“三高”论文完美复现!基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断,实现早期微弱故障诊断,MATLAB代码实现...

【故障诊断】基于PSO_VMD_MCKD方法的风机轴承微弱故障诊断 为实现 VMD 和 MCKD 的参数自适应选择,采用粒子群优化算法对两种算法中的参数进行优化,确定适应度函数为包络谱峰值因子。 阅读详情
AI摘要

本文介绍了一种利用变分模态分解(VMD)和最大相关峭度解卷积(MCKD)结合的策略,通过粒子群优化自适应选择参数,以检测和分析风机滚动轴承的微弱故障。方法通过实例使用西储大学的130.mat数据,并在噪声环境中识别出故障特征频率。

声明:对于作者的原创代码,禁止转售倒卖,违者必究!

本期文章思路来自振动测试与诊断期刊的一篇三高论文,点击链接可跳转。https://mp.weixin.qq.com/s/hmmDj5IwpaozeL4F0iI-2g

4a3f1b0f0383a4e6425367c0979f6d5d.png

文章摘要如下:

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。

之前小淘发过一篇文章:改进的麻雀算法优化最大相关峭度解卷积(SCSSA-MCKD),这篇文章采用的是模拟的仿真信号,而且当时没有像论文中一样,先对VMD进行优化。

本期文章将采用西储大学轴承数据外圈故障130.mat为例,对该论文的主要方法进行完美复现!先看代码目录:所有代码均为.m文件,不是那种加密的.p文件!

3932909036f63ec407333c88c658573b.png

在介绍步骤流程之前,这里先对西储大学的数据进行一个知识补充。

选择130.mat这个数据进行分析处理一下:

5cc11d2445df433c143eab23db0494ef.jpeg

adb2400ec0440ba4ba1f9d81f5d675ef.jpeg

计算出此时的理论故障特征频率约为:

3a57e319920d625c75f91064d27bca5c.png

可以看到130.mat的理论故障频率为107.3050Hz。接下来的所有工作就是要在噪声淹没130.mat数据的情况下,还要能识别出来这个故障频率。

接下来针对代码目录截图讲步骤:

第一步:轴承数据分析

第一步是对西储大学130.mat的分析,大家也可以对其他数据进行分析。由于要模拟轴承被噪声掩盖的微弱故障信号,因此要先对原始的130.mat数据添加高斯白噪声数据,论文的原文也是这么做的。

运行Signal_Analysis.m文件,可以得到与论文中图10(a),图10(b),图10(c)相同的三幅图。并且会保存一个加了高斯白噪声的signal.mat文件,后面第二步是要针对这个signal.mat文件去优化VMD参数的。

641f5c327d63ea53be7c2c32b7041595.png

38fcfb61035967b178080ed6b8dc88a1.png

be751122726e3157498f3b129d342ee5.png

可以看到,添加了高斯噪声的轴承信号,时域波形中几乎观测不出任何冲击成分,而在频谱图中,也无规律可循。对信号进一步进行包络解调,也未发现突出频率成分。

第二步:采用粒子群算法优化VMD,包络谱峰值因子为适应度函数

采用粒子群算法优化VMD参数,并找到最佳IMF分量:将第一步得到的signal.mat复制到第二步的文件夹中,采用VMD方法对第一步得到的signal.mat信号分解,计算分解得到的各个IMF分量的包络谱峰值因子,包络谱峰值因子最大的IMF分量即为最佳IMF分量;

运行PSOmain.m,可以得到论文中图11(a),图11(b),和一个PSO寻优VMD最佳参数的曲线图。并会将最佳的IMF分量进行保存,得到best_imf.mat文件,后面第三步要对这个best_imf.mat文件进行操作。第二步的代码运行结果如下:

6c1a0779ba363a9e7fde43f2f2f1be09.png

2c7d5fcab74048461e87adbefb736e5a.png

e774ce745b8d38674a5ac4d26ee39d47.png

最后得到的最佳VMD参数结果为:

4b51394896aa40cadf27d57efa907545.png

从最佳IMF分量的包络谱中观测出在108Hz有明显的突出谱线,其幅值较其他谱线都大,但因为其倍频不够明显突出,不能确定108Hz为轴承故障频率。为了避免错诊,应做进一步分析。

第三步:采用粒子群算法优化MCKD,包络谱峰值因子为适应度函数

采用粒子群算法对最大相关峭度解卷积(MCKD)的三个参数进行寻优,得到增强的IMF分量。原文献中只对MCKD的[L,T]两个参数进行了优化,作者在这里进行了改进,对[L,T,M]三个参数进行了优化,以确保找到最佳的MCKD参数。

将第二步得到的best_imf.mat复制到第三步的文件夹中,运行main.m文件,会得到论文中的图12(a),图12(b),和一个PSO优化MCKD的寻优曲线。

ab9b2d4b44b6ebc1f3e2f0d830938e9b.png

88e82a95e009422239eb2b3ad3ebd9eb.png

05366b614341f1d20db8a615c10373c0.png

处理过程如下:

d240def192db9a53981d13bb906f2f46.png

得到的最佳参数分别是[L,T,M] = [532,111,6];

可以看到,与优化前的IMF分量包络谱比较,得到了明显的增强。解卷积后的包络谱中故障特征频率fi 及其2-9倍频的谱线均清晰可见,表明特征频率被准确提取。均是130.mat理论故障频率的倍数。

能够认真看到这里的同学,作者在这里在稍稍提一句,也算是个水论文不错的方法,可以将此文中的VMD方法换成其他数据分解的方法,也可以将粒子群算法换个算法,还可以对MCKD也找一种替换方法,这论文不就凑出来了嘛哈!

部分代码分享

%% 
clear
clc  
close all
fobj=@mckdcost;       %包络谱峰值因子
%% 选取数据
load best_imf.mat  %注意这里替换为自己的数据即可,数据形式为n行*1列,列数必须为1。
data = best_imf;
%% 设置参数
lb = [100 85 1];    %mckd下限
ub = [1000 142 7];  %mckd上限
dim = 3;            % 优化变量数目
Max_iter=30;       % 最大迭代数目
SearchAgents_no=10;       %种群规模
fs = 12000;   %采样频率
%% 调用PSO函数
[fMin , bestX, Convergence_curve ] = PSO(SearchAgents_no,Max_iter,lb,ub,dim,fobj,data,fs);
%% 画适应度函数曲线图,并输出最佳参数
figure
plot(-Convergence_curve,'Color',[0.9 0.5 0.1],'Marker','>','LineStyle','--','linewidth',1);


title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
legend('PSO优化MCKD')
display(['The best solution obtained by PSO is : ', num2str(fix(bestX))]);  %输出最佳位置
display(['The best optimal value of the objective funciton found by PSO is : ', num2str(-fMin)]);  %输出最佳适应度值


%% 将最佳的MCKD参数回带,求出结果


filterSize = fix(bestX(1));
termIter = 30;
T = fix(bestX(2));
M = fix(bestX(3));
plotMode = 0;
%--------------- Run actual mckd code:数据进行mckd分解---------------------------
[y_final,~,~] = mckd(data,filterSize,termIter,T,M,plotMode);


%% 绘制MCKD处理后的时域波形
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=4000;%采样点数,稍微多点即可,不用全部取完
t=(0:L-1)*Ts;%时间序列
figure;
plot(t,y_final); %故障信号
ylabel('幅值','fontsize',12);
xlabel('t/s','fontsize',12);
xlim([0 t(end)])
title('MCKD处理后的时域波形')
set(gcf,'unit','centimeters','position',[10 16 15 5])

每个代码都有详细的注释,文中提到的所有图片均可运行出来!大家按照文中步骤一一运行即可。

05代码获取

   完整代码获取,点击下方卡片后台回复关键词,不区分大小写:

tgdm829

PSO算法优化MCKD 优化MCKD相关参数时,可以应用粒子群优化算法PSO,但是如何控制参数取整数是个问题?直接给定整数取值范围,仍然可以优化参数,但时间很长。 立即下载

相关推荐

MCKD方法的MATLAB实现

最大相关谱峭度是在最小卷积熵基础上发展的算法,在检测重复性、周期性的冲击上有独到的优势之处,一般能够恢复大部分冲击信号中包含的冲击部分。

改进的麻雀算法优化最大相关峭度解卷积(SCSSA-MCKD),实现早期微弱故障诊断,MATLAB代码实现

改进的麻雀算法优化MCKD,优化最大相关峭度解卷积

淘个代码 3433

PSO_VMD_MCKD.rar

基于PSO_VMD_MCKD方法的风机轴承微弱故障诊断。为实现 VMD 和 MCKD 的参数自适应选择,采用粒子群优化算法对两种算法中的参数进行优化,确定适应度函数为包络谱峰值因子。该资源中包括了频谱函数和求包络谱函数。

如何写好科研论文_「科研技巧」如何写好一篇“三高论文”?

前段时间,科技部、财政部发布《关于破除科技评价中“唯论文”不良导向的若干措施(试行)》,提出了破除科技评价中“唯论文”的相关措施,此外,科技部明确指出——鼓励发“三高”论文,国内期刊不得低于1/3。毫无疑问,写论文是我们科研工作者无可回避、甚至日常“朝思暮想”的工作内容之一。发表论文可以宣传课题组工作,建立在专业领域内的知名度和口碑,也可以获得领域同行们对自身工作的一个认可,或者反馈。对于之后的申...

weixin_34226837的博客 1966

PSO_PSO-VMD_PSO优化_粒子群寻优_粒子群算法_psomatlab_

粒子群算法寻优,在限定条件下实现对群体变量的选择优化,以达到目标的最优值。

实例讲解MOS管电源开关电路的软启动

1、控制电源开关的输入信号 Control 为低电平或高阻时,三极管Q2的基极被拉低到地,为低电平,Q2不导通,进而MOS管Q1的Vgs = 0,MOS管Q1不导通,+5V_OUT 无输出。此时将 Control 设为低电平,三极管Q2关闭,电容C1与G极相连端通过电阻R2放电,电压逐渐上升到5V,起到软关闭的效果。不过从作者的描述来看,只是电路参数有区别,能通过的电流、能承受的耐压等不一样,但是软启动的原理是一样的。从公式可以看出,当电容容量越大,电压越高,时间越短,电流就会越大,从而形成浪涌电流。

U_YAO的博客 2万+

【论文复现】基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断研究(Matlab代码实现)

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️行百里者,半于九十。📋📋📋🎁🎁🎁。

2302_77323582的博客 1667

Detector-Free SfM 项目复现完整指南:从环境搭建到代码解析与可视化

本文提供了Detector-Free SfM项目的完整复现指南,涵盖技术背景、环境配置、代码解析和可视化方案。重点包括: 技术背景:Detector-Free SfM通过两阶段策略(粗重建+迭代精化)解决了传统SfM在弱纹理区域的瓶颈问题,采用深度学习匹配器替代传统特征点检测。 环境配置: 详细硬件要求与推荐配置(GPU/CPU/内存) 完整的Ubuntu系统设置步骤 Conda环境创建与依赖安装流程 关键组件安装指南(PyTorch、COLMAP等) 常见错误解决方案 项目特点: 支持多种Detector

huanghm88的专栏 122
上一篇: 13种最新2023年智能算法进行PK,免费获取matlab代码
下一篇: 多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值