本發(fā)明涉及旋轉(zhuǎn)機(jī)械早期故障診斷領(lǐng)域，尤其涉及基于灰狼優(yōu)化算法的雙穩(wěn)態(tài)自適應(yīng)隨機(jī)共振早期故障診斷方法。

背景技術(shù)：

作為國(guó)民經(jīng)濟(jì)支柱型企業(yè)中的關(guān)鍵大型現(xiàn)代化旋轉(zhuǎn)機(jī)械設(shè)備，其安全運(yùn)行與否不僅關(guān)系到設(shè)備操作人員生命安全，企業(yè)經(jīng)濟(jì)利益，更關(guān)乎國(guó)家安全及權(quán)益。大量科學(xué)研究及工程實(shí)例表明若能在故障早期階段有效提取其故障特征，進(jìn)而制定有效的針對(duì)性補(bǔ)救措施對(duì)于確保設(shè)備的安全高效運(yùn)行顯得尤為重要。

然而，大型旋轉(zhuǎn)機(jī)械通常工作在低速重載、強(qiáng)噪聲環(huán)境下，導(dǎo)致在故障診斷過(guò)程中獲取的振動(dòng)信號(hào)是被噪聲深度污染的信噪比極低的信號(hào)，加上早期故障自身征兆本就很微弱，嚴(yán)重影響診斷的精確性。因此，如何提高極端工況下故障信號(hào)信噪比就成了故障診斷領(lǐng)域關(guān)鍵課題之一。現(xiàn)有的微弱信號(hào)故障特征提取方法，如頻譜分析、小波包分解、局部均勻值分解、經(jīng)驗(yàn)?zāi)Ｊ椒纸獾龋诠收咸卣魈崛≈腥〉昧溯^好的應(yīng)用效果。但是，降噪處理本身也不可避免會(huì)造成故障特征信號(hào)在一定程度上被削弱和歪曲，影響診斷效果。

隨機(jī)共振(stochasticresonance,sr)方法，描述的是非線性系統(tǒng)中的單位質(zhì)點(diǎn)在同時(shí)受到噪聲以及微弱信號(hào)激勵(lì)時(shí)，能夠越過(guò)勢(shì)壘在雙勢(shì)阱內(nèi)做周期性躍遷。這種特性能將部分噪聲能量轉(zhuǎn)化為信號(hào)能量，從而大大提高輸出信號(hào)信噪比，增強(qiáng)信號(hào)特征。作為一種微弱信號(hào)增強(qiáng)檢測(cè)方法，隨機(jī)共振近年來(lái)在機(jī)械故障診斷領(lǐng)域受到了極大的關(guān)注。然而，隨機(jī)共振方法由于受其結(jié)構(gòu)參數(shù)影響較大，在實(shí)際信號(hào)處理過(guò)程中難以取得理想的檢測(cè)結(jié)果?，F(xiàn)有的大多數(shù)自適應(yīng)隨機(jī)共振方法分別對(duì)各個(gè)參數(shù)進(jìn)行取值，很少考慮參數(shù)間的相互作用，難以實(shí)現(xiàn)多參數(shù)的同步自適應(yīng)選取，導(dǎo)致其早期微弱故障診斷精度不高。因此，需要一種全局搜索能力強(qiáng)的多維優(yōu)化算法來(lái)對(duì)隨機(jī)共振結(jié)構(gòu)參數(shù)進(jìn)行同步優(yōu)化，從而提高隨機(jī)共振機(jī)械早期故障診斷精度。

灰狼優(yōu)化(greywolfoptimization,gwo)算法是mirjalili等人于2014年提出的一種新的群體智能算法，其靈感來(lái)源于自然界中灰狼群體捕食行為，通過(guò)狼群跟蹤、包圍、追捕、攻擊獵物等過(guò)程實(shí)現(xiàn)優(yōu)化的目的。灰狼優(yōu)化算法具有結(jié)構(gòu)簡(jiǎn)單、編程易實(shí)現(xiàn)、較強(qiáng)的全局搜索能力等優(yōu)點(diǎn)，在函數(shù)優(yōu)化方面，被證明在收斂精度和收斂速度方面優(yōu)于常見(jiàn)的遺傳算法、粒子群優(yōu)化算法、蟻群優(yōu)化算法等。因此，灰狼算法在工程上如多輸入多輸出電力系統(tǒng)、直流電機(jī)最優(yōu)控制等領(lǐng)域有著成功的應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于灰狼優(yōu)化算法的自適應(yīng)隨機(jī)共振早期故障診斷方法，提高隨機(jī)共振方法微弱信號(hào)檢測(cè)能力，實(shí)現(xiàn)機(jī)械早期故障的準(zhǔn)確診斷。

為解決上述問(wèn)題，本發(fā)明采用的技術(shù)方案是：將灰狼優(yōu)化算法引入雙穩(wěn)態(tài)隨機(jī)共振方法中，對(duì)隨機(jī)共振結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，根據(jù)輸入信號(hào)特征自適應(yīng)地選取最佳結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)最佳隨機(jī)共振輸出，進(jìn)而實(shí)現(xiàn)微弱故障特征精確提取與故障準(zhǔn)確識(shí)別，具體步驟如下：

步驟1：獲取原始振動(dòng)信號(hào)；

步驟2：對(duì)原始信號(hào)進(jìn)行線性壓縮預(yù)處理，使之滿足隨機(jī)共振小參數(shù)要求；

步驟3：指定雙穩(wěn)態(tài)隨機(jī)共振結(jié)構(gòu)參數(shù)a和b的尋優(yōu)范圍[l,u]，灰狼種群數(shù)n、最大迭代次數(shù)tmax，并初始化灰狼個(gè)體初始位置；

步驟4：將步驟2預(yù)處理后的振動(dòng)信號(hào)輸入雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)；

步驟5：將隨機(jī)共振輸出信號(hào)的信噪比作為灰狼適應(yīng)度函數(shù)，按照信噪比計(jì)算公式計(jì)算灰狼個(gè)體適應(yīng)度，記適應(yīng)度最大、第二大、第三大的三只灰狼分別為α、β、δ，并保存此時(shí)灰狼α、β、δ的位置t表示當(dāng)前的迭代次數(shù)；

步驟6：基于灰狼α、β、δ的位置更新灰狼個(gè)體位置；

步驟7：判斷迭代次數(shù)t是否達(dá)到設(shè)定的最大迭代次數(shù)tmax，若達(dá)到最大迭代次數(shù)，則進(jìn)行步驟8操作；否則，令t＝t+1，并返回步驟4；

步驟8：保存灰狼適應(yīng)度最大時(shí)所對(duì)應(yīng)的隨機(jī)共振參數(shù)a和b，并用此共振參數(shù)a和b對(duì)步驟2中預(yù)處理后的振動(dòng)信號(hào)進(jìn)行隨機(jī)共振；

步驟9：對(duì)隨機(jī)共振輸出信號(hào)進(jìn)行頻譜分析，得到快速傅里葉變換頻譜圖，從快速傅里葉變換頻譜圖中獲取步驟2預(yù)處理后的振動(dòng)信號(hào)頻率f1，并基于振動(dòng)信號(hào)頻率f1計(jì)算原始信號(hào)頻率f2，原始信號(hào)頻率f2即為故障特征頻率ff；

步驟10：基于故障特征頻率ff進(jìn)行故障識(shí)別。

進(jìn)一步的來(lái)說(shuō)，步驟3按照以下公式初始化灰狼個(gè)體初始位置

其中，rand(n,2)表示n行2列的隨機(jī)矩陣。

進(jìn)一步的來(lái)說(shuō)，步驟6更新灰狼個(gè)體位置的方法為：

首先，通過(guò)公式以下計(jì)算灰狼個(gè)體與灰狼α、β、δ之間的距離

其中，為第t-1次迭代時(shí)灰狼個(gè)體的位置；參數(shù)c1、c2、c3滿足ci＝2r1,(i＝1,2,3)，r1是[0,1]中的隨機(jī)數(shù)；

然后，通過(guò)以下公式得到第t次迭代時(shí)灰狼個(gè)體位置

式中：參數(shù)a1、a2、a3滿足ai＝2d·r2-d,(i＝1,2,3)，r2是[0,1]中的隨機(jī)數(shù)，d的值隨著迭代次數(shù)從2到0線性減小即：d＝2-t·(2-0)/tmax。

本發(fā)明的有益效果是：本發(fā)明通過(guò)將灰狼優(yōu)化算法引入隨機(jī)共振方法中，可以根據(jù)輸入信號(hào)特征自適應(yīng)地選取隨機(jī)共振結(jié)構(gòu)參數(shù)，有效解決了隨機(jī)共振方法對(duì)參數(shù)依賴較大的難題，同時(shí)克服了傳統(tǒng)自適應(yīng)隨機(jī)共振不能對(duì)各參數(shù)同步優(yōu)化取值的問(wèn)題。另外，本發(fā)明方法簡(jiǎn)單易行，適用范圍廣，收斂速度快。因此，相較于固定參數(shù)隨機(jī)共振方法和傳統(tǒng)自適應(yīng)隨機(jī)共振方法，其微弱信號(hào)檢測(cè)能力更強(qiáng)，能提供更加準(zhǔn)確的機(jī)械早期故障診斷結(jié)果，從而為設(shè)備安全穩(wěn)定運(yùn)行，提高經(jīng)濟(jì)效益、社會(huì)效益，避免重大安全事故提供可靠依據(jù)。

附圖說(shuō)明

圖1本發(fā)明流程圖；

圖2原始振動(dòng)信號(hào)時(shí)域波形圖；

圖3原始振動(dòng)信號(hào)頻譜圖；

圖4原始振動(dòng)信號(hào)頻譜圖低頻段；

圖5實(shí)施例輸出信號(hào)頻譜圖；

圖6固定參數(shù)a＝b＝1隨機(jī)共振輸出信號(hào)頻譜圖；

圖7傳統(tǒng)自適應(yīng)隨機(jī)共振輸出信號(hào)頻譜圖。

具體實(shí)施方式

本發(fā)明通過(guò)將灰狼優(yōu)化算法引入雙穩(wěn)態(tài)隨機(jī)共振方法中，對(duì)隨機(jī)共振結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，根據(jù)輸入信號(hào)特征自適應(yīng)地選取最佳結(jié)構(gòu)參數(shù)，實(shí)現(xiàn)最佳隨機(jī)共振輸出，進(jìn)而實(shí)現(xiàn)微弱故障特征精確提取與故障準(zhǔn)確識(shí)別。具體步驟如下：

步驟1：獲取原始振動(dòng)信號(hào)；

步驟2：對(duì)原始信號(hào)進(jìn)行線性壓縮預(yù)處理(壓縮比記為r)，使之滿足隨機(jī)共振小參數(shù)要求即信號(hào)頻率遠(yuǎn)小于1(f0＜＜1)；

步驟3：參數(shù)初始化。指定雙穩(wěn)態(tài)隨機(jī)共振結(jié)構(gòu)參數(shù)a和b的尋優(yōu)范圍[l,u]，灰狼種群數(shù)n、最大迭代次數(shù)tmax；并按照公式(1)初始化灰狼個(gè)體初始位置

其中，rand(n,2)表示n行2列的隨機(jī)矩陣；

步驟4：將步驟2預(yù)處理后的振動(dòng)信號(hào)輸入雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)；

步驟5：計(jì)算灰狼個(gè)體適應(yīng)度值。將隨機(jī)共振輸出信號(hào)的信噪比作為灰狼適應(yīng)度函數(shù)，按照信噪比計(jì)算公式計(jì)算灰狼個(gè)體適應(yīng)度，記適應(yīng)度最大、第二大、第三大的三只灰狼分別為α、β、δ，并保存此時(shí)灰狼α、β、δ的位置(t(t≥1)表示當(dāng)前的迭代次數(shù))。

步驟6：更新灰狼個(gè)體位置。首先，通過(guò)公式(2)計(jì)算灰狼個(gè)體與灰狼α、β、δ之間的距離

其中，為第t-1次迭代時(shí)灰狼個(gè)體的位置；參數(shù)c1、c2、c3滿足ci＝2r1,(i＝1,2,3)，r1是[0,1]中的隨機(jī)數(shù)。

然后，通過(guò)公式(3)(4)得到第t次迭代時(shí)灰狼個(gè)體位置

式中：參數(shù)a1、a2、a3滿足ai＝2d·r2-d,(i＝1,2,3)，r2是[0,1]中的隨機(jī)數(shù)，d的值隨著迭代次數(shù)從2到0線性減小即：d＝2-t·(2-0)/tmax。

步驟7：停機(jī)準(zhǔn)則判別，即判斷迭代次數(shù)t是否達(dá)到設(shè)定的最大迭代次數(shù)tmax。若達(dá)到最大迭代次數(shù)，則進(jìn)行下一步操作。否則，令t＝t+1，并返回步驟4進(jìn)行隨機(jī)共振，繼續(xù)后續(xù)流程，直至達(dá)到最大迭代次數(shù)。

步驟8：保存信噪比(灰狼適應(yīng)度)最大時(shí)所對(duì)應(yīng)的隨機(jī)共振參數(shù)a和b，并用此共振參數(shù)a和b對(duì)步驟2中預(yù)處理后的振動(dòng)信號(hào)進(jìn)行隨機(jī)共振。

步驟9：對(duì)隨機(jī)共振輸出信號(hào)進(jìn)行頻譜分析，得到快速傅里葉變換頻譜圖，快速傅里葉變換頻譜圖中最高譜峰處的頻率即為步驟2預(yù)處理后的振動(dòng)信號(hào)頻率f1，則原始信號(hào)頻率f2＝r×f1(r為步驟2中預(yù)處理信號(hào)時(shí)的壓縮比)。

步驟10：步驟9所得到的原始信號(hào)頻率f2即為故障特征頻率ff，繼而可進(jìn)行故障識(shí)別。

以下結(jié)合具體實(shí)例——滾動(dòng)軸承早期故障(外圈故障)診斷，來(lái)闡述本發(fā)明的具體實(shí)施方式。軸承參數(shù)及各頻率關(guān)系如表1所示。

表1軸承參數(shù)及各頻率關(guān)系

1)獲取原始振動(dòng)信號(hào)，圖2，圖3分別為原始振動(dòng)信號(hào)時(shí)域波形圖和頻譜圖。圖4為該信號(hào)頻譜圖的低頻段。從圖2可知，早期故障階段軸承振動(dòng)信號(hào)很難觀測(cè)到明顯的周期性沖擊成分。由圖4可見(jiàn)，頻譜圖中軸承旋轉(zhuǎn)頻率fr＝25hz及其2倍頻、3倍頻處有明顯的譜峰，說(shuō)明軸承已經(jīng)發(fā)生早期故障。然而，內(nèi)圈通過(guò)頻率fi＝135.8hz與外圈通過(guò)頻率fo＝87.5hz處也均出現(xiàn)了明顯的譜峰，此時(shí)，很容易做出誤判。

2)對(duì)1)中原始信號(hào)進(jìn)行線性壓縮，其中壓縮比為r＝4000。

3)指定參數(shù)a、b尋優(yōu)范圍設(shè)為[0,30]，最大迭代次數(shù)tmax＝100，灰狼種群數(shù)n＝30，并按照公式(1)初始化灰狼個(gè)體初始位置。

4)將線性壓縮后的振動(dòng)信號(hào)輸入雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)，并計(jì)算灰狼適應(yīng)度，即輸出信號(hào)信噪比，進(jìn)行迭代直至達(dá)到最大迭代次數(shù)。

5)保存信噪比最大時(shí)對(duì)應(yīng)的參數(shù)a＝0.011、b＝29.01，并用此共振參數(shù)對(duì)預(yù)處理后的信號(hào)進(jìn)行隨機(jī)共振處理。

6)對(duì)隨機(jī)共振輸出信號(hào)進(jìn)行頻譜分析，圖5為隨機(jī)共振輸出信號(hào)的快速傅里葉頻譜圖。

7)圖5中最高譜峰對(duì)應(yīng)的頻率f1＝0.0218hz，則原始信號(hào)的頻率f2＝r×f1＝4000×0.0218＝87.2hz，該頻率值與外圈通過(guò)頻率接近。因此，可判別軸承外圈存在諸如疲勞磨損，點(diǎn)蝕等早期局部故障。

同時(shí)，為了進(jìn)一步說(shuō)明本發(fā)明方法的優(yōu)越性，圖6，圖7分別給出了固定參數(shù)(a＝b＝1)隨機(jī)共振方法與傳統(tǒng)自適應(yīng)隨機(jī)共振方法(a＝0.032、b＝27.18)處理同一振動(dòng)信號(hào)后的頻譜圖。對(duì)比圖5、6、7，明顯可以看出本發(fā)明在軸承早期故障診斷中效果更佳。

需要指出的是，上面所述只是說(shuō)明本發(fā)明的一些原理，由于對(duì)相同技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)是很容易在此基礎(chǔ)上進(jìn)行若干修改和改動(dòng)的。因此，本說(shuō)明書(shū)并非是要將本發(fā)明局限在所示和所述的具體結(jié)構(gòu)和適用范圍內(nèi)，故凡是所有可能被利用的相應(yīng)修改以及等同物，均屬于本發(fā)明所申請(qǐng)的專利范圍。