CN114912488B 基于foa-vmd的参数优化轴承故障诊断方法及系统 （北京信息科技大学）

基于FOA-VMD的参数优化轴承故障诊断方法本发明涉及一种基于FOA-VMD的参数优化轴对VMD分解参数惩罚因子和分解个数进行全局最信号经获得最优参数组合后的VMD分解，得到若2利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组合搜索，选取信息所述果蝇算法的味道浓度值函数为所述目标函所述选取信息熵增量结合峭度指标作为目标函数，并根据所述目标函数确定优化目群体中第i只果蝇在不同位置时，求出此时所有的味道浓度值s",与所述味道浓度值2.如权利要求1所述基于FOA-VMD的参数优化轴承故障用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组合搜索，选取信息熵增量迭代更新得到果蝇群体中适应度值最低的一只果蝇，若其味3.如权利要求1所述基于FOA-VMD的参数优化求得各个IMF分量的信息熵，并将各IMF分量的信息熵进行理后的值求得各所述IMF分量的信息熵增量值，以所述信息熵增量值和峭度指标得到所述根据所述目标函数求解得到各所述IMF分量的目标函数值，以最小的目标函数值对应4.如权利要求3所述基于FOA-VMD的参数优化轴承故障诊35.如权利要求1所述基于FOA-VMD的参数优化所述果蝇算法的味道浓度值函数为所述目标函所述选取信息熵增量结合峭度指标作为目标函数，并根据所述目标函数确定优化目群体中第i只果蝇在不同位置时，求出此时所有的味道浓度值s",与所述味道浓度值或多个程序包括用于执行如权利要求1至5所述4[0001]本发明涉及一种机械设备故障诊断技术领域，特别是关于一种基于FOA-VMD的参[0012]进一步，所述利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组5化处理后的值求得各所述IMF分量的信息熵增量值，以所述信息熵增量值和峭度指标得到[0020]根据所述目标函数求解得到各所述IMF个分量的目标函数值，以最小的目标函数法对VMD分解参数惩罚因子和分解个数进行全局最优组合搜索，选取信息熵增量结合峭度6[0046]本发明提供的基于FOA-VMD的参数优化轴承故障诊断方法及系统，能有效解决滚[0048]1)利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组合搜索，选7[0049]2)将原始故障振动信号经获得最优参数组合后的VMD分解，得到若干个本征模态[0053]式中，Ak(t)是Uk(t)的瞬间幅值，AK(t)≥0；ωk(t)是Uk(t)的瞬时频率；Φk[0057]上述式(2)是用于描述通过高斯平滑(L2范数梯度的平方根)对信号解调，得到各λ1和n均为0；8明显的影响，为得到最佳参数组合[K,α]，本实施例中采用果蝇全[0087]上述步骤1)中，利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优[0088]1.1)初始化果蝇算法的最大迭代次数Maxgen，初始位置坐标参数[X_axis,Y_下得到的适应度值s",并对比适应度值的大小；9归一化处理后的值求得各IMF分量的信息熵增量值，以信息熵增量值和峭度指标得到目标[0095]2.2)根据目标函数求解得到各IMF个分基于IMF信息熵增量复杂程度的最佳分量选取过τ1τ,τ)(τ1=τ2=τ)[0120]信号经包络处理后采用1.较大的影响。使用本发明提出的方法进行处理，最佳目标值(浓度值)的迭代结果如图4所[0124]从图5b中可以看出，该分量在包含噪声的原始信号中提取出幅值明显的冲击部[0127]以滚动体故障分析为例，进一步验证本发明方法在不同部位出现故障时的有效[0129]首先优化VMD分解的参数，寻优过程后找寻到的最佳参数组合为[k,α]＝[3478,[0130]从图8b中可以观察到在轴承滚动体故障频率fd＝58.59Hz出现较为清晰明显的峰[0133]寻优模块，利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组合有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种轴承故障诊断方法；的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件利用果蝇算法对VMD分解参数惩罚因子和分解个数进行全局最优组合搜索，选取信息熵增机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0144]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；