[发明专利]一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法

说明书

本发明公开了一种基于多特征融合和IGWO‑LSSVM的滚动轴承故障诊断方法，包括：首先对滚动轴承的振动信号进行小波阈值降噪，然后采用多特征融合的方法对滚动轴承的故障数据进行特征提取，通过计算时域中的均方根值和峭度、频域中的重心频率以及时频域中的小波包能量熵组成故障特征向量，输入到改进的灰狼优化算法优化LSSVM中进行识别，最后输出诊断结果。实验结果表明，本发明的IGWO‑LSSVM模型的平均识别率高达98％，识别效果优于传统的故障诊断模型，有效解决了单一特征提取导致故障特征不全面、振动信号的非平稳和非线性导致诊断精度低等问题，故障诊断准确性高，应用前景好。

技术领域

本发明属于机械工程自动化技术领域，涉及一种基于多特征融合和IGWO-LSSVM(Improved Grey Wolf Optimization-Least Squares Support Vector Machine，改进的灰狼优化算法优化最小二乘支持向量机)的滚动轴承故障诊断方法。

背景技术

随着科技的不断进步，大型旋转机械设备的系统和部件也变得更加复杂化和智能化。因此机械设备部件之间的联系也变得越来越密切，如果其中某一个部件出现了故障，就会导致多个系统崩溃，进而引发一系列严重的事故，甚至造成人员伤亡。滚动轴承作为关键部件被用于航空航天、冶金和许多其他领域的旋转机械设备中。它们的性能和质量直接影响大型设备的寿命和可靠性。统计数据显示，旋转机械设备的大部分故障与振动故障有关，其中近30％是由滚动轴承故障引起的，这说明滚动轴承在大型旋转机械中的重要性。

由于滚动轴承振动信号具有非平稳性、非线性以及复杂性，现有技术大多采用提取时域特征或者小波包样本熵特征作为故障特征向量，但是仅提取单一特征会导致一些故障特征丢失，从而造成特征提取的不全面。同时现有的故障诊断模型，如BP神经网络、支持向量机模型都取得了一定成果，但是也存在局限性：BP神经网络收敛速度慢，学习效率不高，容易陷入局部极小值；支持向量机需要大量时间对参数进行调整和训练，效率比较低。利用优化算法优化模型参数可以提高模型的预测准确率，但是众多的优化算法也有不足，例如灰狼优化算法(GWO)容易陷入局部最优解，并且收敛速度有待提升。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，能够解决单一特征提取导致故障特征不全面、优化算法容易陷入局部最优解以及模型预测准确率低的问题。

为解决上述问题，本发明采用以下技术方案。

一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，包括以下步骤：

S1、数据处理阶段：对滚动轴承振动信号进行小波阈值去噪，将去噪后的小波系数进行小波逆变换得到重构信号；

S2、特征提取阶段：对步骤S1的重构信号，采用多特征融合的方法，进行时域和频域特征提取和进行时频域特征提取，并将其融合成故障特征向量；

S3、故障诊断阶段：建立LSSVM模型；IGWO算法；采用IGWO算法优化LSSVM模型；建立IGWO-LSSVM模型，将步骤S2的故障特征向量输入到IGWO-LSSVM模型中进行训练测试，对滚动轴承故障进行诊断。

具体地，在步骤S1中，所述的对滚动轴承振动信号进行小波阈值去噪，具体过程包括：

对滚动轴承振动信号采用小波阈值去噪方法进行去噪处理：首先设置一个临界阈值λ，然后对振动信号进行小波变换，可以得到一组小波系数ω；若小波系数ω小于阈值λ，则将其置为0；若小波系数ω大于阈值λ，则采用软阈值函数将小波系数ω按一定比例收缩，可以得到一组新的小波系数ω_λ；软阈值函数表达式为:

其中sign为符号函数。

具体地，在步骤S2中，所述的时域和频域特征提取，包括以下计算：