[发明专利]基于LMD及改进PSO优化BP神经网络的轴承故障诊断方法

说明书

一种基于LMD及改进PSO优化BP神经网络的轴承故障诊断方法，本发明的技术方案将原振动信号通过LMD分解为若干个PF分量，根据每个PF分量的方差贡献率的大小来选取有用的PF分量，并对其进行取能量熵处理来进行降噪，并结合时域特征(峭度、均方根、脉冲因子)，组成振动信号的特征参数，将特征参数作为改进PSO_BP算法的输入样本，并将对应的故障状态作标签，进行训练与测试，实现故障分类。通过LMD与改进PSO_BP结合的方法提高了对轴承故障诊断的准确性，保证动车组平稳安全的运行。

技术领域

本申请属于机械部件故障诊断技术领域，尤其是涉及一种轨道车辆轴承裂纹、疲劳剥离等故障的诊断方法。

背景技术

截止2019底，中国共有动车组3616标准组、28927辆，而每辆车有8个轴箱轴承，4个齿轮箱轴承以及2个电机轴承(分别为电机驱动端和非驱动端)。我国动车组分布在全国各地，而每个地方的气候环境多变，作为轮轨模式轨道交通车辆的轴箱、齿轮箱以及电机的服役环境复杂，在运行过程中车辆有可能根据不同原因导致轴承在内圈、外圈、滚动体上产生裂纹、疲劳剥离等故障。因此，对其进行故障诊断和及时的监测可为列车的正常运行提供安全的保障。

机械设备中测量得到的滚动轴承振动信号大多是包含有噪声的调幅-调频信号，其故障特征往往会淹没于噪声之中。经验模态分解(Empirical Mode Decomposition，EMD)技术在故障特征提取方面得到了大量的运用，但是通过EMD得到的模态分量存在模态混叠、端点效应，如果噪声过于复杂往往不能得到很好的效果。BP网络运行速度很快，对于实时处理的一些问题也有较高的准确率。但是它存在的问题也很明显，例如在收敛速度方面比较慢，而且也比较容易陷入局部最小值的尴尬局面。

发明内容

本发明的目的就是为了克服EMD存在的模态混叠、端点效应的不足，并通过神经网络来提高轴承故障模式诊断的准确率，从而提供一种基于LMD和改进PSO优化BP神经网络的轴承故障诊断方法。

为实现上述发明目的，本发明提供一种基于LMD及改进PSO优化BP神经网络的轴承故障诊断方法，其特征在于包括下列步骤：

1、获取原始轴承的振动信号，进行降噪处理；

2、对降噪信号进行LMD分解，计算方差贡献率在99％的PF分量，并计算其能量熵，结合时域特征组成改进PSO_BP的输入向量；

3、将输入向量输入到改进PSO_BP的神经网络中进行训练，并将测试数据输入到训练好的模型中，得到输出故障分类参数；

4、对输出参数进行结果分析。

进一步地，改进PSO_BP算法的实现步骤如下：

①确定适应度阈值ω、最大允许迭代步数G_max、c1＝c2＝1.495、搜索范围[-x_max,x_max]、最大速度v_max，并根据网络规格确定粒子数；

②根据粒子组的大小，随机产生有限个体x_i组成整个群体，其中不同的个体在一组神经网络中具有不同的权值；

③计算各粒子的适应度值；

④比较适应度，确定每个粒子的当前最好适应度L_best及全局最好适应度P_best并确定惯性权重w；

⑤若P_bestw或运行次数大于G_max，则停止，该粒子的位子即为所求；