CN117195039A - 一种重力储能系统的轴承故障检测方法及系统 - Google Patents

Abstract

本发明所述方法及系统，涉及重力储能技术领域包括：采集轴承原始振动信号；基于综合熵函数，构建目标函数；通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子；对轴承原始振动信号进行变分模态分解重构；构建卷积神经网络，增加K‑Fold交叉验证。本发明提供的重力储能系统的轴承故障检测方法通过包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果；其次，本发明提出在神经网络训练过程中使用K‑Fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。本发明在检测范围和检测精度方面都取得更加良好的效果。

Description

一种重力储能系统的轴承故障检测方法及系统

技术领域

本发明涉及重力储能技术领域，具体为一种重力储能系统的轴承故障检测方法。

背景技术

随着新能源的快速发展，重力储能作为一种有效的能源储存技术受到了广泛的关注和应用。在重力储能系统中，轴承的可靠性直接影响整个重力储能系统的安全性。然而，轴承经常发生各种结构损伤，如内圈故障、外圈故障等。因此，准确、及时地检测和识别轴承的故障具有重要意义。

常用的轴承故障检测方法是基于振动信号对轴承进行监测以及时发现故障。但采集到的轴承振动信号通常会受到系统中各类噪声的影响。为了消除这种影响，目前常用的方法是使用变分模态分解对轴承振动信号进行降噪，并将降噪后的信号输入至卷积神经网络进行故障检测。这种方法的具体操作是：采集待检测轴承的振动信号；由具有一定经验的设计者设定变分模态分解参数，利用设定好的变分模态分解参数设对轴承信号进行变分模态分解并选择部分子模态进行信号重构；同时，还需要设计者根据经验设计卷积神经网络的超参数并基于所设定好的超参数进行卷积神经网络搭建；最终，将重构的信号输入至设计好的卷积神经网络中以实现轴承故障检测。

现有方案下，变分模态分解参数、卷积神经网络的超参数都需要人工设定，依赖于设计者的经验。其中，变分模态分解的参数选定不合理时，会导致分解效果不佳，影响信号重构的降噪效果；卷积神经网络的超参数设定不当时，会影响模型检测精度。这两个问题都会影响重力储能系统轴承故障检测的准确度。

发明内容

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有方案存在变分模态分解的参数选定不合理时，会导致分解效果不佳，影响信号重构的降噪效果；卷积神经网络的超参数设定不当时，会影响模型检测精度。这两个问题都会影响重力储能系统轴承故障检测的准确度。

为解决上述技术问题，本发明提供如下技术方案：一种重力储能系统的轴承故障检测方法，包括：采集轴承原始振动信号；基于综合熵函数，构建目标函数；通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子；对轴承原始振动信号进行变分模态分解重构；构建卷积神经网络，增加K-Fold交叉验证；基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果。

作为本发明所述的基于重力储能系统的轴承故障检测方法的一种优选方案，其中：所述采集轴承原始振动信号包括轴承在正常状态下和所有待检测故障下的原始振动信号。

作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述基于综合熵函数，构建目标函数包括构建包络熵函数、功率谱熵函数和综合熵函数，将综合熵函数作为适应度函数，输出适应度函数的最小值，将最小值作为变分模态分解的目标，构建目标函数；

包络熵函数表示为：

其中，h(j)为轴承原始振动信号中第j个分量经希尔伯特变换解调后的包络信号，p_j为h(j)的概率分布，E_p是信号对应的包络熵；

功率谱熵函数表示为：

其中，x_i(ω)为轴承原始振动信号第i个分量经傅里叶变换后的信号，L为所采集信号的长度，g_f为所采集信号对应的功率谱，q_i为g_f(i)的概率分布，H为信号对应的功率谱熵；

综合熵函数表示为；

C＝k₁·E_p+k₂·H

其中，k₁为包络熵所分配的权重，k₂为功率谱熵所分配的权重，C为综合熵。

作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子包括初始化麻雀搜索算法参数，在搜索范围内随机设置麻雀初始位置，构建麻雀位置矩阵、麻雀的适应度值计算数学模型、更新生产者麻雀的位置数学模型、更新乞讨者麻雀的位置数学模型和更新全体麻雀的位置数学模型，输出最优解；麻雀位置矩阵表示为：

其中，n为麻雀数量，d为待优化变量个数；

麻雀的适应度值计算数学模型表示为：

其中，每个向量f(·)表示每个麻雀的适应度值；

更新生产者麻雀的位置数学模型表示为：

其中，t代表当前迭代次数，表示第t次迭代时第a只麻雀的第b个待优化变量的值，iter_max为最大迭代次数，γ为一个随机数且取值满足γ∈(0,1]，R₂为警报值且R₂∈(0,1]，ST为安全阈值且满足ST∈(0.5,1]，Q为一个满足正态分布的随机数，D为一个1×d的矩阵且其中所有元素全为1；

更新乞讨者麻雀的位置数学模型表示为：

其中，x_p是生产者麻雀的最优位置，X_worst为全局最差位置，A为一个1×d的矩阵，其中每个元素随机赋值为1或者-1，且满足A⁺＝A^T(AA^T)^-1；

更新全体麻雀的位置数学模型表示为：

其中，x_best为当前全局最优位置，β为均值为0、方差为1的步长控制随机参数且满足正态分布，Z为取值范围为[-1,1]的随机数，f_a为当前个体的适应度值，f_g和f_w分别为当前全局最佳和最差适应度值，ε是无穷小的常数。

作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述对轴承原始振动信号进行变分模态分解重构包括构建原始轴承振动信号X设计变分模态分解的约束变分表达式，将约束变分问题转变为非约束变分问题，通过循环迭代输出增广Lagrange表达式，信号重构分解第1个至第(M-2)个子模态，输出重构信号X′；

原始轴承振动信号X设计变分模态分解的约束变分表达式表示为：

其中，σ_t为梯度运算，δ(t)为单位脉冲时间函数，*为卷积符号，ω_m为第m个子模态的中心频率，u_m为分解得到的子模态，s.t.表示对子模态u_m的约束条件，X为采集的轴承原始振动信号；

循环迭代增广Lagrange表达式表示为：

其中，表示第y+1代中第m个子模态的频域信号，为采集的轴承原始频域信号，为λ的频域表示，α为惩罚因子，ω为变量，ω_m为第m个子模态的中心频率，λ^y+1为第y+1代中λ的值，τ为控制拉格朗日乘子的参数，X为采集的轴承原始信号，顶部的符号∧，代表该变量为符合帕斯瓦尔能量定律的变量，y为迭代次数。

作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述构建卷积神经网络，增加K-Fold交叉验证包括构建卷积神经网络，利用重构后的信号训练卷积神经网络，在神经网络训练过程中加入K-Fold交叉验证并超参数优化，构建重力储能系统轴承故障检测模型。

作为本发明所述的重力储能系统的轴承故障检测方法的一种优选方案，其中：所述基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果包括将重力储能系统轴承故障检测模型保存至重力储能系统的运维模块中，运维模块采集的轴承振动信号输入至重力储能系统轴承故障检测模型中，模型经过分类识别输出轴承状态，输出相应的故障类型。

本发明的另外一个目的是提供一种重力储能系统的轴承故障检测系统，其能通过包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果；其次，本发明提出在神经网络训练过程中使用K-Fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。

作为本发明所述的重力储能系统的轴承故障检测系统的一种优选方案，其中：包括运维模块，变分模态分解模块，麻雀搜索算法模块、信号分解重构模块、卷积神经网络模块；所述运维模块用于收集轴承原始振动信号；所述变分模态分解模块用于输出变分模态分解的目标，构建目标函数；所述麻雀搜索算法模块用于输出使目标函数最小化的最优模态分解个数M与惩罚因子α；所述信号分解重构模块用于对轴承原始振动信号变分模态分解和信号重构；所述卷积神经网络模块用于构建卷积神经网络，并增入K-Fold交叉验证和超参数优化，构建重力储能系统轴承故障检测模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序是实现重力储能系统的轴承故障检测方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现重力储能系统的轴承故障检测方法的步骤。

本发明的有益效果：本发明提供的重力储能系统的轴承故障检测方法通过包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果；其次，本发明提出在神经网络训练过程中使用K-Fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。本发明在检测范围和检测精度方面都取得更加良好的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：

图1为本发明第一个实施例提供的一种重力储能系统的轴承故障检测方法的整体流程图。

图2为本发明第一个实施例提供的一种重力储能系统的轴承故障检测方法的检测方法流程图。

图3为本发明第二个实施例提供的一种重力储能系统的轴承故障检测系统的整体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种重力储能系统的轴承故障检测方法，包括：

S1：采集轴承原始振动信号。

更进一步的，获取轴承原始振动信号，包括轴承在正常状态下和所有待检测故障下的原始振动信号。

应说明的是，轴承故障检测方法是基于振动信号对轴承进行监测以及时发现故障。

S2：基于综合熵函数，构建目标函数。

更进一步的，采用综合熵函数作为适应度函数，所述综合熵函数由包络熵函数和功率谱熵函数构成，其中包络熵函数和功率谱熵函数的权重分别设置为k₁和k₂，然后将求解适应度函数的最小值作为变分模态分解的目标，构建目标函数，构建包络熵函数，表示为：

其中，h(j)为轴承原始振动信号中第j个分量经希尔伯特变换解调后的包络信号，p_j为h(j)的概率分布，E_p是信号对应的包络熵。

应说明的是，构建功率谱熵函数，表示为：

其中，x_i(ω)为轴承原始振动信号第i个分量经傅里叶变换后的信号，L为所采集信号的长度，g_f为所采集信号对应的功率谱，q_i为g_f(i)的概率分布，H为信号对应的功率谱熵。

还应说明的是，构建综合熵函数，表示为：

C＝k₁·E_p+k₂·H

其中，k₁为包络熵所分配的权重，k₂为功率谱熵所分配的权重，C为综合熵。

更进一步的，以综合熵函数作为适应度函数，将求解适应度函数的最小值作为变分模态分解的目标，构建目标函数。

S3：通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子。

更进一步的，麻雀搜索算法具有复杂性和非线性，重力储能系统涉及许多相互关联的组件和参数，如重量、高度、速度、效率等。这些因素之间的关系可能是非线性的，并且可能存在许多局部最优解。

应说明的是，麻雀搜索算法具有全局搜索能力，由于SSA能够在整个解空间中进行全局搜索，因此它可以更有效地找到全局最优解，而不是陷入局部最优解。

还应说明的是，麻雀搜索算法具有处理非线性关系，SA不依赖于问题的数学性质，因此可以处理非线性和复杂的关系，而不需要复杂的数学转换或近似。

更进一步的，麻雀搜索算法的实时决策和调度，可以使重力储能系统可能需要实时响应电网的需求变化，例如在需求高峰时释放能量，或在需求低谷时储存能量。

应说明的是，麻雀搜索算法具有快速收敛的特点，SSA通常具有较快的收敛速度，可以在有限的时间内找到满意的解。这对于需要快速响应的重力储能系统来说是关键。

还应说明的是，麻雀搜索算法可以动态调整，SSA可以动态调整搜索策略以适应不断变化的环境，从而实现实时的决策和调度。

更进一步的，麻雀搜索算法具有多目标和多约束优化，重力储能系统的优化可能涉及多个相互冲突的目标，如成本最小化、效率最大化等，以及多个约束条件，如安全、环境规定等。

应说明的是，麻雀搜索算法可以灵活处理多目标，SSA可以通过权重组合或其他方法灵活地处理多目标问题，找到在各个目标之间取得平衡的解。

还应说明的是，麻雀搜索算法满足多约束，SSA可以通过惩罚函数或其他机制来确保找到的解满足所有约束条件，从而确保解的可行性。

更进一步的，麻雀搜索算法具有不确定性和动态环境，重力储能系统可能在不确定和动态变化的环境中运行，例如气候变化、电网需求波动等。

应说明的是，麻雀搜索算法的鲁棒性和适应动态环境，SSA的启发式搜索策略使其能够在不确定性和噪声存在的情况下仍然找到可靠的解；SSA的适应性使其能够随着环境的变化自动调整搜索策略，从而在动态环境中保持有效。

还应说明的是，麻雀搜索算法在重力储能系统中的这些方面的应用提供了一种灵活、高效和鲁棒的优化工具，有助于解决系统设计和运营中的复杂和多样化的挑战。

更进一步的，初始化麻雀搜索算法参数，执行麻雀搜索算法迭代寻找使目标函数最小化的最优模态分解个数M与惩罚因子α，直至达到迭代次数上限，在搜索过程中设置约束M＞3。

应说明的是，初始化麻雀搜索算法参数，将优化变量数设置为2，将惩罚因子α的搜索范围设置为[100，9000]，将模态分解个数M的搜索范围设置为[4，10]，最大迭代次数设置为50，种群规模设置为50，在搜索范围内随机设置麻雀初始位置。

还应说明的是，使用矩阵表示麻雀位置，表示为：

其中，n为麻雀数量，d为待优化变量个数，在本发明中待优化变量包括模态分解个数M和惩罚因子α。

更进一步的，所有麻雀的适应度值计算模型表示为：

其中，每个向量f(·)表示每个麻雀的适应度值。

应说明的是，更新生产者麻雀的位置表示为：

其中，t代表当前迭代次数，表示第t次迭代时第a只麻雀的第b个待优化变量的值，iter_max为最大迭代次数，γ为一个随机数且取值满足γ∈(0,1]，R₂为警报值且R₂∈(0,1]，ST为安全阈值且满足ST∈(0.5,1]，Q为一个满足正态分布的随机数，D为一个1×d的矩阵且其中所有元素全为1。

还应说明的是，更新乞讨者麻雀的位置表示为：

其中，x_p是生产者麻雀的最优位置，X_worst为全局最差位置，A为一个1×d的矩阵，其中每个元素随机赋值为1或者-1，且满足A⁺＝A^T(AA^T)^-1。

更进一步的更新全体麻雀的位置表示为；

其中，x_best为当前全局最优位置，β为均值为0、方差为1的步长控制随机参数且满足正态分布，Z为取值范围为[-1,1]的随机数，f_a为当前个体的适应度值，f_g和f_w分别为当前全局最佳和最差适应度值，ε是无穷小的常数.

应说明的是，迭代结束后，选择麻雀群体中适应度函数最符合目标函数的一组参数作为最优解.

S4：对轴承原始振动信号进行变分模态分解重构。

更进一步的，将最优模态分解个数M与惩罚因子α作为变分模态分解参数，对轴承原始振动信号进行变分模态分解，选择分解后的第1个至第(M-2)个变分子模态进行信号重构，对原始轴承振动信号X设计变分模态分解的约束变分表达式表示为：

其中，σ_t为梯度运算，δ(t)为单位脉冲时间函数，*为卷积符号，ω_m为第m个子模态的中心频率，u_m为分解得到的子模态，s.t.表示对子模态u_m的约束条件。

应说明的是，将约束变分问题转变为非约束变分问题，并将所得到的最优模态分解个数M与惩罚因子α作为输入，引入Lagrange乘法算子λ，得到增广Lagrange表达式，表示为：

其中，σ_t为梯度运算，δ(t)为单位脉冲时间函数，*为卷积符号，ω_m为第m个子模态的中心频率，u_m为分解得到的子模态，s.t.表示对子模态u_m的约束条件，α为惩罚因子，M为最优模态分解个数，u_m为分解得到的子模态，X为采集的轴承原始振动信号。

还应说明的是，设定迭代次数y的初值为0；通过对原始信号使用傅里叶变换获取其基函数u₁；将拉格朗日乘子λ₁初始化为0；采用峰值检测算法根据信号的频谱信息估计初始中心频率ω₁，开始循环迭代，令y＝y+1，迭代更新u_m、ω_m、λ_t表示为：

其中，表示第y+1代中第m个子模态的频域信号，为采集的轴承原始频域信号，为λ的频域表示，α为惩罚因子，ω为变量，ω_m为第m个子模态的中心频率，λ^y+1为第y+1代中λ的值，τ为控制拉格朗日乘子的参数，X为采集的轴承原始信号。顶部的符号∧，代表该变量为符合帕斯瓦尔能量定律的变量。

更进一步的，持续迭代至满足求解结果时，结束迭代，输出求解结果表示为：

其中，u_m为分解得到的子模态。

应说明的是，选择分解后的第1个至第(M-2)个子模态进行信号重构，获得重构信号X′。

S5：构建卷积神经网络，增加K-Fold交叉验证。

更进一步的，设置K-Fold的子集数量为K，将全部训练数据分为K个子集，进行交叉验证，在交叉验证过程中，依次选取第k个子集作为验证集，并将其余子集作为训练集。

应说明的是，构建神经网络训练过程的超参数组合网格，其中学习率的候选值有[0.001，0.004，0.008，0.01]，批量大小的候选值有[32，64，128]。

还应说明的是，在每次K-Fold交叉验证的训练过程中，使用网格搜索方法寻找最佳超参数组合。

更进一步的，采用寻找到的最佳超参数组合，在整个数据集上重新训练模型，最终形成重力储能系统轴承故障检测模型。

S6：基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果。

更进一步的，将形成的重力储能系统轴承故障检测模型保存至重力储能系统的运维模块中.

应说明的是，当运维模块采集到轴承振动信号后，将其输入至所述模型中，模型经过分类识别输出轴承状态，若轴承存在故障则输出相应的故障类型。

还应说明的是，本发明提出了由包络熵函数和功率谱熵函数构成的适应度函数，设计麻雀搜索算法寻找变分模态分解的最优参数，提高了子模态重构信号的降噪效果。

更进一步的，本发明提出在神经网络训练过程中使用K-Fold交叉验证，通过每次交叉验证中的网格搜索优化神经网络的超参数，提高模型检测精度。

实施例2

本发明的一个实施例，提供了一种重力储能系统的轴承故障检测方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

如表1所示，本发明通过对麻雀搜索算法适应度函数的设计，结合在神经网络训练过程中加入K-Fold并利用网格搜索优化神经网络超参数，建立了重力储能系统的轴承故障检测模型。使用公开轴承数据集对本发明所建立的模型进行故障检测精度验证，检测精度为98.84％。作为对比，本发明选用了人工设定模态分解参数和神经网络超参数的方法进行了同样的实验，检测精度为97.22％，此外，本发明还选用了几个常见模型进行实验。最终结论是本发明所设计的模型在轴承故障检测上获得了最高的精度。

表1实验结果对比图

可以通过表1中的对比指标来看，我方发明在与长短期记忆网络、卷积神经网络、改进卷积神经网络、变分模态分解+卷积神经网络这4种现有技术对比下，检测精度最高。

综上所述，我方发明在检测精度上是一种优选方案。

实施例3

参照图3，为本发明的一个实施例，提供了一种重力储能系统的轴承故障检测系统，包括：运维模块，变分模态分解模块，麻雀搜索算法模块、信号分解重构模块、卷积神经网络模块.

其中运维模块用于收集轴承原始振动信号；变分模态分解模块用于输出变分模态分解的目标，构建目标函数；麻雀搜索算法模块用于输出使目标函数最小化的最优模态分解个数M与惩罚因子α；信号分解重构模块用于对轴承原始振动信号变分模态分解和信号重构；卷积神经网络模块用于构建卷积神经网络，并增入K-Fold交叉验证和超参数优化，构建重力储能系统轴承故障检测模型。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种重力储能系统的轴承故障检测方法，其特征在于，包括：

采集轴承原始振动信号；

基于综合熵函数构建目标函数；

通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子；

对轴承原始振动信号进行变分模态分解重构；

构建卷积神经网络，增加K-Fold交叉验证；

基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果。

2.如权利要求1所述的一种重力储能系统的轴承故障检测方法，其特征在于：所述采集轴承原始振动信号包括轴承在正常状态下和所有待检测故障下的原始振动信号。

3.如权利要求1所述的一种重力储能系统的轴承故障检测方法，其特征在于：所述基于综合熵函数构建目标函数包括构建包络熵函数、功率谱熵函数和综合熵函数，将综合熵函数作为适应度函数，输出适应度函数的最小值，将最小值作为变分模态分解的目标，构建目标函数；

包络熵函数表示为：

其中，h(j)为轴承原始振动信号中第j个分量经希尔伯特变换解调后的包络信号，p_j为h(j)的概率分布，E_p是信号对应的包络熵；

功率谱熵函数表示为：

其中，x_i(ω)为轴承原始振动信号第i个分量经傅里叶变换后的信号，L为所采集信号的长度，g_f为所采集信号对应的功率谱，q_i为g_f(i)的概率分布，H为信号对应的功率谱熵；

综合熵函数表示为；

C＝k₁·E_p+k₂·H

其中，k₁为包络熵所分配的权重，k₂为功率谱熵所分配的权重，C为综合熵。

4.如权利要求1所述的一种重力储能系统的轴承故障检测方法，其特征在于：所述通过麻雀搜索算法迭代输出最优模态分解个数和惩罚因子包括初始化麻雀搜索算法参数，在搜索范围内随机设置麻雀初始位置，构建麻雀位置矩阵、麻雀的适应度值计算数学模型、更新生产者麻雀的位置数学模型、更新乞讨者麻雀的位置数学模型和更新全体麻雀的位置数学模型，输出最优解；麻雀位置矩阵表示为：

其中，n为麻雀数量，d为待优化变量个数；

麻雀的适应度值计算数学模型表示为：

其中，每个向量f(·)表示每个麻雀的适应度值；

更新生产者麻雀的位置数学模型表示为：

其中，t代表当前迭代次数，表示第t次迭代时第a只麻雀的第b个待优化变量的值，iter_max为最大迭代次数，γ为一个随机数且取值满足γ∈(0,1]，R₂为警报值且R₂∈(0,1]，ST为安全阈值且满足ST∈(0.5,1]，Q为一个满足正态分布的随机数，D为一个1×d的矩阵且其中所有元素全为1；

更新乞讨者麻雀的位置数学模型表示为：

其中，x_p是生产者麻雀的最优位置，X_worst为全局最差位置，A为一个1×d的矩阵，其中每个元素随机赋值为1或者-1，且满足A⁺＝A^T(AA^T)^-1；

更新全体麻雀的位置数学模型表示为：

其中，x_best为当前全局最优位置，β为均值为0、方差为1的步长控制随机参数且满足正态分布，Z为取值范围为[-1,1]的随机数，f_a为当前个体的适应度值，f_g和f_w分别为当前全局最佳和最差适应度值，ε是无穷小的常数。

5.如权利要求1所述的一种重力储能系统的轴承故障检测方法，其特征在于：所述对轴承原始振动信号进行变分模态分解重构包括构建原始轴承振动信号X设计变分模态分解的约束变分表达式，将约束变分问题转变为非约束变分问题，通过循环迭代输出增广Lagrange表达式，信号重构分解第1个至第(M-2)个子模态，输出重构信号X′；

原始轴承振动信号X设计变分模态分解的约束变分表达式表示为：

其中，σ_t为梯度运算，δ(t)为单位脉冲时间函数，*为卷积符号，ω_m为第m个子模态的中心频率，u_m为分解得到的子模态，s.t.表示对子模态u_m的约束条件，X为采集的轴承原始振动信号；

循环迭代增广Lagrange表达式表示为：

其中，表示第y+1代中第m个子模态的频域信号，为采集的轴承原始频域信号，为λ的频域表示，α为惩罚因子，ω为变量，ω_m为第m个子模态的中心频率，λ^y+1为第y+1代中λ的值，τ为控制拉格朗日乘子的参数，X为采集的轴承原始信号，顶部的符号∧，代表该变量为符合帕斯瓦尔能量定律的变量，y为迭代次数。

6.如权利要求1所述的基一种重力储能系统的轴承故障检测方法，其特征在于：所述构建卷积神经网络，增加K-Fold交叉验证包括构建卷积神经网络，利用重构后的信号训练卷积神经网络，在神经网络训练过程中加入K-Fold交叉验证并超参数优化，构建重力储能系统轴承故障检测模型。

7.如权利要求1所述的一种重力储能系统的轴承故障检测方法，其特征在于：所述基于重力储能系统轴承故障检测模型，输出重力储能系统轴承故障检测结果包括将重力储能系统轴承故障检测模型保存至重力储能系统的运维模块中，运维模块采集的轴承振动信号输入至重力储能系统轴承故障检测模型中，模型经过分类识别输出轴承状态，输出故障类型。

8.一种采用如权利要求1～7任一所述的一种重力储能系统的轴承故障检测方法的系统，其特征在于：包括运维模块，变分模态分解模块，麻雀搜索算法模块、信号分解重构模块、卷积神经网络模块；

所述运维模块用于收集轴承原始振动信号；

所述变分模态分解模块用于输出变分模态分解的目标，构建目标函数；

所述麻雀搜索算法模块用于输出使目标函数最小化的最优模态分解个数M与惩罚因子α；

所述信号分解重构模块用于对轴承原始振动信号变分模态分解和信号重构；

所述卷积神经网络模块用于构建卷积神经网络，并增入K-Fold交叉验证和超参数优化，构建重力储能系统轴承故障检测模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种重力储能系统的轴承故障检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种重力储能系统的轴承故障检测方法的步骤。