一种基于改进量子进化算法的滚动轴承故障特征提取方法

摘要

本发明公开了一种基于改进量子进化算法的滚动轴承故障特征提取方法，步骤如下：S1，采集滚动轴承的振动信号f；S2，建立Gabor原子库；S3，建立量子种群Ψ；S4，利用量子概率幅对Gabor原子进行量子编码；S5，将滚动轴承振动信号f在量子概率幅编码后的Gabor原子库上进行一次稀疏分解，以筛选出最佳编码原子

说明书

技术领域

本发明属于信号分析与故障诊断技术领域，具体涉及一种基于改进量子进化算法的滚动轴承故障特征提取方法。

背景技术

滚动轴承是旋转机械重要组成部分，对其进行故障监测对保障机械设备的安全运行有着重要意义。滚动轴承发生故障时，其振动信号是一种复杂的非线性、非平稳信号。如何在复杂的振动信号中准确且快速的提取反映故障特征的信号成分，是进行滚动轴承故障诊断的关键。

近年来，人工智能算法被快速应用到滚动轴承故障特征提取中，如粒子群优化、卷积神经网络、形态优化滤波等。作为一种近些年发展起来的人工智能算法，量子进化算法凭借量子比特运算的并行性和种群个体的丰富多样性，具有更强的搜索能力和收敛速度。在原量子进化算法基础上，发展起以量子比特概率幅为染色体的编码方式，有效避免了量子比特位从二进制数到实际参数优化过程中的编解码。然而，由于现有基于概率幅的量子进化算法多采用固定的旋转相位角或适应度梯度更新量子比特相位角、采用NOT门或其他门操作作为变异策略，这使得量子进化算法在准确搜索并有效提取出滚动轴承故障特征成分方面缺乏一定的自适应性。

发明内容

针对上述现有技术中描述的不足，本发明提供一种基于改进量子进化算法的滚动轴承故障特征提取方法，在提取滚动轴承故障特征的快速性和自适应性方面具有一定的优势。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于改进量子进化算法的滚动轴承故障特征提取方法，步骤如下：

S1，采集滚动轴承的振动信号f，采集振动信号的数据点长度为N。

S2，建立Gabor原子库，表达式为：

其中，γ＝(q,p,α,β)为g_γ(t)的时频参数，且0≤q≤log₂N、0≤p≤N-1、0≤α≤N-1、0≤β≤12；自变量t为0,1,2,…,N-1；N为采集振动信号的数据点长度。

S3，建立量子种群Ψ：

Ψ＝[Ψ₁,Ψ₂,…,Ψ_i,…Ψ_m]>

其中：i＝1,2,…m；j＝1,2,…n；m为种群个体总数，n为种群个体Ψ_i的量子比特数；θ_ij为种群个体Ψ_i中第j量子比特的相位且θ_ij∈[0，π)。

S4，利用量子概率幅对Gabor原子进行量子编码。

S4.1，利用[0，π)范围内的随机数初始化种群个体Ψ_i中第j量子比特的相位θ_ij(i＝1,2,…m；j＝1,2,…n。

S4.2，对Gabor原子库的时频参数γ进行量子概率幅编码，得到余弦编码原子和正弦编码原子

得到余弦编码原子的编码公式为：

γ_c＝(q_c,p_c,α_c,β_c)>

得到正弦编码原子的编码公式为：

γ_s＝(q_s,p_s,α_s,β_s)>

S4.3，将余弦编码原子和正弦编码原子分别进行模值归一化处理后合并，得到量子概率幅编码后的Gabor原子库。

S5，采用正交匹配追踪算法将滚动轴承振动信号f在量子概率幅编码后的Gabor原子库上进行一次稀疏分解，以筛选最佳编码原子最佳种群个体Ψ^*和最佳量子相位θ^*。

S5.1，采用正交匹配追踪算法筛选最佳编码原子筛选公式为：

其中：k为稀疏分解的次数；<，>表示内积运算操作；R^k-1f为第k-1次稀疏分解后信号的残差，第一次稀疏分解时，R⁰f为滚动轴承振动信号f。

S5.2，得到最佳编码原子对应的最佳种群个体Ψ^*和最佳量子相位θ^*。

S6，进化量子种群。

对量子种群中除最佳种群个体Ψ^*外所有种群个体的量子相位θ_ij进行进化，进化公式为：

θ’_ij＝θ_ij+Δθ_ij>

S7，变异量子种群。

对最佳种群个体Ψ^*中除最佳量子相位θ^*外的其余量子相位θ_ij进行变异，变异公式为：

θ’_ij＝θ_ij+Δθ_ij>

其中，G和gen分别为最大迭代次数和当前次数。

S8，计算稀疏重构信号的峭度值：

其中：f'为稀疏重构信号，μ为稀疏重构信号f'的平均值，σ为稀疏重构信号f'的标准差。

S9，重复步骤S4至步骤S8，直到稀疏重构信号的峭度值达到最大时结束，峭度值最大处的稀疏重构信号即为提取的滚动轴承故障特征成分。

本发明提出的故障特征提取方法具有良好的抗噪性，提取的故障特征成分周期性明显，所含噪声明显减少；在有效提取轴承故障特征信息的同时，在快速性和自适应性方面具有一定的优势，适用于实际工程环境下滚动轴承故障的快速精确诊断。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的流程图。

图2是故障轴承时域振动信号波形图。

图3是稀疏分解后重构信号峭度值随分解次数的变化规律图。

图4是峭度值最大处的稀疏重构信号的波形图。

图5是提取的滚动轴承故障特征成分的包络谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明选用型号N205EM轴承做试验对象，在其滚珠跑道外环内壁用激光加工一个小凹瑕疵点，将该型号轴承安装在型号为QPZZ-Ⅱ旋转机械振动故障试验平台上，设置电机传动转速为1800r/min。

则基于改进量子进化算法的滚动轴承故障特征提取方法，如图1所示，步骤如下：

步骤1：利用安装在该型号轴承滚珠跑道外环外壁的压电加速度传感器采集振动信号f，采样频率设置为12KHz，图2为采样时间为1s的振动数据波形。

步骤2：建立Gabor原子库：

取N＝12000，四个参数取各自范围：0≤q≤log₂N、0≤p≤N-1、0≤α≤N-1、0≤β≤12；自变量t取值为0,1,2,…,N-1。

步骤3：建立量子种群

设定量子进化算法中种群个体的总数m＝30，每个个体量子比特数n＝12，种群中第i个个体表达为：

则量子种群的表达式为：

Ψ＝[Ψ₁,Ψ₂,…,Ψ₃₀]。

步骤4：量子编码Gabor原子；

首先随机数初始化θ_ij，取[0，π)范围内的随机数初始化种群中每个个体的各量子相位角θ_ij(i＝1,2,…,30；j＝1,2,…12)。

然后按照对时频参数γ＝(q,p,α,β)进行量子概率幅编码，分别得到余弦编码原子和正弦编码原子

编码公式为：

最后将这两种编码的原子分别进行模值归一化处理后合并，得到量子概率幅编码后的Gabor原子库。

步骤5：采用正交匹配追踪算法(OMP)将滚动轴承振动信号f在量子概率幅编码后的Gabor原子库上进行一次稀疏分解，以筛选出最佳原子和对应的最佳种群个体Ψ^*及最佳量子相位θ^*。

筛选公式为：

其中：k为稀疏分解的次数；<，>表示内积运算操作；R^k-1f为第k-1次稀疏分解后信号的残差，特殊情况：第一次稀疏分解时，R⁰f为滚动轴承振动信号f。

步骤6：对量子种群中除最佳种群个体Ψ^*外所有种群个体的θ_ij进行进化操作，进化公式为：

θ’_ij＝θ_ij+Δθ_ij；

步骤7：对最佳种群个体Ψ^*中除最佳量子相位θ^*外的其余量子相位θ_ij进行变异操作，变异公式为：

θ’_ij＝θ_ij+Δθ_ij>

其中：G和gen分别为最大迭代次数和当前次数。

步骤8：计算稀疏分解后重构信号的峭度值，公式为：

其中：f'为稀疏分解后的重构信号，μ为f'的平均值，σ为f'的标准差。

步骤9：重构执行步骤4至步骤8，直到稀疏分解后重构信号后的峭度值达到最大时结束，峭度值最大处的稀疏重构信号即为提取的滚动轴承故障特征成分。

图3显示了每次稀疏分解后重构信号的峭度值的变化情况，可以看出，经过39次稀疏分解后重构信号的峭度值达到了最大，此时对应的重构信号波形为图4。从图4可以看出提取的故障特征成分周期性明显，所含噪声明显比原采集信号f少。进一步对图4进行包络谱分析，如图5所示，谱图中最大峰值处对应的频率约为145.6Hz，此值与轴承理论外环故障特征频率144.95Hz非常接近，由此可诊断该轴承存在外环故障点，这一诊断结论与事实相符。

以上实施方式仅用于对本发明的描述，而非对本发明的限制。对本领域的技术人员来说在不脱离本发明的范围下进行适当的变化或修改是显而易见的，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围由所附的权利要求定义。