[发明专利]基于CEEMD能量熵和优化PNN的轴承故障诊断方法

说明书

本发明公开了一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法,包括：S1、采集不同故障状态下的轴承振动信号；S2、采用互补集合经验模态分解算法将轴承振动信号进行分解处理，获得本征模态分量；S3、计算本征模态分量和轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；S4、提取有效本征模态分量的能量熵，组成特征向量矩阵；S5、构建概率神经网络模型，将特征向量矩阵输入概率神经网络模型，训练优化概率神经网络模型，获得概率神经网络轴承故障诊断模型；S6、将特征向量矩阵输入所述概率神经网络轴承故障诊断模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型，完成故障识别和分类。

技术领域

本发明属于故障诊断技术领域，尤其涉及一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法。

背景技术

轴承作为机械设备的重要基础部件，常常在重载、冲击、变速等复杂工况下运行，容易发生滚动体变形、磨损、腐蚀等形式的故障。轴承故障将会严重影响机械设备的正常运行，甚至引发安全事故。因此实现及时、准确和可靠的轴承状态检测和故障诊断对于保障机械设备的性能效率、使用寿命及安全运行具有重要的意义。

由于机械系统振动耦合及复杂环境影响，振动信号具有非线性、非平稳的特点，常规的基于时域、频域或时频域原理的信号处理方法难以处理。经验模态分解(EMD)作为分析非线性、非稳态信号的重要方法，可以将信号自适应地分解成一系列不同时间尺度下的本征模态分量(IMF)，但存在模态混叠的问题，降低了信号分解精度。为了改善EMD的缺陷，集合经验模态分解(EEMD)方法通过在原始信号中加入不同幅值的高斯白噪声来改变信号中极值点的分布状态，能够有效解决模态混叠问题，但EEMD需要依靠不断增加运算次数来消除添加高斯白噪声对分解结果的影响，明显存在计算效率低下和重建误差较大的缺点。变分模态分解(VMD)方法作为一种非递归信号分解方法具有完备的数学基础，能够在改善模态混叠的基础上实现较好的信号分解效果，但存在分解个数和惩罚因子等参数选取困难的问题。当前，信息熵作为信号或系统不确定程度的度量，能够反映轴承在不同故障状态下的振动特征，能量熵作为信息熵的一种特征提取方法，可以从能量变化的角度有效表征信号特征的变化。在故障诊断领域中，概率神经网络(PNN)比其他人工智能方法具有计算过程简单和收敛速度快的优势，同时对个别异常数据具有极高的稳定性和容错性。平滑因子作为PNN中唯一的输入参数，直接影响PNN的识别诊断性能。但PNN平滑因子的选取往往依靠人工经验，缺乏自适应性，而利用常规优化方法如遗传算法(GA)、粒子群优化(PSO)算法等存在易陷入局部最优和收敛速度过慢等缺点。麻雀搜索算法(SSA)是2020年提出的一种新型群体智能优化算法，与传统智能优化算法相比，该算法在搜索精度、收敛速度和稳定性等方面具有优越性，但由于SSA在种群在初始化时难以保证足够的随机性以及边缘搜索机制不够稳定等问题，仍然可能出现不能跳出局部最优而无法实现全局最优的情况。

发明内容

本发明的目的在于提出一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，提高轴承振动信号的特征提取精度和故障诊断的准确性。

为实现上述目的，本发明提供了一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，包括以下步骤：

S1、采集不同故障状态下的轴承振动信号；

S2、采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量；

S3、计算所述本征模态分量和所述轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；

S4、提取所述有效本征模态分量的能量熵，组成特征向量矩阵；

S5、构建概率神经网络模型，将所述特征向量矩阵输入所述概率神经网络模型，训练优化所述概率神经网络模型，获得概率神经网络轴承故障诊断模型；