本發(fā)明涉及一種汽車傳動軸軸承復合故障特征提取方法，尤其涉及基于遞歸變分模態(tài)提取(recursive?variational?mode?extraction,rvme)和蜘蛛蜂優(yōu)化算法(spiderwasp?optimizer,swo)的汽車傳動軸軸承復合故障特征提取方法。

背景技術：

1、汽車傳動軸是汽車的重要組成部分，起著運動轉換和載荷傳遞的作用。然而，汽車傳動軸軸承長期運行在惡劣工作環(huán)境和沖擊載荷等復雜工況下，極易發(fā)生多種故障。這些故障引起的沖擊振動會嚴重地影響汽車駕駛的舒適性。如果這些故障不能盡早發(fā)現(xiàn)并及時采取措施，則會影響汽車的安全維護，甚至造成車毀人亡的災難性事故發(fā)生。所以，汽車傳動軸軸承的故障診斷對汽車的安全運行具有重要意義。汽車傳動系統(tǒng)的空間結構狹小，軸承振動信號常淹沒在其它零件的振動信號中，導致軸承早期微弱故障信息受到強背景噪聲干擾。當軸承出現(xiàn)多個故障時，多個故障特征相互混疊與耦合，導致故障類型更加難以識別。因此，汽車傳動軸軸承故障診斷的關鍵是開發(fā)信號處理方法，提取早期微弱故障特征和分離復合故障特征。

2、目前，常用的滾動軸承復合故障特征提取方法有譜峭度、奇異譜分析、變分模態(tài)分解、變分模態(tài)提取(variational?mode?extraction,vme)和rvme等方法。為解決vme參數(shù)自適應確定問題，rvme將最后一次迭代的殘差信號的主頻率作為初始中心頻率，引入該經(jīng)驗公式確定懲罰因子值。與其它方法相比，rvme具有更強的軸承復合故障特征分離能力。然而，在計算初始中心頻率時，矩形窗口長度的確定缺乏理論依據(jù)。憑借經(jīng)驗公式計算每次迭代時的懲罰因子值。這兩個因素降低了rvme在軸承復合故障特征提取時的自適應性和分解精度。群體智能算法是一種生物啟發(fā)式方法。由于其具有適應性強、適用于并行計算、穩(wěn)定性強、計算成本低、求解速度快和不需要梯度信息等特點，它已成功應用于組合優(yōu)化、任務調度、過程控制、工程預測、圖像處理等領域。它為軸承的故障診斷和壽命預測問題提供了新穎的解決思路。例如，蟻群優(yōu)化算法、粒子群優(yōu)化(particle?swarmoptimization,pso)算法、人工蜂群算法、螢火蟲算法、蝙蝠算法、布谷鳥搜索算法、灰狼優(yōu)化(grey?wolfoptimization,gwo)算法、鯨魚優(yōu)化算法(whale?optimization?algorithm,woa)、野馬優(yōu)化算法、麻雀搜索算法(sparrow?search?algorithm,ssa)和黑猩猩優(yōu)化算法。已有的理論研究和應用表明群體智能算法是一種能夠有效解決多目標多參數(shù)全局優(yōu)化問題的有效方法。群體智能算法易于實現(xiàn)，僅涉及基本的數(shù)學操作，不依賴于問題本身及先驗知識的啟發(fā)，對于求解復雜的優(yōu)化問題具有絕對優(yōu)勢。汽車傳動軸軸承與普通軸承的區(qū)別在于前者通常用于汽車傳動系統(tǒng)中，承受高速旋轉和較大的負載，內圈與外圈會同時發(fā)生故障。swo的搜索速度快、求解精度高、魯棒性強和收斂速度快。因此，swo具有較好的適應性和靈活性，能夠處理復雜的優(yōu)化問題。

技術實現(xiàn)思路

1、本發(fā)明的目的是為了解決強背景噪聲干擾下的汽車傳動軸軸承復合故障特征難以提取問題，而提出了基于rvme和swo的汽車傳動軸軸承復合故障特征提取方法。

2、基于rvme和swo的汽車傳動軸軸承復合故障特征提取方法，其特征在于該方法包括以下步驟：

3、步驟一、利用swo確定懲罰因子和中心頻率的最優(yōu)值，采用有效權重峭度指標選取模態(tài)分量進行信號重構，降低強背景噪聲的干擾；

4、步驟二、引入二維切比雪夫-邏輯-無限折疊映射(two-dimensional?chebyshev-logistic-infinite?collapse?map,2d-clicm)增加種群的多樣性和隨機性，避免swo陷入局部最優(yōu)，縮短運行時間，增大故障特征系數(shù)(fault?feature?coefficient,ffc)；

5、步驟三、根據(jù)快速非支配排序將種群劃分為多個子群，采用自適應分組策略來加快swo的收斂速度。

6、采用本發(fā)明的基于rvme和swo的汽車傳動軸軸承復合故障特征提取方法，與其它軸承復合故障特征提取方法相比，本發(fā)明的有益效果為：

7、1.利用swo確定懲罰因子和中心頻率的最優(yōu)值，采用有效權重峭度指標選取模態(tài)分量進行信號重構，降低強背景噪聲的干擾，解決汽車傳動軸軸承復合故障特征難以提取的問題。因此，該方法可有效抑制信號中的干擾噪聲；

8、2.2d-clicm使種群分布更均勻、隨機性更高、李雅普諾夫指數(shù)更高、不可預測性更好。該方法引入2d-clicm可有效增加種群的多樣性和隨機性，避免swo陷入局部最優(yōu)，縮短運行時間，增大ffc；

9、3.采用自適應分組策略來加快swo的收斂速度。根據(jù)快速非支配排序將種群劃分為多個子群，在各子群中搜索局部最優(yōu)值，在各局部最優(yōu)值中尋找全局最優(yōu)值。該方法較好地兼顧了收斂速度和尋優(yōu)精度。

技術特征：

1.基于遞歸變分模態(tài)提取(recursive?variational?mode?extraction,rvme)和蜘蛛蜂優(yōu)化算法(spider?wasp?optimizer,swo)的汽車傳動軸軸承復合故障特征提取方法包括以下步驟：

2.根據(jù)權利要求1所述的基于rvme和swo的汽車傳動軸軸承復合故障特征提取方法，其特征在于所述步驟五中，采用2d-clicm初始化雌性蜘蛛蜂種群，增加種群的多樣性和隨機性，避免swo陷入局部最優(yōu)，縮短運行時間，增大故障特征系數(shù)。

3.根據(jù)權利要求1所述的基于rvme和swo的汽車傳動軸軸承復合故障特征提取方法，其特征在于所述步驟六中，根據(jù)快速非支配排序將種群劃分為多個子群，采用自適應分組策略來加快swo的收斂速度。

技術總結
本發(fā)明公開了一種基于RVME和SWO的汽車傳動軸軸承復合故障特征提取方法。所述方法包括如下步驟，步驟一、利用SWO確定懲罰因子和中心頻率的最優(yōu)值，采用有效權重峭度指標選取模態(tài)分量進行信號重構，降低強背景噪聲的干擾；步驟二、引入二維切比雪夫?邏輯?無限折疊映射增加種群的多樣性和隨機性，避免SWO陷入局部最優(yōu)，縮短運行時間，增大故障特征系數(shù)；步驟三、根據(jù)快速非支配排序將種群劃分為多個子群，采用自適應分組策略來加快SWO的收斂速度。

技術研發(fā)人員：于軍
受保護的技術使用者：哈爾濱理工大學
技術研發(fā)日：
技術公布日：2025/5/8