一种基于VMD参数优化的风机主轴轴承故障诊断方法

一种基于vmd参数优化的风机主轴轴承故障诊断方法
技术领域
1.本发明涉及风电机组主轴轴承故障诊断技术领域，尤其是涉及一种基于vmd参数优化的风机主轴轴承故障诊断方法。


背景技术：

2.风电机组的主轴轴承承载着风电机中叶片、轮毂等大型部件的重量，承担着叶片旋转过程产生的巨大扭矩，是最容易发生故障和失效的零部件之一，因此对主轴轴承在不停机的状态下进行实时信号采集和故障诊断显得尤为重要。
3.vmd算法对于处理轴承非平稳、非线性的振动信号具有较高的效率，并且具有自适应分解特征，且不存在端点效应，因此广泛应用于故障诊断领域中。
4.然而，vmd在处理信号时一般根据个人经验预先设定模态分量个数k和惩罚因子α，这两个参数往往影响着模型最终的分解结果，当k和α选取不当时，易出现模态混叠和虚假分量，导致模型诊断失误。
5.经检索可得，申请号为cn201810758405.x，申请日为2018年7月11日的发明专利，公开了一种基于vmd参数优化的轴承故障特征提取方法，该方法包括如下步骤：获取轴承原始振动信号；对轴承原始振动信号进行模态分解并重构得到重构信号；根据轴承原始振动信号获取vmd分解的模态数和二次惩罚参数；利用获取的模态数和二次惩罚参数对重构信号进行vmd分解得到轴承故障特征频率。该发明能够减小噪声和振动频带的影响，有效提取故障特征频率。但仍存在以下缺陷：对于小样本参数选取，采用随机参数优化算法，造成参数局部最优解，没有对每个参数进行验证，使得参数选取不准确。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于vmd参数优化的风机主轴轴承故障诊断方法，该发明能够降低人工随机参数选取造成的诊断误差，提高模型推广能力。
7.本发明的目的可以通过以下技术方案来实现：
8.本发明提供一种基于vmd参数优化的风机主轴轴承故障诊断方法，包括以下步骤：
9.s1：获取风机主轴的轴承振动信号，并将其作为vmd模型的输入信息；
10.s2：采用网格搜索法和交叉验证法确定vmd模型最优的参数组合，并将最优的参数组合代入vmd模型中，由vmd模型对轴承振动信号进行分解，获取若干个模态分量；
11.s3：计算各所述模态分量的相关峭度值，选取峭度值最大的模态分量；
12.s4：对所述峭度值最大的模态分量进行包络谱解调，获取并分析轴承的真实特征频率，进而确定轴承故障类型。
13.优选地，所述参数组合为最优分解层数k和惩罚因子α的组合。
14.优选地，所述s2包括以下步骤：
15.s2.1：初始化参数的选取范围，即初始化分解层数k和惩罚因子α的选取范围；
16.s2.2：利用网格搜索法遍历每种参数组合，并将所有的参数组合结果生成网格；
17.s2.3：对于网格中的每一组参数组合结果，采用交叉验证法寻找使vmd模型误差最小的参数组合；
18.s2.4：将最优的参数组合代入vmd模型中，由vmd模型对轴承振动信号进行分解，获取k个模态分量。
19.优选地，所述s2.3具体为：
20.对于网格中的每一组参数组合结果，任选一组参数组合结果作为测试集，其余参数组合结果作为训练集，使用训练集训练vmd模型后对测试集进行预测，并统计预测结果的均方根误差；
21.更换一组参数组合结果作为测试集，再取剩余的参数组合结果作为训练集，再次进行预测并统计预测结果的均方根误差，直至对网格中所有的参数组合结果均进行一次预测，选取均方根误差最小时对应的参数组合结果为最优的参数组合。
22.优选地，所述轴承故障类型包括圈故障、内圈故障、滚动体故障和保持架故障，每种所述轴承故障类型均对应不同的故障特征频率。
23.优选地，所述s4具体为：
24.对所述峭度值最大的模态分量进行包络谱解调，获取轴承的真实特征频率，对比所述轴承的真实特征频率和各轴承故障类型对应的故障特征频率，当所述轴承的真实特征频率与其中一种或多种轴承故障类型对应的故障特征频率一致时，则确定轴承存在该轴承故障类型的故障。
25.与现有技术相比，本发明具有以下优点：
26.1、本发明提供的一种基于vmd参数优化的风机主轴轴承故障诊断方法采用网格搜索法和交叉验证法对vmd模型的参数进行遍历寻优，避免了现有技术中根据个人经验随机选取模态分量个数k和惩罚因子α，难以得到vmd模型的最优参数组合，造成模型诊断失效的问题。
27.2、本发明提供的一种基于vmd参数优化的风机主轴轴承故障诊断方法采用网格搜索法通过遍历给定参数组合来优化vmd模型，并通过交叉验证法对模型进行评分，最终寻找出最优参数组合，避免了现有技术中随机参数寻优算法造成的局部最优解，提高模型的泛化能力。
附图说明
28.图1为本实施例提供的一种基于vmd参数优化的风机主轴轴承故障诊断方法的流程示意图。
具体实施方式
29.下面结合附图和具体实施例对本发明进行详细说明。
30.网格搜索法：
31.网格搜索法是一种穷举法，指在参数空间每维上取若干分隔，计算时遍历参数空间所有网格交叉点得到最优解，其优点可以保证所得的最优解是划分网格中的全局最优解，避免了由于人为给定参数所造成的重大误差。
32.交叉验证法：
33.交叉验证法是在样本训练过程中消除随机取样所带来的偏差的方法，它的基本思想是：按照事先设定的规则将原始样本分为训练集和测试集。首先通过训练样本对模型进行训练，再用测试样本对训练得到的模型进行验证，以此评价模型的准确性。对于小数据样本，常采用留一法交叉验证：首先，从n组观测数据集中选择一个观测数据作为验证数据；然后，使用剩下的观测数据拟合一个模型，并用最先被排除的那个观测值来验证这个模型的精度，如此重复n次。模型的预测能力由均方根误差(root mean square error,rmse)衡量。
34.均方根误差的计算公式为：
[0035][0036]
式中，e(yi)表示第i个实际观测值；yi为模型反演出的第i个预测值；n是观测样本总数，rmse为均方根误差。rmse数值越低，表明回归模型越准确，相应的参数组合便是最优参数。
[0037]
实施例
[0038]
参考图1所示，本实施例提供一种基于vmd参数优化的风机主轴轴承故障诊断方法，该方法包括以下步骤：
[0039]
s1：获取风机主轴的轴承振动信号，并将其作为vmd模型的输入信息；
[0040]
s2：采用网格搜索法和交叉验证法确定vmd模型最优的参数组合，即最优分解层数k和惩罚因子α，将最优的参数组合代入vmd模型中，由vmd模型对轴承振动信号进行分解，获取k个模态分量；
[0041]
s2.1：初始化参数的选取范围，即初始化分解层数和惩罚因子的选取范围；
[0042]
具体地，令分解层数k＝[2,10]，步长为1；惩罚因子α＝[100,10000]，步长为100。
[0043]
s2.2：利用网格搜索法遍历每种参数组合，并将所有的参数组合结果生成网格；
[0044]
具体地，利用网格搜索法将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成网格，一共900组数据。
[0045]
s2.3：对于网格中的每一组数据，采用交叉验证法寻找使vmd模型误差最小的参数组合；
[0046]
具体地，对于网格中每一组数据，选取任意一个子集作为测试集，其余899个子集作为训练集，训练模型后对测试集进行预测，统计测试结果的均方根误差。
[0047]
将测试集更换为另一子集，再取剩余899个子集作为训练集，再次统计均方根误差，直至对900组数据都进行一次预测。通过选取rmse最小时对应的组合参数即为网格区间内最优的参数组合。
[0048]
s2.4：将最优的参数组合代入vmd模型中，由vmd模型对轴承振动信号进行分解，获取k个模态分量；
[0049]
s3：计算各模态分量的相关峭度值，选取峭度值最大的模态分量；
[0050]
具体地，由于峭度值是表示轴承的工作表面出现疲劳故障时，每转一周，工作面缺陷处产生的冲击脉冲，故障越大，冲击响应脉冲的幅值越大，故障现象越明显，因此对峭度值最大的模态分量进行分析，进而更准确的判断轴承的故障类型。
[0051]
s4：对峭度值最大的模态分量进行包络谱解调，获取并分析轴承的真实特征频率，进而确定轴承故障类型。
[0052]
具体地，现有的轴承故障类型主要表现为单一故障，包括：外圈故障、内圈故障、滚动体故障和保持架故障；根据相关资料，每种故障类型的轴承在运转过程中都会产生不同区间的中心振动频率，即轴承的故障特征频率。
[0053]
因此，通过对峭度值最大的模态分量进行包络谱解调，并分析频谱信息，可以得到轴承的真实特征频率，并与轴承的故障特征频率进行对比，当轴承的真实特征频率与其中一种或多种轴承故障类型对应的故障特征频率一致时，则确定轴承存在该轴承故障类型的故障。
[0054]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。