基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法
技术领域
1.本发明涉及轴承故障诊断技术领域，尤其涉及一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法。
背景技术：2.滚动轴承在旋转机械甚至是现代制造业中发挥着重要作用。因此，研究滚动轴承的故障检测技术和诊断方法是具有实际意义的。轴承在运行过程中容易受到负载、摩擦和阻尼的影响，因而较为容易发生故障，其工作状态可能会影响整个机器运转的性能和安全性。因此，在保证轴承可靠运行方面，对轴承进行准确的状态监测和故障诊断有着重要的作用。目前，轴承的故障诊断问题正向着智能化的方向去发展，神经网络相比传统的人工故障诊断有着更高的效率并具有良好的鲁棒性。其中模式识别是轴承故障诊断的核心内容，人工神经网络由于拥有较强的自适应、自学习、非线性分类能力而得到了广泛的应用。在常用的技术中，基于轴承振动信号的分析已被广泛用于诊断轴承故障，因为轴承结构的缺陷会引起轴承动态特性的变化，通常表现为振动的形式。但由于振动信号传递路径复杂，通常有背景噪声干扰。因此，如何抑制背景噪声的干扰，精确提取出轴承的故障特征将成为轴承故障诊断的关键。
3.在过去几年中，小波变换的发展为轴承故障诊断提供了一个有效的工具，使其从瞬时的、时变的信号中提取特征，用于故障诊断。在peng,z.kd等人的研究中，对小波变化在机器故障诊断中的应用进行了全面概述。小波包分解(wpd)是小波变换的一个扩展。它能够提供更灵活的时频分解，特别是在高频区域，同时还可以去除采集信号中背景噪声的干扰。目前，wpd在轴承故障诊断得到了广泛的应用。例如，丁金玲等将小波包分解后加入频率加权能量算子处理，有效的增强了故障特征频率的提取。陈里里等通过wpd将轴承振动信号转换为二维时频图像之后导入神经网络进行分类学习，相比于其他的深度学习方法可以完成轴承复杂信号的特征提取及分类。张晴等将wpd和径向基函数神经网络和生物地理学优化算法结合起来进行故障诊断，有效的提高了轴承故障诊断的准确率。苏文胜等结合wpd与样本熵进行轴承故障特征提取，该方法适合于滚动轴承故障状态的区分。筛选小波包分解后的node分量，将影响着重构信号的故障特征提取。
4.局部均值分解(lmd)是一种自适应的信号处理方法，由smith在2005年提出。lmd适用于将非线性和非平稳的振动信号分解为一系列的乘积函数(pf)，每个pf是包络信号和纯频率调制信号的乘积，从中可以得到具有物理意义的瞬时频率。lmd表面上与经验模态分解(emd)相似，但是目前已经证明lmd在某些方面优于emd，例如信号的局部特征和时间尺度更好，具有更合理的物理信息和更少的分解成分。目前，lmd在故障诊断领域得到了广泛的应用。例如赵立红等人通过lmd分解并重构结合信号的样本差和标准熵作为故障特征进行诊断，大大提高了诊断的准确率。武哲等人提出结合lmd自适应多尺度形态学和teager能量算子解调的方法来提取轴承的故障特征，能够更加清晰的提取轴承的故障特征频率。孟良等人提出了局部均值分解(lmd)形态滤波的最小二乘支持向量机(ls-svm)轴承故障诊断方
法，该方法可以更加快速的对轴承故障进行精确诊断。
5.故障诊断是连接故障特征提取与后续工作的重要环节。目前专家诊断法、故障字典法、包络谱分析、共振解调法等，它们均在故障诊断领域取得了不错的效果。但是传统的故障诊断方法一定程度上依赖专业技术人员的经验判断，当故障信息不全时，故障诊断的精度就难以保证，可能造成误诊。相比于传统的故障诊断方法，基于数据驱动的故障诊断方法有着更高的精度以及效率。概率神经网络(pnn)是一种常用于模式识别的监督神经网络，其学习过程主要采用概率密度函数估计和贝叶斯分类规则。pnn具有并行分布式处理、自学习和自组织的特点，以及在故障诊断中的良好应用潜力。与其他神经网络方法相比，在训练样本相同的情况下，它具有更快的收敛速度和更高的诊断准确率。然而，pnn的分类性能很大程度上取决于网络参数(平滑因子)的选取。手动调节网络的参数不仅十分繁琐而且很难确定最佳的网络参数。因此，采用寻优算法可以减少参数确定的困难，而且可以更加准确的确定网络的最优参数。粒子群算法(pso)、遗传算法(ga)，布谷鸟搜索算法(cs)，和蝠蝠算法(ba)，这些优化算法在参数的寻优中起到了强大的作用，但算法存在容易陷入局部最优的问题。
技术实现要素：6.针对上述提出的问题，本文提出了将相关系数-能量比-峭度准则与分解算法相结合的信号重构方法以及一种基于灰狼算法(gwo)优化概率神经网络的轴承故障诊断方法。首先分解采集到的振动信号；之后通过相关系数-能量比-峭度准则对分解后的信号分量进行筛选并进行重构。将重构信号进行分割并通过多尺度排列熵提取分割后样本的故障特征，通过核主成分分析法对高维的故障特征进行降维，最后，利用灰狼算法优化的概率神经网络进行故障诊断，充分发挥网络的分类性能；与其他方法相比，该方法可以有效抑制背景噪声的干扰，提高故障诊断的准确率。
7.为解决上述技术问题，本发明所采取的技术方案是：一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，包括如下步骤：
8.步骤1：采集滚动轴承的振动信号；
9.步骤2：采集得到的滚动轴承的振动信号进行分解，分解出不同的信号分量；
10.所述信号分量包括node分量、pf分量，采用wpd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的node分量，采用lmd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的pf分量；
11.步骤3：结合峭度值、相关系数和能量比，对分解后的信号分量进行筛选，并对筛选后的分量进行线性重构；包括：
12.步骤3.1：计算各信号分量的峭度值k，如下所示：
[0013][0014]
其中，x为信号分量的振幅；e为信号分量x的期望；u为信号分量振幅的平均值；σ为信号分量振幅的标准差；
[0015]
步骤3.2：计算各分量与原始信号的皮尔逊相关系数r；
[0016]
步骤3.3：计算各分量的能量比系数ε：
[0017]
步骤3.4：对计算后的峭度值k、相关系数r和能量比系数ε进行加权求和，得到综合筛选指标值krε：
[0018]
krε＝a1k+a2r+a3ε
[0019]
其中，a1、a2、a3分别为node分量的峭度值、相关系数和能量比的权重值；
[0020]
步骤3.5：对各分量的综合筛选指标值krε进行从大到小排序，筛选出最大的前n个信号分量；
[0021]
步骤3.6：对筛选后的信号分量进行重构；
[0022]
步骤4：通过多尺度排列熵对重构后的信号进行特征提取，并通过核主成分分析法(kpca)进行降维处理，将降维后的特征矩阵作为概率神经网络的输入；
[0023]
步骤5：采用灰狼算法gwo优化pnn的平滑因子，过程如下：
[0024]
步骤5.1：初始化pnn算法，设定平滑因子σ；
[0025]
步骤5.2：初始化灰狼算法中的灰狼种群、收敛因子a和系数向量a、c；
[0026][0027]
a＝2a
×r2-α
[0028]
c＝2r1[0029]
其中，t是迭代次数，tmax是最大迭代次数，r1和r2的模取[0,1]区间内的随机数；
[0030]
步骤5.3：把通过pnn诊断的最优正确率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；
[0031]
步骤5.4：更新各灰狼的位置；
[0032]
步骤5.5：更新a、a、c；
[0033]
步骤5.6：计算全部灰狼的适应度值，同时更新适应度最好的前三匹灰狼的适应度和位置；
[0034]
步骤5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.7继续寻优迭代过程，直到迭代结束输出最优的带宽参平滑因子σ。
[0035]
步骤6：针对待诊断轴承的振动信号，采用经灰狼算法优化后的概率神经网络进行故障诊断。
[0036]
本发明有益效果：
[0037]
1、本发明提供的方法所选用的小波包分解，不仅能充分的保留信号的高频细节部分而且运算效率较高；所选用的lmd分解，不仅能抑制模态混叠现象而且运算效率较高信号的局部特征和时间尺度更好，具有更合理的物理信息和更少的分解成分。
[0038]
2、本发明提供的方法所选用的峭度-相关系数-能量比准则筛选出分解的模态分量，可以有效去除无关分量，避免了通过单一指标选择的node分量(或pf分量)的片面性，达到抑制背景噪声的目的。
[0039]
3、通灰狼算法gwo对概率神经网络pnn模型进行优化(简称gwo-pnn)，用于故障识别和故障分类，解决了pnn模型中由于平滑因子选择不当而造成网络诊断的精度下降的问题、粒子群pso算法中容易陷入局部最优解和优化不理想的缺点。
[0040]
4、本发明提供的方法应用于实际滚动轴承振动信号，结果表明，经过该方法去噪
得到的信号有效的抑制了噪声的干扰，并具有较高的诊断准确率，与pnn算法和利用pso算法优化pnn(简称pso-pnn)相比，网络诊断的精度有所提高，为今后滚动轴承故障诊断的研究提供了参考方法。
附图说明
[0041]
图1为本发明实施例1中基于wpd分解与gwo-pnn的滚动轴承故障诊断模型的流程图；
[0042]
图2为本发明实施例2中基于lmd分解与gwo-pnn的滚动轴承故障诊断模型的流程图；
[0043]
图3为本发明实施例中西储大学实验轴承原始信号的故障特征聚类结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0044]
图4为本发明实施例中西储大学实验轴承基于的故障特征聚类结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0045]
图5为本发明实施例中航空发动机中介轴承原始信号的故障特征聚类结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0046]
图6为本发明实施例中航空发动机中介轴承基于的故障特征聚类结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0047]
图7为本发明实施例中航空发动机中介轴承灰狼算法优化的概率神经网络的故障诊断结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0048]
图8为本发明实施例中航空发动机中介轴承粒子群算法优化的概率神经网络的故障诊断结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图；
[0049]
图9为本发明实施例中航空发动机中介轴承未经优化概率神经网络的故障诊断结果图，其中(a)为实施例1中的聚类结果图，(b)为实施例2中的聚类结果图。
具体实施方式
[0050]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0051]
本实施例采用了真实的实验数据进行分析，取自西储大学轴承数据中心。选择用于分析的故障轴承为6205-2rjem skf型深沟球轴承。振动数据的采样频率为12000hz。
[0052]
实施例1：
[0053]
如图1所示，本实施例中基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，包括：
[0054]
步骤1：采用振动传感器采集滚动轴承的振动信号；
[0055]
步骤2：采用wpd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的node分量；
[0056]
wpd的原理描述如下。在数学上，一个小波包由一组线性组合的小波函数组成，这些小波函数是通过以下方式产生的递归关系。
[0057][0058][0059]
式中是定标函数，是小波函数；符号h(n)和g(n)表示与定标函数和小波函数相关的一对正交镜像滤波器的系数。此外，h(n)和g(n)通过g(n)＝(-1)nh(1-n)相互关联。
[0060]
对于分解的每一步，输入的离散信号被分解为低频的粗近似和高频的细节部分。时域信号x(t)可以被递归分解为:
[0061][0062][0063]
式中x
j,k
(t)表示第j层第k个子频带的小波系数。
[0064]
因此，信号x(t)可以表示为:
[0065][0066]
式中符号j和k分别表示分解层数和子频带。
[0067]
步骤3：结合峭度值、相关系数和能量比，对分解后的node分量进行筛选，并对筛选后的分量进行线性重构；
[0068]
所述结合峭度值、相关系数和能量比，对分解后的node分量进行筛选的过程如下：
[0069]
步骤3.1：计算各node分量的峭度值k，如下所示：
[0070][0071]
其中，x为node分量的振幅；e为信号分量x的期望；u为node分量振幅的平均值；σ为node分量振幅的标准差；
[0072]
步骤3.2：计算各node分量与原始信号的皮尔逊相关系数r；
[0073]
步骤3.3：计算各node分量的能量比系数；
[0074]
步骤3.4：对计算后的峭度值k、相关系数r和能量比系数ε进行加权求和，得到综合筛选指标krε值，如下所示：
[0075]
krε＝a1k+a2r+a3ε
[0076]
其中，a1、a2、a3分别为node分量的峭度值、相关系数和能量比的权重值；
[0077]
步骤3.5：对各node分量的综合筛选指标krε值进行从大到小排序，筛选出最大的前n个node分量。
[0078]
本实施例1中，相关系数的求解采用皮尔逊相关系数。相关系数是[-1,1]之间的数值，量化地描述x和y的相关程度，即相关系数越大，相关度越大，在相关系数为0时对应度最低。
[0079]
设两样本分别为x和y，相关系数为：
[0080][0081]
式中：r为两样本的相关系数；cov(x,y)为两样本的协方差；为x的方差；为y的方差。
[0082]
本实施例1中，计算综合筛选指标krε值时，对三种不同的指标取相同的权重进行了分析和计算，并对其进行归一化处理，计算出各node分量在wpd分解后的krε值，并对其进行排序，取最大值的前四个node分量进行线性重构，得到重构信号y。
[0083]
步骤4：通过多尺度排列熵对重构后的信号进行特征提取，并通过核主成分分析法(kpca)进行降维处理，将降维后的特征矩阵作为概率神经网络的输入。
[0084]
步骤5：采用灰狼算法gwo优化pnn的平滑因子，gwo算法其灵感来自于狼的分工和协同觅食。它是一种新的群体智能算法，模拟狼的层次结构和狼的捕食行为。排名最高的狼是a种狼，位于食物链的顶端，负责领导、决策和其他行为，其次是b种狼、c种狼和e种狼。虽然b种狼和c种狼不是排名最高的狼种，但当a种狼失去领导权时，它们可以接替a狼成为新的领导者。e种狼是狼群中等级最低的一种，负责平衡种群内部的关系。
[0085]
gwo算法将每只狼视为一个潜在解，其中a种狼为第一最优解，狼种b和c分别为第二最优解和次最优解。gwo算法是一个不断更新狼种a、b、c位置的迭代优化过程。狼群通过下述公式更新距离和位置，完成对猎物的搜索。
[0086]
d＝|c
×
x
p
(t)-x(t)|
[0087]
x(t+1)＝x
p
(t)+d
[0088]
其中，d是灰狼与猎物的距离，t是迭代次数；x
p
是猎物的位置，x是灰狼的位置，其初始位置坐标定义为(c,g)。系数向量a和c的表达式是a＝2a
×r2-α，c＝2r1。当|a|》1表示全局搜索时，即灰狼群体扩大搜索范围以更方便寻找猎物。相比之下，|a|≤1，代表局部搜索，灰狼会收缩包围圈，就近寻找猎物。随迭代数的增加，收敛因子a由2线性减至0，而tmax是最大迭代次数，r1和r2的模分别在[0,1]区间内随机取值。
[0089]
在狼群判断猎物的位置时，头狼a领导狼b和狼c包围着猎物，因为狼a、狼b、狼c是最接近猎物，所以三只狼的位置是逐渐接近猎物，他们描述如下：
[0090]
da＝|c1×
xa(t)-x(t)|
[0091]
db＝|c2×
xb(t)-x(t)|
[0092]
dc＝|c3×
xc(t)-x(t)|
[0093]
其中，xa代表a狼的当前位置,xb代表b狼的当前位置,xc代表c狼的当前位置。c1,c2,c3是随机变量。x(t)是狼群当前的位置。狼e到狼a、b、c的步长分别记为x1、x2和x3，如下所示：
[0094]
x1＝|c3×
x
a-a1da|
[0095]
x2＝|c2×
x
b-a2db|
[0096]
x3＝|c3×
x
c-a2dc|
[0097]
狼e的最终位置定义如下：
[0098][0099]
在狼群捕猎时，狼a、狼b和狼c的对猎物的适应程度不同。对不同的适应度值进行计算，得出第一最优解、第二最优解和次优解，并保留其当前的位置信息。与此同时，狼群根据这三组位置信息来判断移动方向，以接近猎物完成捕猎。然后，再一次更新灰狼的位置，直到得到最优解。定义最优解对应的位置坐标值为(bestc,bestg)。
[0100]
步骤5的具体过程如下：
[0101]
步骤5.1：初始化pnn算法，设定平滑因子σ；
[0102]
步骤5.2：初始化灰狼算法中的灰狼种群、收敛因子a和系数向量a、c；
[0103][0104]
a＝2a
×r2-α
[0105]
c＝2r1[0106]
其中，t是迭代次数，tmax是最大迭代次数，r1和r2的模取[0,1]区间内的随机数；
[0107]
步骤5.3：将通过pnn诊断的最优正确率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；
[0108]
步骤5.4：更新各灰狼的位置；
[0109]
步骤5.5：更新a、a、c；
[0110]
步骤5.6：计算全部灰狼的适应度值，同时更新适应度最好的前三匹灰狼的适应度和位置；
[0111]
步骤5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.7继续寻优迭代过程，直到迭代结束输出最优的带宽参平滑因子σ。
[0112]
步骤6：针对待诊断轴承的振动信号，采用经灰狼算法优化后的概率神经网络进行故障诊断；
[0113]
概率神经网络(pnn)是由d.f.specht博士首次提出的一种由径向基函数神经网络(rbfnn)发展而来的人工神经网络。它可以利用线性学习算法实现非线性学习算法的功能，也可以保证非线性算法的高精度，主要应用于分类和模式识别领域。
[0114]
概率神经网络的总体结构由输入层、模式层、求和层和输出层组成。
[0115]
第一层为输入层，主要用于接收训练样本的故障特征向量并进一步传输数据。其中，神经元个数与故障特征向量的维数一致。
[0116]
第二层为模式层，通过权值与输入层相连，它计算输入特征向量与训练样本模式类型的相似度，然后将其输入到高斯函数中得到输出关系如下:
[0117][0118]
式中，σ为平滑因子，d为样本数据维数，x
ij
为第i个故障的第j个训练数据。
[0119]
第三层是求和层，它将属于模式层的各种神经元连接起来，对上一层的输出进行加权平均后，得到第i种类型的输出vi，如下：
[0120][0121]
第四层是输出层(也叫决策层)，它是在上一层中得到最好的输出，并按以下方式输出：
[0122]
y＝arg max(vi)
[0123]
本实施例中，西储大学实验轴承原始信号的故障特征聚类结果如图3(a)所示，基于的故障特征聚类结果如图4(a)所示。可以看出，原始信号的故障特征向量的散点比较接近，这样就很难对故障模式进行明确分类。而这也可以证明，所述方法在去除背景噪声干扰提取故障特征方面具有更好的性能，有利于后期的故障诊断。
[0124]
根据wpd算法，将四个不同状态的原始振动信号分解为一系列的node分量，选择值较大的前四个node分量，并进行重构，将重构后的信号进行重叠分割扩充样本集，再通过mpe计算得到特征向量，使用kpca进行降维处理，将降维后的特征向量作为gwo-pnn的输入样本，聚类效果如图6(a)所示。原始信号特征聚类效果如图5(a)所示。相比于原始未经去噪处理的振动信号所提取的特征，经过去噪后，各故障类型的特征区分明显，原始信号由于受到强噪声干扰、复杂路径的干扰，因此，原始信号的特征点混淆在一起，不利于故障诊断。
[0125]
gwo-pnn算法被用来诊断输入样本，并与pnn和pso-pnn算法进行比较，结果如图7(a)、图8(a)、图9(a)所示(1代表滚动体故障、2代表内圈故障、3代表外圈故障、4代表正常)。
[0126]
gwo-pnn的故障诊断准确率为98.125％(157/160)，pso-pnn为94.375％(151/160)，而pnn的准确率为88.125％(141/160)。可以发现，这三种方法对于轴承正常状态和内圈故障的诊断有较好的结果，但在其他两种状态下出现了误诊的情况，尤其是轴承外圈故障。这种现象主要是由pnn模型中的平滑因子σ的不同值引起的。pnn模型的平滑系数选择为(σ＝0.05)，gwo-pnn模型和pso-pnn模型平滑系数的优化值分别为(σ＝0.0001)和(σ＝0.01)。灰狼算法相较于粒子群算法而言，灰狼算法可以很好的解决粒子群算法容易陷入局部最优解的问题，具有较好的全局收敛性和计算鲁棒性。另外，从特征的聚类情况来看，可以发现，滚动体故障信号和外圈信号之间的差异比其他两种状态明显较为接近，这对后期的故障诊断也有一定的影响。通过最后的诊断结果可以看出gwo-pnn相比于其他两种方法有更好的诊断精度。
[0127]
实施例2：
[0128]
本实施例2与实施例1采用了相同的实验数据进行分析，取自西储大学轴承数据中心。选择用于分析的故障轴承为6205-2rjem skf型深沟球轴承。振动数据的采样频率为12000hz。
[0129]
如图2所示，本实施例中基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，包括
[0130]
步骤s1：采用振动传感器采集滚动轴承的振动信号；
[0131]
步骤s2：采用lmd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的pf分量；
[0132]
对于一个任意的信号x(t)，lmd的分解步骤如下：
[0133]
获得局部平均函数m
11
(t)和局部包络线函数a
11
(t)。
[0134]
找出信号x(t)的所有局部极端点pi，并计算相邻极端点的均值mi和包络函数值ai。
[0135]
mi＝(p
i+1
+pi)/2
[0136]ai
＝|p
i+1-pi|/2
[0137]
将相邻的局部平均点和局部包络点用线连接起来，然后采用移动平均法对线进行平滑处理，得到局部平均函数m
11
(t)和局部包络函数a
11
(t)。
[0138]
提取纯频率调制函数s
1n
(t)和局部包络函数a
1n
(t)。
[0139]h11
(t)＝x(t)-m
11
(t)
[0140]s11
(t)＝h
11
(t)/a
11
(t)
[0141]
理想情况下，s
11
(t)是一个纯频率调制函数，即a
12
(t)＝1。否则，s
11
(t)被视为原始信号，重复迭代过程，直到s
1n
(t)是一个纯频率调制函数，其局部包络函数a
1(n+1)
(t)＝1。迭代过程的终止条件如下：
[0142][0143]
为了减少计算量和迭代次数，a
1(n+1)
(t)≈1即可以被视为终止条件。
[0144]
计算第一个pf分量的包络信号。
[0145][0146]
计算第一个pf分量。将纯频率调制函数s
1n
(t)与包络函数a1(t)相乘，得到原始信号的第一个pf分量：pf1(t)
[0147]
pf1(t)＝s
1n
(t)a1(t)
[0148]
从原始信号x(t)中提取pf1(t)，得到时间序列信号u1(t)，并将u1(t)视为原始信号，重复上述过程k次，并有:
[0149][0150]
根据上述步骤，原始信号x(t)被分解为k个pf分量和一个残差uk(t)，原始信号x(t)可以表示为:
[0151][0152]
步骤s3：结合峭度值、相关系数和能量比，对分解后的pf分量进行筛选，并对筛选后的分量进行线性重构；
[0153]
所述结合峭度值、相关系数和能量比，对分解后的pf分量进行筛选的过程如下：
[0154]
步骤s3.1：计算各pf分量的峭度值k，如下所示：
[0155][0156]
其中，x为pf分量的振幅，u为pf分量振幅的平均值；σ为pf分量振幅的标准差；
[0157]
步骤s3.2：计算各pf分量与原始信号的皮尔逊相关系数r；
[0158]
步骤s3.3：计算各pf分量的能量比系数；
[0159]
步骤s3.4：对计算后的峭度值k、相关系数r和能量比系数ε进行加权求和，得到综合筛选指标krε值，如下所示：
[0160]
krε＝a1k+a2r+a3ε
[0161]
其中，a1、a2、a3分别为pf分量的峭度值、相关系数和能量比的权重值；
[0162]
步骤s3.5：对各pf分量的综合筛选指标krε值进行从大到小排序，筛选出最大的前n个pf分量。
[0163]
本实施例中，相关系数的求解采用皮尔逊相关系数。相关系数是[-1,1]之间的数值，量化地描述x和y的相关程度，即相关系数越大，相关度越大，在相关系数为0时对应度最低。
[0164]
设两样本分别为x和y，相关系数为：
[0165][0166]
式中：r为两样本的相关系数；cov(x,y)为两样本的协方差；为x的方差；为y的方差。
[0167]
本实施例2中，计算综合筛选指标krε值时，对三种不同的指标取相同的权重进行了分析和计算，并对其进行归一化处理，计算出各pf分量在lmd分解后的krε值，并对其进行排序，取最大值的前四个pf分量进行线性重构，得到重构信号y。
[0168]
步骤s4：通过多尺度排列熵对重构后的信号进行特征提取，并通过kpca进行降维处理，将降维后的特征矩阵作为pnn的输入。
[0169]
步骤s5：采用灰狼算法gwo优化pnn的平滑因子，具体过程如下：
[0170]
步骤s5.1：初始化pnn算法，设定平滑因子σ；
[0171]
步骤s5.2：初始化灰狼算法中的灰狼种群、收敛因子a和系数向量a、c；
[0172][0173]
a＝2a
×r2-α
[0174]
c＝2r1[0175]
其中，t是迭代次数，tmax是最大迭代次数，r1和r2的模取[0,1]区间内的随机数；
[0176]
步骤s5.3：将通过pnn诊断的最优正确率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；
[0177]
步骤s5.4：更新各灰狼的位置；
[0178]
步骤s5.5：更新a、a、c；
[0179]
步骤s5.6：计算全部灰狼的适应度值，同时更新适应度最好的前三匹灰狼的适应度和位置；
[0180]
步骤s5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤s5.4至步骤s5.7继续寻优迭代过程，直到迭代结束输出最优的带宽参平滑因子σ。
[0181]
步骤s6：针对待诊断轴承的振动信号，采用经灰狼算法优化后的概率神经网络进行故障诊断；
[0182]
本实施例2中，西储大学实验轴承原始信号的故障特征聚类结果如图3(b)所示，基于lmd-krε的故障特征聚类结果如图4(b)所示。可以看出，原始信号的故障特征向量的散点比较接近，这样就很难对故障模式进行明确分类。而这也可以证明，本文提出的方法在去除背景噪声干扰提取故障特征方面具有更好的性能，有利于后期的故障诊断。
[0183]
根据lmd算法，将四个不同状态的原始振动信号分解为一系列的pf分量，选择值较大的前四个pf分量，并进行重构，将重构后的信号进行重叠分割扩充样本集，再通过mpe计算得到特征向量，使用kpca进行降维处理，将降维后的特征向量作为gwo-pnn的输入样本，聚类效果如图6(b)所示。原始信号特征聚类效果如图5(b)所示。相比于原始未经去噪处理的振动信号所提取的特征，经过去噪后，各故障类型的特征区分明显，原始信号由于受到强噪声干扰、复杂路径的干扰，因此，原始信号的特征点混淆在一起，不利于故障诊断。
[0184]
gwo-pnn算法被用来诊断输入样本，并与pnn和pso-pnn算法进行比较，结果如图7(b)、图8(b)、图9(b)所示(1代表滚动体故障、2代表内圈故障、3代表外圈故障、4代表正常)。
[0185]
gwo-pnn的故障诊断准确率为98.75％(158/160)，pso-pnn为92.5％(148/160),而pnn的准确率为90％(144/160)。可以发现，这三种方法对于轴承正常状态和内圈故障的诊断有较好的结果，但在其他两种状态下出现了误诊的情况，尤其是轴承外圈故障。这种现象主要是由pnn模型中的平滑因子σ的不同值引起的。pnn模型的平滑系数选择为(σ＝0.05)，gwo-pnn模型和pso-pnn模型平滑系数的优化值分别为(σ＝0.0001)和(σ＝0.01)。灰狼算法相较于粒子群算法而言，灰狼算法可以很好的解决粒子群算法容易陷入局部最优解的问题，具有较好的全局收敛性和计算鲁棒性。另外，从特征的聚类情况来看，可以发现，滚动体故障信号和外圈信号之间的差异比其他两种状态明显较为接近，这对后期的故障诊断也有一定的影响。通过最后的诊断结果可以看出gwo-pnn相比于其他两种方法有更好的诊断精度。
技术特征：1.一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，其特征在于，包括：步骤1：采集滚动轴承的振动信号；步骤2：采集得到的滚动轴承的振动信号进行分解，分解出不同的信号分量；步骤3：结合峭度值、相关系数和能量比，对分解后的信号分量进行筛选，并对筛选后的分量进行线性重构；步骤4：通过多尺度排列熵对重构后的信号进行特征提取，并通过核主成分分析法进行降维处理，将降维后的特征矩阵作为概率神经网络pnn的输入；步骤5：采用灰狼算法gwo优化概率神经网络pnn的平滑因子；步骤6：针对待诊断轴承的振动信号，采用经灰狼算法优化后的概率神经网络进行故障诊断。2.根据权利要求1所述的一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，其特征在于，所述步骤2中信号分量包括node分量、pf分量，采用wpd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的node分量，采用lmd方法对采集得到的滚动轴承的振动信号进行分解，分解出不同的pf分量。3.根据权利要求1所述的一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，其特征在于，所述步骤3包括：步骤3.1：计算各信号分量的峭度值k，如下所示：其中，x为信号分量的振幅；e为信号分量x的期望；u为信号分量振幅的平均值；σ为信号分量振幅的标准差；步骤3.2：计算各分量与原始信号的皮尔逊相关系数r；步骤3.3：计算各分量的能量比系数ε：步骤3.4：对计算后的峭度值k、相关系数r和能量比系数ε进行加权求和，得到综合筛选指标值krε：krε＝a1k+a2r+a3ε其中，a1、a2、a3分别为node分量的峭度值、相关系数和能量比的权重值；步骤3.5：对各分量的综合筛选指标值krε进行从大到小排序，筛选出最大的前n个信号分量；步骤3.6：对筛选后的信号分量进行重构。4.根据权利要求1所述的一种基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法，其特征在于，所述步骤5包括：步骤5.1：初始化pnn算法，设定平滑因子σ；步骤5.2：初始化灰狼算法中的灰狼种群、收敛因子a和系数向量a、c；a＝2a
×
r
2-αc＝2r1其中，t是迭代次数，tmax是最大迭代次数，r1和r2的模取[0,1]区间内的随机数；
步骤5.3：把通过pnn诊断的最优正确率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；步骤5.4：更新各灰狼的位置；步骤5.5：更新a、a、c；步骤5.6：计算全部灰狼的适应度值，同时更新适应度最好的前三匹灰狼的适应度和位置；步骤5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.7继续寻优迭代过程，直到迭代结束输出最优的带宽参平滑因子σ。
技术总结本发明公开一种基于多参数筛选准则与GWO-PNN的滚动轴承故障诊断方法，首先将振动信号通过分解算法并通过相关系数-能量比-峭度准则筛选信号分量进行重构，可以有效去除无关分量，避免了通过单一指标选择的信号分量的片面性，达到抑制背景噪声的目的，对重构信号进行重叠样本分割，并计算各样本的多尺度排列熵作为特征向量并通过核主成分分析(KPCA)降维，将降维后的特征矩阵导入概率神经网络PNN，利用引入灰狼算法GWO优化的PNN对故障模式进行故障分类；实践表明，经过该方法去噪得到的信号有效的抑制了噪声的干扰，并具有较高的诊断准确率。断准确率。断准确率。
技术研发人员：栾孝驰 徐石 沙云东 郭小鹏 葛向东 何俊杰 赵新华 赵奉同
受保护的技术使用者：沈阳航空航天大学
技术研发日：2022.04.24
技术公布日：2022/7/5
