一种基于蜘蛛蜂优化算法的轴承故障诊断方法
本发明涉及轴承故障诊断，具体地说，涉及一种基于蜘蛛蜂优化算法的轴承故障诊断方法。
背景技术：
1、轴承故障是众多机械故障之一，由于轴承在工业生产中应用广泛，因此准确进行轴承故障诊断具有很大的现实意义。
2、轴承故障特征总是反映在共振频带上，轴承信号的共振频带相对较宽，占信号能量的大部分。功率谱密度分析是一种随机振动信号处理的有效方法，能够表达信号在不同频率的能量变化趋势，是确定频谱内能量分布的一种强大而可靠的工具。因此，可以利用功率谱密度分析来自适应识别故障振动信号的共振频带，但其分析效果受窗函数宽度的影响，并且在通常情况下，该参数值仅依靠人为经验来设定，一旦选取不当，将导致共振频带的过分解或欠分解，进一步降低故障特征提取效果。因此，亟需一种方法来解决上述问题，从而提高功率谱密度分析的准确性，获取接近真实情况的最优共振频带划分结果，从而提取故障特征完成故障诊断。
3、谐波显著性指数是一种有效的故障评价指标，它通过包络谱的谐波乘积运算来表征振动信号的故障信息，由于它对蕴藏在故障信号中的周期性的重复瞬态脉冲成分十分敏感，使得谐波显著性指数能够准确地评价振动信号的故障状态。然而，轴和齿轮或轮对多边形的振动而引起的谐波干扰同样在包络谱中呈现周期性，导致谐波显著性指数很难区分故障特征谐波与干扰谐波。为此，设计对周期性谐波干扰鲁棒的故障指标用于评价各个频带分割区间内包含的故障信息，以识别故障频带。
技术实现思路
1、本发明的内容是提供一种基于蜘蛛蜂优化算法的轴承故障诊断方法，其能够克服现有技术的某种或某些缺陷。
2、根据本发明的一种基于蜘蛛蜂优化算法的轴承故障诊断方法，其包括以下步骤：
3、一、输入原始信号，初始化窗宽，定义蜘蛛蜂优化算法(swo)参数；
4、二、计算原始信号的功率谱密度(psd)，构建适应度函数，执行基于蜘蛛蜂优化算法swo的参数优化；
5、三、利用确定的最优参数对原始信号进行psd分析，获取最优的频带划分边界；
6、四、应用fir滤波器对步骤三中涉及的各个相邻边界内的信号进行滤波，得到若干个滤波子信号，并分别计算它们的ahsi值；
7、五、执行希尔伯特包络解调，即定位具有最大ahsi值的滤波子信号，然后获取该滤波子信号的包络谱，提取故障特征。
8、作为优选，步骤一中，所述定义蜘蛛蜂优化算法swo参数包括种群数和最大迭代次数。
9、作为优选，步骤二中，执行基于蜘蛛蜂优化算法swo的参数优化包括以下步骤：
10、2.1、计算原始信号的功率谱密度psd，其通过式(1)计算：
11、
12、其中，w表示频率，n为信号长度，l为窗函数的长度，l表示第几个分段窗，分段重叠率设置为50％，表示第l个分段窗对应的修正周期图，具体表达式为：
13、
14、其中，j表示虚单位，d(n)表示窗函数，取汉宁窗函数，xl(n)为基于原始信号对应窗长的分段信号，n表示采样点，p表示窗函数d(n)的功率，通过式(3)如下：
15、
16、2.2、以psd曲线的波谷为界将频谱信号划分为多个频段，然后在各个频率区间上构造有限脉冲响应fir滤波器进行信号分解；
17、2.3、设计平均谐波显著性指数(ahsi)构建swo的适应度函数，ahsi通过式(4)和(5)计算：
18、
19、
20、其中，w表示频率，fg(w)表示信号的分段包络谱，hg(w)表示包络谱fg(w)经过谐波乘积运算之后的结果；g表示第几个频率分割区间；m表示谐波乘积的次数；fs为采样频率；fc表示包络谱分割的频率间隔。采用ahsi作为swo的优化指标，则蜘蛛蜂优化算法swo需要优化的适应度函数表示为：
21、
22、其中，lm表示窗函数宽度，m表示种群个体，lmax和lmin分别表示参数优化的上下界。
23、2.4、结合式(6)构建的适应度函数，最大的适应度函数值对应的个体具有更优的位置关系，此时个体的最优位置转为适用于psd分析的最优参数，即经过swo寻优获得最佳的窗宽lm。
24、本发明的有益效果是：本发明提出了一种基于蜘蛛蜂优化算法的轴承故障诊断方法，该方法利用一种新型的群智能优化算法来自适应搜索psd分析的最优窗宽，避免了因窗宽选择不当而造成psd分析效果不佳的问题，设计了平均谐波显著性指数(ahsi)，实现了故障振动信号的最优共振频带定位。
技术特征：
1.一种基于蜘蛛蜂优化算法的轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于蜘蛛蜂优化算法的轴承故障诊断方法，其特征在于：所述定义蜘蛛蜂优化算法swo参数包括种群数和最大迭代次数。
3.根据权利要求1所述的基于蜘蛛蜂优化算法的轴承故障诊断方法，其特征在于：步骤二中，执行基于蜘蛛蜂优化算法swo的参数优化包括以下步骤：
技术总结
本发明涉及轴承故障诊断技术领域，涉及一种基于蜘蛛蜂优化算法的轴承故障诊断方法，其包括以下步骤：一、初始化窗宽，定义蜘蛛蜂优化算法(SWO)参数；二、计算原始信号的功率谱密度(PSD)，构建适应度函数，执行SWO的参数优化；三、利用确定的最优参数对原始信号进行PSD分析，获取最优的频带划分边界；四、应用FIR滤波器对步骤三中涉及各个相邻边界内的信号进行滤波，得到若干个滤波子信号，并分别计算它们的AHSI值；五、定位具有最大AHSI值的滤波子信号，然后获取该滤波子信号的包络谱，提取故障特征。本发明能较好地进行轴承故障诊断。
技术研发人员：易彩,陶冶,汪浩,冉乐,林建辉
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/9/23