一种重力储能系统的轴承故障检测方法及系统与流程

本发明涉及重力储能，具体为一种重力储能系统的轴承故障检测方法。

背景技术：

1、随着新能源的快速发展，重力储能作为一种有效的能源储存技术受到了广泛的关注和应用。在重力储能系统中，轴承的可靠性直接影响整个重力储能系统的安全性。然而，轴承经常发生各种结构损伤，如内圈故障、外圈故障等。因此，准确、及时地检测和识别轴承的故障具有重要意义。

2、常用的轴承故障检测方法是基于振动信号对轴承进行监测以及时发现故障。但采集到的轴承振动信号通常会受到系统中各类噪声的影响。为了消除这种影响，目前常用的方法是使用变分模态分解对轴承振动信号进行降噪，并将降噪后的信号输入至卷积神经网络进行故障检测。这种方法的具体操作是：采集待检测轴承的振动信号；由具有一定经验的设计者设定变分模态分解参数，利用设定好的变分模态分解参数设对轴承信号进行变分模态分解并选择部分子模态进行信号重构；同时，还需要设计者根据经验设计卷积神经网络的超参数并基于所设定好的超参数进行卷积神经网络搭建；最终，将重构的信号输入至设计好的卷积神经网络中以实现轴承故障检测。

3、现有方案下，变分模态分解参数、卷积神经网络的超参数都需要人工设定，依赖于设计者的经验。其中，变分模态分解的参数选定不合理时，会导致分解效果不佳，影响信号重构的降噪效果；卷积神经网络的超参数设定不当时，会影响模型检测精度。这两个问题都会影响重力储能系统轴承故障检测的准确度。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有方案存在变分模态分解的参数选定不合理时，会导致分解效果不佳，影响信号重构的降噪效果；卷积神经网络的超参数设定不当时，会影响模型检测精度。这两个问题都会影响重力储能系统轴承故障检测的准确度。

3、为解决上述技术问题，本发明提供如下技术方案：一种重力储能系统的轴承故障检测方法，包括：采集轴承原始振动信号；基于综合熵函数，构建目标函数；通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子；对轴承原始振动信号进行变分模态分解重构；构建卷积神经网络，增加k-fold交叉验证；基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果。

4、作为本发明所述的基于重力储能系统的轴承故障检测方法的一种优选方案，其中：所述采集轴承原始振动信号包括轴承在正常状态下和所有待检测故障下的原始振动信号。

5、作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述基于综合熵函数，构建目标函数包括构建包络熵函数、功率谱熵函数和综合熵函数，将综合熵函数作为适应度函数，输出适应度函数的最小值，将最小值作为变分模态分解的目标，构建目标函数；

6、包络熵函数表示为：

7、

8、其中，h(j)为轴承原始振动信号中第j个分量经希尔伯特变换解调后的包络信号，pj为h(j)的概率分布，ep是信号对应的包络熵；

9、功率谱熵函数表示为：

10、

11、其中，xi(ω)为轴承原始振动信号第i个分量经傅里叶变换后的信号，l为所采集信号的长度，gf为所采集信号对应的功率谱，qi为gf(i)的概率分布，h为信号对应的功率谱熵；

12、综合熵函数表示为；

13、c＝k1·ep+k2·h

14、其中，k1为包络熵所分配的权重，k2为功率谱熵所分配的权重，c为综合熵。

15、作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子包括初始化麻雀搜索算法参数，在搜索范围内随机设置麻雀初始位置，构建麻雀位置矩阵、麻雀的适应度值计算数学模型、更新生产者麻雀的位置数学模型、更新乞讨者麻雀的位置数学模型和更新全体麻雀的位置数学模型，输出最优解；麻雀位置矩阵表示为：

16、

17、其中，n为麻雀数量，d为待优化变量个数；

18、麻雀的适应度值计算数学模型表示为：

19、

20、其中，每个向量f(·)表示每个麻雀的适应度值；

21、更新生产者麻雀的位置数学模型表示为：

22、

23、其中，t代表当前迭代次数，表示第t次迭代时第a只麻雀的第b个待优化变量的值，itermax为最大迭代次数，γ为一个随机数且取值满足γ∈(0,1]，r2为警报值且r2∈(0,1]，st为安全阈值且满足st∈(0.5,1]，q为一个满足正态分布的随机数，d为一个1×d的矩阵且其中所有元素全为1；

24、更新乞讨者麻雀的位置数学模型表示为：

25、

26、其中，xp是生产者麻雀的最优位置，xworst为全局最差位置，a为一个1×d的矩阵，其中每个元素随机赋值为1或者-1，且满足a+＝at(aat)-1；

27、更新全体麻雀的位置数学模型表示为：

28、

29、其中，xbest为当前全局最优位置，β为均值为0、方差为1的步长控制随机参数且满足正态分布，z为取值范围为[-1,1]的随机数，fa为当前个体的适应度值，fg和fw分别为当前全局最佳和最差适应度值，ε是无穷小的常数。

30、作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述对轴承原始振动信号进行变分模态分解重构包括构建原始轴承振动信号x设计变分模态分解的约束变分表达式，将约束变分问题转变为非约束变分问题，通过循环迭代输出增广lagrange表达式，信号重构分解第1个至第(m-2)个子模态，输出重构信号x′；

31、原始轴承振动信号x设计变分模态分解的约束变分表达式表示为：

32、

33、其中，σt为梯度运算，δ(t)为单位脉冲时间函数，*为卷积符号，ωm为第m个子模态的中心频率，um为分解得到的子模态，s.t.表示对子模态um的约束条件，x为采集的轴承原始振动信号；

34、循环迭代增广lagrange表达式表示为：

35、

36、

37、

38、其中，表示第y+1代中第m个子模态的频域信号，为采集的轴承原始频域信号，为λ的频域表示，α为惩罚因子，ω为变量，ωm为第m个子模态的中心频率，λy+1为第y+1代中λ的值，τ为控制拉格朗日乘子的参数，x为采集的轴承原始信号，顶部的符号∧，代表该变量为符合帕斯瓦尔能量定律的变量，y为迭代次数。

39、作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述构建卷积神经网络，增加k-fold交叉验证包括构建卷积神经网络，利用重构后的信号训练卷积神经网络，在神经网络训练过程中加入k-fold交叉验证并超参数优化，构建重力储能系统轴承故障检测模型。

40、作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果包括将重力储能系统轴承故障检测模型保存至重力储能系统的运维模块中，运维模块采集的轴承振动信号输入至重力储能系统轴承故障检测模型中，模型经过分类识别输出轴承状态，输出相应的故障类型。

41、本发明的另外一个目的是提供一种重力储能系统的轴承故障检测系统，其能通过包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果；其次，本发明提出在神经网络训练过程中使用k-fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。

42、作为本发明所述的重力储能系统的轴承故障检测系统的一种优选方案，其中：包括运维模块，变分模态分解模块，麻雀搜索算法模块、信号分解重构模块、卷积神经网络模块；所述运维模块用于收集轴承原始振动信号；所述变分模态分解模块用于输出变分模态分解的目标，构建目标函数；所述麻雀搜索算法模块用于输出使目标函数最小化的最优模态分解个数m与惩罚因子α；所述信号分解重构模块用于对轴承原始振动信号变分模态分解和信号重构；所述卷积神经网络模块用于构建卷积神经网络，并增入k-fold交叉验证和超参数优化，构建重力储能系统轴承故障检测模型。

43、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序是实现重力储能系统的轴承故障检测方法的步骤。

44、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现重力储能系统的轴承故障检测方法的步骤。

45、本发明的有益效果：本发明提供的重力储能系统的轴承故障检测方法通过包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果；其次，本发明提出在神经网络训练过程中使用k-fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。本发明在检测范围和检测精度方面都取得更加良好的效果。