一种变工况滚动轴承故障诊断方法、系统、设备及介质与流程

1.本发明涉及故障分析技术领域，尤其涉及一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法、系统、设备及介质方法。


背景技术：

2.风机设备在运行状态下，受运行条件恶劣等因素影响，加速、减速或变载等工况的改变会导致风机设备转速发生变化，滚动轴承也会在变转速的工况下工作，变工况下的振动信号更为复杂，诊断难度大大提高。因此，在实际的生产工作中能够及时诊断出滚动轴承的运行状态和转速变化对于风机设备的安全运行是至关重要的。
3.风机在启停过程中以及受到外界条件的影响多是在变工况情况下运行的，而绝大多数对轴承振动信号进行特征提取的方法是基于恒定转速的轴承振动信号进行的，仅仅是判断当前的轴承的故障信息，并不能对变工况的轴承运行状态进行有效分析。


技术实现要素：

4.(一)要解决的技术问题
5.鉴于现有技术的上述缺点、不足，本发明提供一种基于sho-vmd的变工况滚动轴承故障诊断方法、系统、设备及介质，其解决了现有的技术方案并不能对变工况的轴承运行状态进行有效分析的技术问题。
6.(二)技术方案
7.为了达到上述目的，本发明采用的主要技术方案包括：
8.第一方面，本发明实施例提供一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法，包括：
9.获取变工况下的滚动轴承振动信号；
10.以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法获得vmd的最优参数组合；
11.依据所述最优参数组合对所述滚动轴承振动信号进行vmd分解，得到多个imf分量；
12.提取所述多个imf分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；
13.对所述多特征参数进行t-sne降维处理及可视化，得到轴承故障信息和转速信息。
14.可选地，以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法获得vmd的最优参数组合包括：
15.初始化sho优化算法的参数；
16.依据预设参数组合[k0,α0]对所述滚动轴承振动信号进行vmd分解，得到k个imf分量；
[0017]
计算各imf初始分量的包络熵，并选取所述k个imf分量中的局部最小包络熵作为
sho优化算法的适应度函数；
[0018]
基于所述适应度函数，通过不断迭代寻优直至满足预设的终止条件找到vmd的最优参数组合；
[0019]
所述适应度函数为：
[0020]
minf＝mine
p
[0021][0022]
其中，e
p
是包络熵，j＝1,2,3...,n，a(j)是经hilbert解调得到的包络信号；ej是对a(j)进行归一化得到的。
[0023]
可选地，依据所述最优参数组合对所述滚动轴承振动信号进行vmd分解，得到多个imf分量包括：
[0024]
依据所述最优参数组合对所述滚动轴承振动信号进行vmd分解，得到k个imf原始分量；
[0025]
通过hilbert变换求解各个imf原始分量的解析信号，进而得到单边频谱；
[0026]
依据混合预估的中心频率调制所述单边频率到对应基频带，得到解调信号；
[0027]
计算所述解调信号的时间梯度范数的平方，得到imf原始分量的估计带宽；
[0028]
依据估计带宽并引入约束条件，构造出带约束的变分模型；
[0029]
引入惩罚参数和拉格朗日乘法系数来对所述变分模型进行求解，得到imf原始分量的频域表达式、中心频率的更新公式、惩罚因子的更新公式；
[0030]
依据所述imf原始分量的频域表达式、中心频率的更新公式、的更新公式，得到更新后的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数；
[0031]
依据所述更新后的频域值、更新后的中心频率以及更新后的拉格朗日乘法系数，将所述k个imf原始分量转换为调幅-调频信号，得到k个imf分量；
[0032]
其中，
[0033]
所述imf分量表达式为：
[0034]
uk(t)＝ak(t)cos[φk(t)]
[0035]
其中，uk(t)表示k个imf分量，k∈{1,
…
,k}，φk(t)是一个非递减的相位函数；ak(t)表示包络函数；
[0036]
所述带约束的变分模型为：
[0037][0038]
{uk}代表vmd分解得到的k个imf分量；{ωk}代表imf分量对应的中心频率；δ(t)为
狄利克雷函数；*为卷积运算；x代表原始信号。
[0039]
可选地，依据所述最优参数组合对所述滚动轴承振动信号进行vmd分解，得到多个imf分量之后，还包括：
[0040]
确定imf分量与所述风机滚动轴承振动信号的相关系数；
[0041]
基于所述相关系数，选取按相关系数从大到小排序的前n个imf分量，进而得到所述前n个imf分量的奇异值特征、能量熵、样本熵特征。
[0042]
可选地，
[0043]
所述奇异值为：
[0044]
σ1,σ2,...,σr[0045]
其中，σ1,σ2,...,σr为矩阵s的奇异值,σ1≥σ2≥...≥σr≥0；
[0046]
所述能量熵特征为：
[0047][0048]
其中，pi＝ei/e，
[0049]
所述样本熵特征为：
[0050][0051]
对于长度n的时序列x＝{x(1),x(2),...,x(n)}，其样本熵的计算方法如下：
[0052]
将时间序列x构造成m维矢量，即：
[0053]
x(i)＝{x(i),x(i+1),...x(i+m-1)}
[0054]
式中，i＝1,2,...,n-m+1。
[0055]
定义x(i)与x(j)之间的距离d[x(i),x(j)]，为两者对应元素中差值最大的一个，即：
[0056][0057]
给定阈值r(r》0),统计d[x(i),x(j)]《r的数目和总的矢量个数n-m的比值，即：
[0058][0059]
求上式所得结果的平均值，即：
[0060][0061]
令m+1,多次上述重复样本熵计算方法步骤，得到b
m+1
(r)，长度为n的序列的样本熵的估计值为：
[0062][0063]
可选地，所述最优参数组合包括最优分量个数与最优惩罚因子。
[0064]
第二方面，本发明实施例提供一种变工况下滚动轴承故障诊断系统，包括：
[0065]
信息获取模块，用于获取变工况下的风机滚动轴承振动信号；
[0066]
参数组合寻优模块，用于以所述滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法寻找vmd的最优参数组合；
[0067]
vmd分解模块，依据所述最优参数组合对所述滚动轴承振动信号进行vmd分解，得到多个imf分量；
[0068]
多特征量融合模块，用于提取所述多个imf分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；
[0069]
降维处理及可视化模块，用于对所述多特征参数进行t-sne降维处理及可视化，得到轴承故障信息和转速信息。
[0070]
第三方面，本发明实施例提供一种变工况下滚动轴承故障诊断设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法步骤。
[0071]
第三发明，本发明实施例提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法步骤。
[0072]
(三)有益效果
[0073]
本发明针对变工况下运行的滚动轴承，提出了一种基于sho-vmd分解和多特征参数融合的特征提取方法，本发明首先使用自私羊群算法(sho)来优化vmd的参数组合，采用最优参数对信号进行vmd分解得到k个imf分量，使用相关系数法进行降噪处理，然后提取降噪后信号的排列熵、奇异值特征、样本熵特征进行特征融合作为最终的特征参数，最后使用t-sne降维处理，可以明显的得到轴承健康、内圈故障和外圈故障的故障信息以及轴承内圈故障和外圈故障转速变化信息。且本发明使用的sho优化算法优化vmd的参数组合相比ga、pso优化算法优化vmd的参数组合，寻优效果更佳。
附图说明
[0074]
图1为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的具体流程示意图；
[0075]
图2为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的三种优化算法的迭代曲线；
[0076]
图3为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的步骤s2的具体流程示意图；
[0077]
图4为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的不同噪声强度下的模拟信号时域波形图；
[0078]
图5为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的步骤s3的具体流程示意图；
[0079]
图6为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障
诊断方法的轴承振动实验装置示意图；
[0080]
图7为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的信号选取流程示意图；
[0081]
图8为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的vmd分解效果图；
[0082]
图9为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的sho-vmd分解效果图；
[0083]
图10为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的轴承故障特征可视化示意图；
[0084]
图11为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的样本熵特征效果图；
[0085]
图12为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的奇异值特征效果图；
[0086]
图13为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的能量熵特征效果图；
[0087]
图14为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的特征融合参数降维效果图；
[0088]
图15为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的测试信号降维效果图；
[0089]
图16为本发明提供的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法的整体流程示意图。
具体实施方式
[0090]
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
[0091]
如图1所示，本发明实施例提出的一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法，包括：首先，获取变工况下的风机滚动轴承振动信号；其次，以滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法获得vmd的最优参数组合；接着，依据最优参数组合对滚动轴承振动信号进行vmd分解，得到多个imf分量；再者，提取多个imf分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；最后，对多特征参数进行t-sne降维处理及可视化，得到轴承故障信息和转速信息。
[0092]
本发明针对变工况下运行的滚动轴承，提出了一种基于sho-vmd分解和多特征参数融合的特征提取方法，本发明首先使用自私羊群算法(sho)来优化vmd的参数组合，采用最优参数对信号进行vmd分解得到k个imf分量，使用相关系数法进行降噪处理，然后提取降噪后信号的排列熵、奇异值特征、样本熵特征进行特征融合作为最终的特征参数，最后使用t-sne降维处理，可以明显的得到轴承健康、内圈故障和外圈故障的故障信息以及轴承内圈故障和外圈故障转速变化信息。且本发明使用的sho优化算法优化vmd的参数组合相比ga、pso优化算法优化vmd的参数组合，寻优效果更佳。
[0093]
为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实
施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0094]
具体地，本发明提供一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法，包括：
[0095]
s1、获取变工况下的风机滚动轴承振动信号。
[0096]
s2、以滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法获得vmd的最优参数组合。
[0097]
vmd对信号分解过程中，分量个数k与惩罚因子α往往是根据经验设定的，这样就会存在一定的误差。如果k值设置较小或较大，则会产生模态混叠或产生虚假分量的现象。参数α的大小决定各个imf分量带宽的大小，因此α参数大小的设置也非常关键。除了k,α以外，其他参数对分解的效果影响不大，一般设置为tau＝0,init＝1,dc＝0,ε＝1e-7。所以，在进行vmd分解之前，需要选择最合适的参数k和α。
[0098]
常用的优化vmd参数优化算法有pso(粒子群优化算法)，ga(遗传算法)等。粒子群优化算法收敛速度虽然较快，但却容易陷入局部最优解，遗传算法全局搜索能力较强，但是局部的搜索能力较弱，最终得到的解不是最优解。
[0099]
本发明使用自私羊群优化算法来优化vmd的参数，自私羊群优化算法(sho)是模拟羊群收到捕食者攻击时的自私行为(尽量集中到羊群中心)。当养群中的个体受到捕食者的威胁时，个体会移动到群体的中心以增加生存的可能性，群体的边缘个体会逃离群体来提高生存机会。该算法的具体步骤如下所示：
[0100]
步骤1:初始化种群个体和。
[0101]
步骤2:计算猎物的生存价值。
[0102]
步骤3:更新猎物领袖与追随者的位置。
[0103]
步骤4:计算捕食者的捕食概率，更新捕食者的位置。
[0104]
步骤5:计算种群个体的生存价值与危险域半径。
[0105]
步骤6:执行捕食阶段与猎物的交配操作和恢复阶段。
[0106]
步骤7:若当前迭代次数n小于最大迭代次数,则继续进行步骤2,否则进行步骤8。
[0107]
步骤8:输出种群中适应度值最优的个体作为最优解。
[0108]
为了测试自私羊群优化算法的优化性能，通过构造一个函数作为适应度函数，来比较粒子群优化算法，遗传算法与自私羊群优化算法的寻优效果，构造的适应度函数如下：
[0109][0110]
自私羊群优化算法的参数设计为：种群数量为100，最大迭代次数为50，维度为30，变量上边界设为100，下边界设为-100。粒子群优化算法最大迭代次数设为50，种群规模为100。遗传算法最大迭代次数设为50，种群规模为100，交叉概率设为1，变异概率设为0.01。然后依次使用这三种优化算法通过适应度函数寻找最优解，三种算法的迭代寻优曲线如图2所示。从图2中可以看出，对于构造的适应度函数，pso算法的收敛速度比遗传算法快，但是pso算法容易陷入局部最优，遗传算法具有较强的全局搜索能力，但收敛速度较慢。本技术
采用的sho算法比pso算法和ga算法具有更好的收敛速度，最优解更接近理论值。实验表明，sho算法在优化方面优于遗传算法和粒子群优化算法。
[0111]
如图3所示，步骤s2包括：
[0112]
s21、依据预设参数组合[k0,α0]对滚动轴承振动信号进行vmd分解，得到k个imf分量；
[0113]
s22、计算各imf初始分量的包络熵，并选取k个imf分量中的局部最小包络熵作为sho优化算法的适应度函数；
[0114]
s23、基于适应度函数，通过不断迭代寻优直至满足预设的终止条件找到vmd的最优参数组合；
[0115]
适应度函数为：
[0116]
minf＝mine
p
[0117][0118]
其中，e
p
是包络熵，j＝1,2,3...,n，a(j)是经hilbert解调得到的包络信号；ej是对a(j)进行归一化得到的。
[0119]
在上述步骤中，使用sho算法优化vmd参数时，选用最小包络熵作为适应度函数。vmd分解后的imf分量的包络熵值e
p
表示当前分量的稀疏特性，若imf分量中的噪声成分多于轴承故障特征的特征成分，说明imf分量稀疏性弱，包络熵大；如果imf分量具有更多的轴承故障特征分量，则imf分量此时的包络熵较小。vmd分解在参数k和α会得到k个imf分量，选取k个imf分量中的局部最小包络熵作为sho算法的适应度函数，通过不断的迭代寻优找到全局最优的参数组合[k，α]。
[0120]
在具体实施例中，为了验证局部包络熵作为适应度函数的有效性，构造了一个滚动轴承的模拟信号。其表达式如下：
[0121][0122]
式中，c(t)表示加了噪声的模拟信号，m为位移常数，fn为轴承的固有频率，λ为阻尼系数，n(t)为模拟噪声，t为采样时间，采样频率fs＝20khz，采样点数量n＝6000，设置m＝4，fn＝2000hz，λ＝0.09。
[0123]
图4示出了无噪声且噪声强度等于0、1、2时模拟信号的时域波形，从图4中可以看出，噪声强度越大，包络熵越大，且周期脉冲越模糊，证明包络熵可以表示信号的稀疏性，因此可以将最小包络熵对应的模态分量作为最佳分量。
[0124]
s3、依据最优参数组合对滚动轴承振动信号进行vmd分解，得到多个imf分量。
[0125]
如图5所示，步骤s3包括：
[0126]
s31、依据最优参数组合对滚动轴承振动信号进行vmd分解，得到k个imf原始分量。
[0127]
s32、通过hilbert变换求解各个imf原始分量的解析信号，进而得到单边频谱。
[0128]
s33、依据混合预估的中心频率调制单边频率到对应基频带，得到解调信号。
[0129]
s34、计算解调信号的时间梯度范数的平方，得到imf原始分量的估计带宽。
[0130]
s35、依据估计带宽并引入约束条件，构造出带约束的变分模型。
[0131]
s36、引入惩罚参数和拉格朗日乘法系数来对变分模型进行求解，得到imf原始分量的频域表达式、中心频率的更新公式、惩罚因子的更新公式。
[0132]
s37、依据imf原始分量的频域表达式、中心频率的更新公式、λ的更新公式，得到更新后的频域值、更新后的中心频率以及更新后的λ；
[0133]
s38、依据更新后的频域值、更新后的中心频率以及更新后的惩罚因子，将k个imf原始分量转换为调幅-调频信号，得到k个imf分量。
[0134]
在上述步骤中，vmd算法首先会把原始信号分解为k个imf原始分量，之后将imf原始分量重新定义为一个调幅-调频信号，其中，imf分量表达式为：
[0135]
uk(t)＝ak(t)cos[φk(t)]
ꢀꢀꢀ
(1)
[0136]
式中，uk(t)表示k个imf分量，k∈{1,...,k}，φk(t)是一个非递减的相位函数；ak(t)表示包络函数。
[0137]
第一步使用hilbert变换求各个模态分量的解析信号来得到单边频谱，频谱表达式为：
[0138][0139]
第二步，根据混合预估的中心频率，调制频谱到对应基频带，记为：
[0140][0141]
第三步，计算解调信号的时间梯度范数的平方，估计出模态分量的带宽，并引入约束条件，构造出约束的变分模型为：
[0142][0143]
式中，{uk}表示经过vmd分解后的k个imf分量；{ωk}表示各imf分量代表的中心频率；δ(t)为狄利克雷函数；*为卷积运算；x代表原始信号。
[0144]
接着，引入惩罚参数α和拉格朗日乘法系数λ(t)，将有约束的变分问题转化为无约束的变分问题。其中，惩罚参数的作用是保证存在噪声时信号的重构精度，拉格朗日系数的作用是保证约束条件的严格性。增广拉格朗日函数如下所示：
[0145][0146]
然后用交替方向乘子方法(admm)对上式进行极值求解得到imf分量的频域表达式如下所示：
[0147][0148]
式中，为当前剩余量的维纳滤波，再对该维纳滤波进行傅立叶逆变换，得到的实部为时域信号uk(t)。将中心频率问题转换到频域，并且求解得到中心频率的更新公式如下：
[0149][0150]
式中，表示当前imf分量功率谱的重心。λ
n+1
的更新公式为：
[0151][0152]
通过以上分析,vmd的算法流程如下：
[0153]
(1)初始化和n；
[0154]
(2)根据式(6)和式(7)更新uk和ωk；
[0155]
(3)根据式(8)更新λ；
[0156]
(4)设定一个判定精度e＞0，若则停止迭代，否则返回步骤(2)。
[0157]
进一步地，步骤s3之后，还包括：
[0158]
确定imf分量与风机滚动轴承振动信号的相关系数；
[0159]
基于相关系数，选取按相关系数从大到小排序的前n个imf分量，进而得到前n个imf分量的奇异值特征、能量熵、样本熵特征。
[0160]
s4、提取多个imf分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数。
[0161]
奇异值特征：奇异值分解(svd)可以有效的消除信号中的噪声，保持信号特征的相对稳定。对于任意实矩阵a∈rm×n，必定存在正交矩阵u∈rm×n和v∈rm×n，使得下式成立：
[0162]
a＝usv
t
[0163]
其中，且sr＝diag(s1,s2,...,sr)，且有σ1≥σ2≥...≥σr≥0；r是矩阵s的秩；σ1,σ2,...,σr即为矩阵s的奇异值。使用vmd对轴承振动信号分解为多个imf分量，数据量变多，使用svd分解将数据量压缩，将奇异值特征σ1,σ2,...,σr作为滚动轴承振动信号的部分特征参数。
[0164]
能量熵特征：当轴承发生故障时，内部的瞬间能量会发生变化，vmd分解信号的模态分量会包含能量信息，故通过计算各分量的能量熵值来提取轴承故障和转速特征。能量熵表达式为：
[0165][0166]
其中，pi＝ei/e：
[0167]
原始振动信号经vmd分解得到k个模态分量，提取每个分量计算对应的能量熵e1,e2,...,en，并将其作为滚动轴承信号的能量熵特征向量。
[0168]
样本熵特征：样本熵可以反映出时间序列的复杂性，序列的复杂性越高，样本熵的值就越大，由于它具有所需数据短、抗噪抗干扰能力强等特点。所以将样本熵作为特征参数之一。
[0169]
对于长度n的时序列x＝{x(1),x(2),...,x(n)}，其样本熵的计算方法如下：
[0170]
将时间序列x构造成m维矢量，即：
[0171]
x(i)＝{x(i),x(i+1),...x(i+m-1)}
[0172]
式中，i＝1,2,...,n-m+1。
[0173]
定义x(i)与x(j)之间的距离d[x(i),x(j)]，为两者对应元素中差值最大的一个，即：
[0174][0175]
给定阈值r(r》0),统计d[x(i),x(j)]《r的数目和总的矢量个数n-m的比值，即：
[0176][0177]
求上式所得结果的平均值，即：
[0178][0179]
令m+1,多次上述重复样本熵计算方法步骤，得到b
m+1
(r)，长度为n的序列的样本熵的估计值为：
[0180][0181]
本发明设置样本熵的模式维数为2，阈值设置为0.1,stdk，stdk为选取序列的标准差。
[0182]
s5、对多特征参数进行t-sne降维处理及可视化，得到轴承故障信息和转速信息。
[0183]
在具体实施例中，本发明采用加拿大渥太华大学的时变转速条件下的轴承振动数据。实验装置如图所示，该轴由电机驱动，用交流驱动器来控制转速。数据包含在时变转速条件下从不同健康状况的轴承收集的振动信号。共有36个数据集。每个数据集包含两个通道，分别是有由加速度计测量的振动信号和由编码器测量的转速数据。对于每个数据集，有两个实验设置：轴承健康状况和变速状况。轴承的健康状况包括(i)健康，(ii)有内圈缺陷的故障，以及(iii)有外圈缺陷的故障。工作转速条件是(i)升速，(ii)降速，(iii)先升后降，以及(iv)先将后升。所有这些数据均以200,000hz采样，采样持续时间为10秒，实验装置如图6所示。
[0184]
本发明使用升速条件下的三种不同健康状况下(健康、内圈故障、外圈故障)的轴承振动信号数据中第一个通道测得的振动信号作为实验数据,将每种类型的轴承振动信号按照频率变化分为40段信号，然后再将每段信号分为10段，取每小段信号的前3000个数据作为vmd分解的对象，信号选取流程图如图7所示。
[0185]
以内圈故障的第40个速段的第10小段信号为例，先使用经验值确定的参数组合[6,2000]进行vmd分解，得到的时域波形和频谱图如图8所示，再使用自私羊群优化算法将最小包络熵作为适应度函数搜索vmd的最优参数组合，最终寻优的最小包络熵对应的参数组合为[10,3970],使用这个参数组合对信号进vmd分解,分解后的10个imf分量的时域波形和频谱如图9所示。可以看出sho-vmd的分解效果在各个频率段更加均匀，可以更多的保留轴承的故障和转速信息。
[0186]
通过计算各imf分量与vmd分解后原始信号的相关系数，选取相关系数值较大的前5个分量作为特征提取的对象。通过对这五个分量对应的矩阵进行奇异值分解，然后归一化，得到对应的奇异值特征；计算分量的能量熵，得到能量熵参数特征；计算分量的峭度值，得到峭度参数特征；计算分量的排列熵和样本熵，得到排列熵参数特征和样本熵参数特征。
[0187]
首先对上述提到的三种不同类型的轴承振动信号进行轴承的故障特征可视化。依次使用奇异值特征、能量熵特征、renyi熵特征、hjorth特征、样本熵特征以及排列熵和样本熵特征作为特征参数，然后使用t-sne对其进行降维可视化，结果如图10所示。
[0188]
可以看出，以奇异值为特征参数判断轴承故障类型的效果最好，其次是以样本熵和能量熵为特征参数判断轴承故障类型，可以将轴承的不同故障类型区分出来。
[0189]
该轴承振动数据信号是在升速的条件下取得的，使用上述诊断轴承故障类型较好的三种不同的特征参数即奇异值、能量熵和样本熵依次对轴承健康、内圈故障、外圈故障提取信号进行t-sne降维，使用40个渐变的颜色表示不同的速度区间，通过渐变颜色的渐变效果来判断某一特征参数的提取速度变化的有效性。t-sne降维可视化后的效果如图11到图13所示，色标中颜色由蓝色到红色代表轴承转速频率由低到高的变化，也就是速度从低到高的变化。对于健康轴承数据的转速变化，由于健康状态下的轴承在运行时没有收到冲击
等外力因素的影响，所以测得的振动信号并不足以看出其速度信息的变化趋势。对于内圈故障轴承数据的转速变化，三种特征参数的降维效果图大致都可以看出内圈故障的转速趋势，其中svd和能量熵作为特征参数的降维效果较好；对于外圈故障的转速变化，svd作为特征参数的效果最好，可以通过颜色变化看出外圈故障轴承振动信号的速度变化趋势。
[0190]
不同类型的轴承振动信号以获得imf分量。对其进行降噪后提取svd、样本熵和能量熵特征参数进行融合之后进行t-sne降维处理来同时提取轴承故障信息以及转速信息，并将其可视化，使用不同的形状来表示轴承的故障类型，圆形区域代表轴承健康特征数据，五角星区域代表轴承内圈故障特征数据，菱形区域代表轴承外圈特征数据，使用40种由蓝色到红色的渐变颜色来表示速度的变化信息，降维可视化的结果如图14所示。可以看出使用融合之后的特征参数进行t-sne降维后首先可以将轴承的故障信息有效的区分出来，其次对于转速信息的提取，健康状态下的轴承振动信号由于没有受到冲击等外力因素不足以提取出转速信息，对于内圈故障和外圈故障的轴承振动信号，使用特征参数进行t-sne降维后可以提取出其转速信息，通过颜色的渐变效果可以看出转速的变化趋势。
[0191]
为了测试多特征参数提取转速信息的有效性，随机选取轴承内圈故障和外圈故障的不同速段的信号特征参数,经过降维可视化看其在渐变颜色下的所在位置是否和速段信息相匹配。
[0192]
选取轴承内圈故障状态数据的第10个速段的第5小段信号提取的多特征参数；轴承外圈故障状态数据的第2个速段的第2小段信号提取的多特征参数。在在将三种轴承振动信号提取的多特征参数进行t-sne降维可视化的同时，使用不同的形状将选取的三小段信号的特征参数经过t-sne降维后的点在图中标注出来，如图15所示。可以看出，轴承内圈故障数据的测试信号标注在内圈故障所代表的五角星区域,使用特殊的
”■”
形状标注，其颜色为浅蓝色，位置在有蓝色到红色的渐变颜色的中间靠前大约占总体四分之一的位置，内圈故障数据的工作转速是从12.5hz增加到27.8hz,可以估计出标注位置当前的工作转速为17hz左右。轴承外圈故障数据的测试信号标注在外圈故障所代表的菱形区域,使用特殊的
”※”
形状标注，其颜色为红色，位置在由蓝色到红色的渐变颜色的首端,轴承外圈故障数据的工作转速是从14.8hz到27.1hz,可以估计出标注位置当前的工作转速为27hz左右。
[0193]
在本发明中，通过sho算法优化的vmd分解三种
[0194]
在本发明中，通过sho算法优化的vmd分解三种
[0195]
此外，本发明还提供一种变工况下滚动轴承故障诊断系统，包括：
[0196]
信息获取模块，用于获取变工况下的风机滚动轴承振动信号；
[0197]
参数组合寻优模块，用于以滚动轴承振动信号的局部最小包络熵作为目标函数，通过sho优化算法寻找vmd的最优参数组合；
[0198]
vmd分解模块，依据最优参数组合对滚动轴承振动信号进行vmd分解，得到多个imf分量；
[0199]
多特征量融合模块，用于提取多个imf分量的奇异值特征、能量熵特征以及样本熵特征，并进行多特征量融合，得到多特征参数；
[0200]
降维处理及可视化模块，用于对多特征参数进行t-sne降维处理及可视化，得到轴承故障信息和转速信息。
[0201]
由于本发明上述实施例所描述的系统/装置，为实施本发明上述实施例的方法所
采用的系统/装置，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统/装置的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都属于本发明所欲保护的范围。
[0202]
同时，本发明还公开一种变工况下滚动轴承故障诊断设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法步骤。
[0203]
以及公开一种计算机可读存储介质，其上存储有计算机可执行指令，可执行指令被处理器执行时实现如上所述的基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法步骤。
[0204]
综上所述，本发明公开了一种基于sho-vmd分解和多特征参数的变工况滚动轴承故障诊断方法、系统、设备及介质，如图16所示，其整体流程步骤如下：首先，寻优参数组合，以轴承振动信号局部的最小包络熵作为目标函数，使用sho优化算法寻找vmd的最优参数组合；其次，信号分解，使用找到的最优参数组合作为vmd参数组合分解轴承振动信号，分别得到k个imf分量。(3)降噪重构，计算imf分量与原始信号的相关系数,取相关系数较大的前5个imf分量。接着，特征提取，计算提取分量的样本熵、能量熵、奇异值特征参数；再者，特征融合，将三种特征参数进行特征融合组成多特征量作为最终的特征向量；最后，降维可视化，对多特征参数进行t-sne降维处理及可视化，将轴承故障信息和转速信息表现出来。
[0205]
本发明针对变工况下运行的滚动轴承，使用t-sne降维可视化，提取出振动信号的故障信息与转速变化信息。变分模态分解(vmd)方法的分解效果取决于分解个数和惩罚因子的取值，本发明采用自私羊群优化算法(sho)对参数进行优化，将振动信号分解为一些本征模态分量(imf)，再对每组分量进行特征参数提取，通过基于奇异值特征、能量熵、样本熵特征进行多特征量融合，使用t-sne降维来提取轴承故障信息以及速度变化信息，实验表明，本发明提出的方法可以有效提取出轴承的故障和速度信息。
[0206]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0207]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
[0208]
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
[0209]
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0210]
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0211]
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。