基于参数自适应随机共振的离心机转子故障诊断方法
【技术领域】
[0001] 本发明设及离屯、机转子故障诊断领域，具体设及一种基于参数自适应随机共振的 离屯、机转子故障诊断方法。
【背景技术】
[0002] 离屯、机是一种结构复杂的高速旋转机械，广泛应用于化工、石油、食品、制药、选 矿、煤炭、水处理和船舶等部口，离屯、机在使用过程中会因为使用不当或者运行时间累计过 长造成零件老化、磨损等故障。转子的主要故障类型包括转子不平衡、转子不对中、转子碰 磨、油膜振荡、转轴裂纹五种。
[0003] 由于离屯、机转子振动信号属于低信噪比、重度污染的微弱信号，从传感器直接获 取的振动信号如果直接进行快速傅里叶变换(FFT)则很难从中获取明显的特征频率和伴生 频率值，LI Qiang，WANG Taiyong，LENG Yonggang，et al.在文献《Mechanical Systems and Signal Processing》中提出了一种自适应变步长随机共振并应用于滚动轴承的故障 诊断，该方法能有效地提取淹没在噪声中的微弱特征信号；TAN Jiyong，C皿N Xuef eng， WANG Junying，et al.在文献《Mechanical Systems and Si即al Processing》中提出了移 频变尺度随机共振算法，克服了高频信号检测中随机共振的采样频率过高和数据点过多的 限制等。
[0004] PS0(粒子群优化算法）最早是由Kennedy和化6'}1日的在1995年提出来的一种群体 智能优化算法。PS0算法在可解空间初始化一群粒子，每个粒子用位置、速度、适应度值Ξ项 指标来表示，并且每个粒子代表极值优化问题的一个潜在的最优解。
[0005] 支持向量机(SVM)作为一种新型的人工智能方法，它的主要思想是建立一个分类 超平面作为决策面，使得正例和反例之间的隔离边缘被最大化，它是结构风险最小化的近 似实现，在模式分类问题中其泛化能力更强、全局寻优能力更佳，更符合离屯、机故障诊断的 复杂情况。
[0006] 目前常用的转子轴类故障诊断方法有:张文斌，周晓军，杨先勇，等在文献《振动与 冲击》中提出的基于谐波窗转子轴屯、轨迹提纯方法;陈保家，何正嘉，陈雪峰，等在文献《西 安交通大学学报》中提出的局部均值分解信号提取法;杨文志，马文生，任学平在文献《噪声 与振动控制》中提出的利用小波或小波包对故障信号进行分解和重构方法；王建国，吴林 峰，秦绪华在文献《中国机械工程》中提出的采用自相关分析和局域均值分解(LMD)方法提 取故障特征等。运些检测方法各有优点，在一定程度上能反映出转子轴的故障特征，但它们 均是从消除噪声的角度出发来检测故障，但是离屯、机故障信号属于对于低信噪比、重度污 染的微弱信号，运些方法在降低噪声的同时也削弱了特征信号。
[0007] 实际工程应用中离屯、机振动信号噪声来源复杂多变，由于a = b = l的双稳态系统 随机共振对含噪输入信号的处理效果受噪声强度影响较大，噪声强度的变化直接影响提取 特征频率的准确度。
【发明内容】
[000引本发明提供一种基于参数自适应随机共振的离屯、机转子故障诊断方法，解决现有 技术中采用固定参数a = b=l的随机共振系统造成的提取特征频率不够准确的问题，具体 技术方案如下：
[0009] -种基于参数自适应随机共振的离屯、机转子故障诊断方法，包括如下步骤：
[0010] S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优。
[0011] S2:采样多组具有故障的离屯、机转子故障信号并且在上述双稳态系统下分别进行 随机共振处理W及快速傅里叶变换，根据每组信号频率谱波形提取出在0.4~0.5f，If，2f， 3f，〉4f五个频率范围数据，建立离屯、机故障特征频率样本集，作为支持向量机的输入样本， 其中f为工频频率；
[001。 S3:用mapminmax函数对每组故障特征频率数据进行[(U ]归一化处理；
[0013] S4:将5种SVM类型C-SVC，nu-SVC，one-class SVM、spsi 1 ion-SVR、nu-SVR和4种核 函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的 支持向量机类型，对于惩罚因子C和g的取值采用粒子群算法进行参数寻优，找出最佳的SVM 模型和惩罚因子c、g取值；
[0014] S5:对测试集样本进行故障诊断。
[00巧]具体的，所述步骤S2中的随机共振处理采用双稳态系统模型^ =化+紋巧 山 进行随机共振处理。
[0016]具体的，所述步骤S3中的故障特征频率样本集分为训练集和测试集。
[0017] 有益效果：
[0018] 本发明相对于传统的离屯、机转子诊断方法采用随机共振对低信噪比的离屯、机输 入信号进行信号处理，能够W低误差率分辨出含噪信号中的特征信号值，具有优秀的信号 处理能力，提高故障诊断的准确率。
【附图说明】
[0019] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。
[0020] 图1为含噪输入信号D = 0.01时的时域波形；
[0021] 图2为含噪输入信号D = 0.01时经FFT处理后频域波形；
[0022] 图3为含噪输入信号D = 0.01时经参数自适应随机共振处理后时域波形；
[0023] 图4为含噪输入信号D = 0.01时经参数自适应随机共振处理后频域波形；
[0024] 图5为含噪输入信号D = 0.41时经传统随机共振处理后频域波形；
[0025] 图6为含噪输入信号D = 0.41时经参数自适应随机共振处理后频域波形；
[00%]图7为归一化的90组样本数据；
[0027]图8为粒子群算法适应度曲线；
[0028] 图9为测试集故障诊断结果。
【具体实施方式】
[0029] 为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的 技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下 所获得的所有其他实施例，都属于本发明保护的范围。
[0030] -种基于参数自适应随机共振的离屯、机转子故障诊断方法，包括如下步骤：
[0031 ] S1:采用粒子群算法实现双稳态系统模型参数a和b的自适应取值寻优
[0032] S2:采样具有故障的离屯、机转子故障信号并且分别进行随机共振处理W及快速傅 里叶变换，根据每组信号频率谱波形提取出在0.4~0.5f，If，2f，3f，〉4f五个频率范围数 据，作为支持向量机样本，其中f为工频频率；
[0033] S3:用mapminmax函数对每组故障特征频率数据进行[0，1 ]归一化处理；
[0034] 84:将5种5￥]?类型(：-5￥(：，1111-5￥(：，〇116-。1日33 8￥]\1、393111〇11-5￥1?、1111-5￥1?和4种核 函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的 支持向量机类型，对于惩罚因子C和g的取值采用粒子群算法进行参数寻优，找出最佳的SVM 模型和惩罚因子c、g取值；
[0035] S5:对测试集样本进行故障诊断。 γ
[0036] 所述步骤S2中的随机共振处理采用双稳态系统模型^ =獻的进行随机 di 共振处理，