[发明专利]基于变分模态分解与改进粒子群的电机故障信号提取方法

说明书

本发明涉及一种基于变分模态分解与改进粒子群的电机故障信号提取方法，所述变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，通过改进粒子群算法优化所述惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。与现有技术相比，本发明具有提高变分模态分解方法对于故障诊断的准确性、避免模态混叠与端点效应等优点。

技术领域

本发明涉及电气工程技术领域，尤其是涉及一种基于变分模态分解与改进粒子群的电机故障信号提取方法。

背景技术

在电机故障诊断中，采集到的电机原始信号中包含许多冗余信息，需要对采集到的信号进行预处理来消除噪声，降低数据维度从中提取出有用的故障特征信号。目前信号处理的方法包括傅里叶变换、小波变换、经验模态分解和变分模态分解。

傅里叶变换可以将时域的信号变为相应的频域的信号，由频域判别故障信号。但傅里叶变换完全在频域中变换，由于积分函数的变换会导致信号中不平稳信号变得平滑，导致时域信号的缺失，从而导致一些有用信号无法体现出来。经验模态分解(EMD)算法一种将信号分解成特征模态的方法，其优点是不会运用任何已经定义好的函数作为基底，而是根据所分析的信号而自适应生成固有模态函数，用于分析非线性、非平稳的信号序列，具有很高的信噪比。但是EMD中的模态混叠与端点效应会对信号分析造成影响。变分模态分解(VMD)采用的是同时提取分量的方法，相比于递归分解方法节省了运算时间，而通过VMD分解出来的分量频谱是在中心频率带宽附近，但存在一个分量中含有其他频率或者同一个频率处在不同的分量中的情况，并且需求确定参数惩罚因子α和IMF分量的个数K，过程较为复杂。

发明内容

本发明的目的就是为了克服上述现有技术存在的变分模态分解方法准确性较低的缺陷而提供一种基于变分模态分解与改进粒子群的电机故障信号提取方法。

本发明的目的可以通过以下技术方案来实现：

一种基于变分模态分解与改进粒子群的电机故障信号提取方法，所述变分模态分解设定惩罚因子和信号分量的个数，将实值输入信号分解为离散的子信号，从子信号中提取故障特征，通过改进粒子群算法优化所述惩罚因子和信号分量的个数，得到信号分量的优化个数，通过优化后的惩罚因子和信号分量的优化个数对采集到的原始信号进行分解，根据分解结果选取模态分量，得到分离后的独立源信号，通过提取相应的信号特征来对电机故障类型进行诊断。

所述改进粒子群算法通过迭代优化所述惩罚因子和信号分量的个数。

进一步地，所述迭代分为迭代前期和迭代后期。

进一步地，所述迭代前期时改进粒子群算法的惯性权重大于迭代后期时改进粒子群算法的惯性权重。

迭代前期时，惯性权重较大，改进粒子群算法具有较强的全局搜索能力，可快速确定最优解的大致位置；迭代后期时，惯性权重较小，粒子速度减慢，改进粒子群算法具有较强的局部搜索能力和较高的学习精度。

进一步地，所述迭代前期进行全局搜索，所述迭代后期根据迭代前期的搜索结果进行局部搜索，确定惩罚因子和信号分量的优化个数。

所述原始信号分解为多个子信号。

进一步地，所述子信号的个数与信号分量的优化个数相同。

进一步地，所述信号特征为子信号的频域平均能量。

所述电机故障类型包括滚珠故障、内圈故障和外圈故障。

所述模态分量根据互相关系数进行选取。

与现有技术相比，本发明具有以下有益效果：