基于自适应参数优化VMD与谱峭度的轴系故障特征提取方法与流程

本发明涉及船舶机械设备振动故障诊断，具体涉及一种基于自适应参数优化vmd与谱峭度的船舶轴系故障特征提取方法。

背景技术：

1、船舶轴系将来自柴油主机的功率和转矩传送至螺旋桨，产生使舰船推进的动力。在运行过程中由于承受不平衡力、偏心力等，不断受到力、热、摩擦磨损等多种作用，船舶轴系的工作状态不断发生变化。基于早期特征提取的故障诊断技术，可在设备故障恶化前指导维修与维护，避免及减少重大事故发生。由于故障早期的特征信息微弱，轴系振动信号掺杂了过多冗余信息，导致故障特征提取率低。

2、微弱故障诊断相对于传统显著故障诊断而言，是一种更精细的诊断形式，需要突出故障冲击信号和干扰噪声之间的信噪比，消除扰动及减弱背景噪声对故障特征信息的影响。基于数据的船舶轴系诊断方法从整体上分为：基于信号处理方法、基于人工智能方法、基于统计分析方法。

3、1)基于人工智能方法

4、故障诊断的本质是模式识别问题，由于系统具有不确定性及复杂性，故障振动规律与故障类型之间不存在显而易见的对应关系。人工智能的故障诊断方法主要通过设备的正常数据及故障数据训练各类型学习算法，其缺点在于需要大量故障数据样本进行训练，无法保证训练样本的典型性及完整性，同时其收敛性、实时性以及训练速度等问题均亟待改进。

5、2)基于统计分析方法

6、基于统计分析的方法是基于历史进程数据进行的统计分析，以样本计算出的监控统计量为基础，估算出正常样本的监控指标置信上/下限，以此监控当前设备运行状态。该类方法从高维空间到低维空间对原数据进行特征提取，但易受模式复合效应、强噪声等因素影响。

7、3)基于信号处理方法

8、基于信号处理方法的故障分析和识别技术以被分析部件的故障产生机理研究为基础，不需要对建立精确的模型。设备故障时，信号幅值、频率、相位等会发生随机变化，该方法运用信号处理的方法，得到系统运行状态和故障综合评价。由于各种数学方法的涌现，信号分析方法不断更新。

9、其中，变分模态分解(variational mode decomposition，vmd)方法因具有数学理论基础完备，模态混叠现象及端点效应较小等优点，在近年来得到广泛应用。但vmd方法也存在着一个较为关键且必须解决的问题，那就是它的分解效果受多个参数的影响较为严重，其中较为关键的参数有分解个数(模态数)k和二次惩罚项α，其中，模态数k选取的过大过小会造成过分解、欠分解现象；二次惩罚项α主要对模态分量的带宽造成影响。

10、现有技术针对vmd参数的取值策略，主要存在以下问题：一方面现有技术仅对单个参数进行了优化，没有全面考虑到分解个数k和分解个数α间的相互作用对分解效果的影响；另一方面，现有技术中参数的联合优化是“顺序性”的优化，即首先确定参数k对应的最小信息熵，然后在此基础上再次通过最小信息熵确定参数α，导致该优化方法得到的最优组合并不一定是全局最优解。

技术实现思路

1、本发明要解决的技术问题是：针对现有技术的不足，提供一种基于自适应参数优化vmd与谱峭度的船舶轴系故障特征提取方法，能够定位轴系瞬态冲击分量，分离冗余振动成分，具有自适应性好、鲁棒性强的特点，且该方法在低信噪比的强噪声条件下故障信息提取率高、稳定性强。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种基于自适应参数优化vmd与谱峭度的船舶轴系故障特征提取方法，包括如下步骤：

4、s1，采集船舶轴系的原始振动信号；

5、s2，对所述原始振动信号进行基于遗传算法的vmd参数自适应优化，确定分解个数k和惩罚参数α的全局最优值；

6、s3，根据所述全局最优值对所述原始振动信号进行vmd分解，分离出多个信号本征模态函数；

7、s4，选择综合目标函数值c最小的信号本征模态函数，得到船舶轴系初步降噪后的振动信号；

8、s5，以所述综合目标函数值c最小的信号本征模态函数为输入，对所述初步降噪后的振动信号进行快速谱峭度计算，确定带通滤波器的最优中心频率和带宽，并以所述最优中心频率和带宽对所述初步降噪后的振动信号进行带通滤波，得到滤波后的振动信号；

9、s6，对所述滤波后的振动信号进行包络解调，提取轴系故障特征频率并进行船舶轴系故障诊断。

10、优选的，在步骤s2中，所述基于遗传算法的vmd参数自适应优化，包括如下步骤：

11、s11，初始化参数k和α，定义参数寻优空间；

12、s12，计算当代种群内各个个体的适应度函数，并根据适应度函数的大小对种群内各个个体进行线性排序；

13、s13，通过单点交叉和单点变异的遗传算法寻找全局最优值；,

14、s14，输出全局最优值[koptimal,αoptimal]。

15、其中，所述参数寻优空间具体为：

16、k∈[kmin，kmax]

17、α∈[αmin，αmax]

18、进一步的，个体xz的适应度函数定义为：

19、

20、其中：

21、cz为个体xz的综合目标函数值，即qdi为vmd分解的信号本征模态函数imfi(j)对应的峭度指标，cmax、cmin分别为当代种群内个体的最大和最小综合目标函数值；

22、进一步的，所述全局最优值，具体为使综合目标函数值c最小时的信号本征模态函数imfi(j)对应的参数值[koptimal,αoptimal]。

23、优选的，在步骤s3中，根据全局最优分解个数koptimal和全局最优惩罚参数αoptimal对所述原始振动信号进行变分模态分解。

24、优选的，在步骤s5中，所述确定带通滤波器的最优中心频率和带宽，具体为：采用快速谱峭度算法，计算每组中心频率和带宽下的时域信号的峭度值，将最大的峭度值对应的中心频率和带宽[fc,δbw]作为最优中心频率和带宽；

25、其中，所述快速谱峭度算法，具体包括：

26、s51，设定初始滤波中心频率fi_c和带通宽度δbi_w；

27、s52，采用逐步分层分解的方式调整中心频率和带宽度，获得全部带通滤波器下的包络谱峭度，并进一步求得最优中心频率和带宽。

28、优选的，在步骤s6中，所述轴系故障特征频率，具体计算公式如下：

29、1)内圈故障特征频率：

30、2)外圈故障特征频率：

31、3)滚动体故障特征频率：

32、4)保持架故障特征频率：

33、上式中，d为滚动体直径，d为滚动体中心距离轴心长度的2倍，α为径向方向接触角，n为滚动体数量，fr为轴的转频r/s。

34、优选的，在步骤s6中，所述船舶轴系故障诊断，具体通过观察信号包络解调后得到的包络谱中是否在轴系故障特征频率点及其倍频点处出现局部能量峰值进行对应的故障判断。

35、本发明与现有技术相比具有以下主要的优点：

36、1、本发明基于vmd的非递归的分解模式，通过变分问题的构造使得分解结果稳定，改善了经验模态分解(empirical mode decomposition，emd)存在的模态混叠、端点效应等问题。

37、2、采用自适应的遗传算法对vmd的有模态数k和二次惩罚项α进行联合优化，减少了由人员经验不足所造成的盲目性，可获得最优参数，实现vmd的最佳分解。

38、3、利用谱峭度对低密度冲击故障频带的定位检测能力，自适应的选择最佳带通滤波频带作为包络谱分析的前置处理，增强提取周期冲击频率的能力。

39、4、本发明结合vmd与谱峭度的优点，vmd用以分离船舶冗余振动成分及初步降噪，谱峭度可定位轴系瞬态冲击分量，分离故障特征频段。该方法具有自适应性好、鲁棒性强的优势，为船舶轴系振动信号的故障特征提取提供了一种有效方法。