

百度查询： 中国航空工业集团公司上海航空测控技术研究所 基于参数自适应VMD与优化SVM的轴承故障诊断方法

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