本發(fā)明涉及旋轉(zhuǎn)機械早期故障診斷領(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)隨機共振早期故障診斷方法。

背景技術(shù)：

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

然而，大型旋轉(zhuǎn)機械通常工作在低速重載、強噪聲環(huán)境下，導(dǎo)致在故障診斷過程中獲取的振動信號是被噪聲深度污染的信噪比極低的信號，加上早期故障自身征兆本就很微弱，嚴重影響診斷的精確性。因此，如何提高極端工況下故障信號信噪比就成了故障診斷領(lǐng)域關(guān)鍵課題之一?，F(xiàn)有的微弱信號故障特征提取方法，如頻譜分析、小波包分解、局部均勻值分解、經(jīng)驗?zāi)Ｊ椒纸獾?，在故障特征提取中取得了較好的應(yīng)用效果。但是，降噪處理本身也不可避免會造成故障特征信號在一定程度上被削弱和歪曲，影響診斷效果。

隨機共振(stochasticresonance,sr)方法，描述的是非線性系統(tǒng)中的單位質(zhì)點在同時受到噪聲以及微弱信號激勵時，能夠越過勢壘在雙勢阱內(nèi)做周期性躍遷。這種特性能將部分噪聲能量轉(zhuǎn)化為信號能量，從而大大提高輸出信號信噪比，增強信號特征。作為一種微弱信號增強檢測方法，隨機共振近年來在機械故障診斷領(lǐng)域受到了極大的關(guān)注。然而，隨機共振方法由于受其結(jié)構(gòu)參數(shù)影響較大，在實際信號處理過程中難以取得理想的檢測結(jié)果?，F(xiàn)有的大多數(shù)自適應(yīng)隨機共振方法分別對各個參數(shù)進行取值，很少考慮參數(shù)間的相互作用，難以實現(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的多維優(yōu)化算法來對隨機共振結(jié)構(gòu)參數(shù)進行同步優(yōu)化，從而提高隨機共振機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，其靈感來源于自然界中灰狼群體捕食行為，通過狼群跟蹤、包圍、追捕、攻擊獵物等過程實現(xiàn)優(yōu)化的目的?；依莾?yōu)化算法具有結(jié)構(gòu)簡單、編程易實現(xiàn)、較強的全局搜索能力等優(yōu)點，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)、直流電機最優(yōu)控制等領(lǐng)域有著成功的應(yīng)用。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：提供一種基于灰狼優(yōu)化算法的自適應(yīng)隨機共振早期故障診斷方法，提高隨機共振方法微弱信號檢測能力，實現(xiàn)機械早期故障的準(zhǔn)確診斷。

為解決上述問題，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)隨機共振方法中，對隨機共振結(jié)構(gòu)參數(shù)進行優(yōu)化，根據(jù)輸入信號特征自適應(yīng)地選取最佳結(jié)構(gòu)參數(shù)，實現(xiàn)最佳隨機共振輸出，進而實現(xiàn)微弱故障特征精確提取與故障準(zhǔn)確識別，具體步驟如下：

步驟1：獲取原始振動信號；

步驟2：對原始信號進行線性壓縮預(yù)處理，使之滿足隨機共振小參數(shù)要求；

步驟3：指定雙穩(wěn)態(tài)隨機共振結(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，并初始化灰狼個體初始位置；

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

步驟5：將隨機共振輸出信號的信噪比作為灰狼適應(yīng)度函數(shù)，按照信噪比計算公式計算灰狼個體適應(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的位置更新灰狼個體位置；

步驟7：判斷迭代次數(shù)t是否達到設(shè)定的最大迭代次數(shù)tmax，若達到最大迭代次數(shù)，則進行步驟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)度最大時所對應(yīng)的隨機共振參數(shù)a和b，并用此共振參數(shù)a和b對步驟2中預(yù)處理后的振動信號進行隨機共振；

步驟9：對隨機共振輸出信號進行頻譜分析，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)處理后的振動信號頻率f1，并基于振動信號頻率f1計算原始信號頻率f2，原始信號頻率f2即為故障特征頻率ff；

步驟10：基于故障特征頻率ff進行故障識別。

進一步的來說，步驟3按照以下公式初始化灰狼個體初始位置

其中，rand(n,2)表示n行2列的隨機矩陣。

進一步的來說，步驟6更新灰狼個體位置的方法為：

首先，通過公式以下計算灰狼個體與灰狼α、β、δ之間的距離

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

然后，通過以下公式得到第t次迭代時灰狼個體位置

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)明通過將灰狼優(yōu)化算法引入隨機共振方法中，可以根據(jù)輸入信號特征自適應(yīng)地選取隨機共振結(jié)構(gòu)參數(shù)，有效解決了隨機共振方法對參數(shù)依賴較大的難題，同時克服了傳統(tǒng)自適應(yīng)隨機共振不能對各參數(shù)同步優(yōu)化取值的問題。另外，本發(fā)明方法簡單易行，適用范圍廣，收斂速度快。因此，相較于固定參數(shù)隨機共振方法和傳統(tǒng)自適應(yīng)隨機共振方法，其微弱信號檢測能力更強，能提供更加準(zhǔn)確的機械早期故障診斷結(jié)果，從而為設(shè)備安全穩(wěn)定運行，提高經(jīng)濟效益、社會效益，避免重大安全事故提供可靠依據(jù)。

附圖說明

圖1本發(fā)明流程圖；

圖2原始振動信號時域波形圖；

圖3原始振動信號頻譜圖；

圖4原始振動信號頻譜圖低頻段；

圖5實施例輸出信號頻譜圖；

圖6固定參數(shù)a＝b＝1隨機共振輸出信號頻譜圖；

圖7傳統(tǒng)自適應(yīng)隨機共振輸出信號頻譜圖。

具體實施方式

本發(fā)明通過將灰狼優(yōu)化算法引入雙穩(wěn)態(tài)隨機共振方法中，對隨機共振結(jié)構(gòu)參數(shù)進行優(yōu)化，根據(jù)輸入信號特征自適應(yīng)地選取最佳結(jié)構(gòu)參數(shù)，實現(xiàn)最佳隨機共振輸出，進而實現(xiàn)微弱故障特征精確提取與故障準(zhǔn)確識別。具體步驟如下：

步驟1：獲取原始振動信號；

步驟2：對原始信號進行線性壓縮預(yù)處理(壓縮比記為r)，使之滿足隨機共振小參數(shù)要求即信號頻率遠小于1(f0＜＜1)；

步驟3：參數(shù)初始化。指定雙穩(wěn)態(tài)隨機共振結(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)初始化灰狼個體初始位置

其中，rand(n,2)表示n行2列的隨機矩陣；

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

步驟5：計算灰狼個體適應(yīng)度值。將隨機共振輸出信號的信噪比作為灰狼適應(yīng)度函數(shù)，按照信噪比計算公式計算灰狼個體適應(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：更新灰狼個體位置。首先，通過公式(2)計算灰狼個體與灰狼α、β、δ之間的距離

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

然后，通過公式(3)(4)得到第t次迭代時灰狼個體位置

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

步驟8：保存信噪比(灰狼適應(yīng)度)最大時所對應(yīng)的隨機共振參數(shù)a和b，并用此共振參數(shù)a和b對步驟2中預(yù)處理后的振動信號進行隨機共振。

步驟9：對隨機共振輸出信號進行頻譜分析，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)處理后的振動信號頻率f1，則原始信號頻率f2＝r×f1(r為步驟2中預(yù)處理信號時的壓縮比)。

步驟10：步驟9所得到的原始信號頻率f2即為故障特征頻率ff，繼而可進行故障識別。

以下結(jié)合具體實例——滾動軸承早期故障(外圈故障)診斷，來闡述本發(fā)明的具體實施方式。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)獲取原始振動信號，圖2，圖3分別為原始振動信號時域波形圖和頻譜圖。圖4為該信號頻譜圖的低頻段。從圖2可知，早期故障階段軸承振動信號很難觀測到明顯的周期性沖擊成分。由圖4可見，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，說明軸承已經(jīng)發(fā)生早期故障。然而，內(nèi)圈通過頻率fi＝135.8hz與外圈通過頻率fo＝87.5hz處也均出現(xiàn)了明顯的譜峰，此時，很容易做出誤判。

2)對1)中原始信號進行線性壓縮，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)初始化灰狼個體初始位置。

4)將線性壓縮后的振動信號輸入雙穩(wěn)態(tài)隨機共振系統(tǒng)，并計算灰狼適應(yīng)度，即輸出信號信噪比，進行迭代直至達到最大迭代次數(shù)。

5)保存信噪比最大時對應(yīng)的參數(shù)a＝0.011、b＝29.01，并用此共振參數(shù)對預(yù)處理后的信號進行隨機共振處理。

6)對隨機共振輸出信號進行頻譜分析，圖5為隨機共振輸出信號的快速傅里葉頻譜圖。

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

同時，為了進一步說明本發(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)隨機共振方法與傳統(tǒng)自適應(yīng)隨機共振方法(a＝0.032、b＝27.18)處理同一振動信號后的頻譜圖。對比圖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，上面所述只是說明本發(fā)明的一些原理，由于對相同技術(shù)領(lǐng)域的普通技術(shù)人員來說是很容易在此基礎(chǔ)上進行若干修改和改動的。因此，本說明書并非是要將本發(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)明所申請的專利范圍。