CN109583092A - 一种多层次多模式特征提取的智能机械系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种多层次多模式特征提取的智能机械系统故障诊断方法，包括步骤：获取待检测机械部件的原始振动序列；采用主元分析法对原始振动序列进行第一次特征提取，得到待检测机械部件的第一目标样本；采用非负矩阵分解方法对第一目标样本进行第二次特征提取，得到待检测机械部件的第二目标样本；使用基于PID神经网络和极限学习机训练得到的两个振动序列预测器，分别对两个目标样本进行预测得到两个预测振动序列，并进行加权融合得到融合预测振动序列；使用基于支持向量机训练得到的智能机械系统故障分类模型，根据融合预测振动序列输出待检测机械部件的故障类型。本发明对机械部件故障诊断的准确性高、鲁棒性和时效性强。

Description

一种多层次多模式特征提取的智能机械系统故障诊断方法

技术领域

本发明涉及机械系统故障辨识与预测领域，特别是涉及一种多层次多模式的智能机械系统故障诊断方法。

背景技术

机械系统故障诊断与辨识是保证机械系统正常运行，具有高可靠性和可运维性的重要前提。列车转向架作为列车车体与轨道之间的连接耦合装置，其在运行过程中的安全保证是至关重要的，列车转向架主要的故障问题是由于轨道不平顺引起的转向架各部件发生振动现象。目前的机械故障诊断与辨识技术主要是基于信号获取、特征提取、故障识别与预测等步骤的智能故障诊断方法。这类方法利用遍布于机械系统的传感器网络实时获取运行工况下的有效检测值，从检测值中提取出能够判断机械故障发生部位和故障类型的特征参数，进一步利用这些参数预测下一时段的机械系统故障发生情况。转向架及其部件的故障诊断便是利用传感器获取采集振动信号，对振动信号进行特征提取和分析，然后通过已建立的故障诊断模型进行故障类型判别。

但现有的故障诊断方法，对故障信号提取的特征参数较为单一，导致对机械故障诊断的辨识性较低，因此亟需研究一种时效性和辨识度都比较高的机械系统故障诊断方法。

发明内容

本发明提供一种多层次多模式的智能机械系统故障诊断方法，通过对振动信号的多层次多模式特征提取，及时、准确地判断机械系统发生的故障类型。

为实现上述技术目的，本发明采用技术方案如下：

一种多层次多模式特征提取的智能机械系统故障诊断方法，包括以下步骤：

步骤1，获取机械部件的原始振动序列；

步骤2，采用主元分析法，对原始振动序列进行特征提取得到n个特征参数，n个特征参数组成机械部件的第一目标样本A_n；

步骤3，采用非负矩阵分解方法，对第一目标样本A_n中的n维特征参数进行特征提取得到m个特征参数，m个特征参数组成机械部件的第二目标样本B_m；

步骤4，以第一目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练PID神经网络模型，得到第一振动序列预测器；

以第二目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练极限学习机，得到第二振动序列预测器；

步骤5，将第一目标样本输入到步骤4得到的第一振动序列预测器，得到机械部件的第一预测振动序列；

将第二目标样本输入到步骤4得到的第二振动序列预测器，得到机械部件的第二预测振动序列；

对第一预测振动序列和第二预测振动序列进行加权融合，得到旋转机械的融合预测振动序列；

步骤6，按步骤1-5获取已知故障类型的机械部件的融合预测振动序列，作为机械部件的训练样本；

以机械部件的训练样本为输入、故障类型为输出，训练支持向量机模型，得到智能机械系统故障分类模型；

步骤7，实时采集待检测机械部件的原始振动信号，按步骤2-3获取待检测机械部件的第一目标样本和第二目标样本；

将待检测机械部件的第一目标样本和第二目标样本按步骤5获取待检测机械部件的融合预测振动序列；

将待检测机械部件的融合预测振动序列输入到步骤6得到的智能机械系统故障分类模型中，智能机械系统故障分类模型输出待检测机械部件的故障类型。

本方案利用大数据处理技术实现对列车机械部件故障的分类诊断，提高了故障诊断的准确性，确保了机械系统运行的安全性能要求。而且，对机械部件的原始振动序列进行了两次特征提取，利用非负矩阵分解方法对于局部重要特征的搜索能力锁定对于故障产生的相关性更强的振动序列特征参数，增强了故障诊断的鲁棒性和时效性。同时采用多种故障特征预测方法进行加权融合，增加了故障预测过程中的容错性，进一步提高故障诊断的准确性。

进一步地，所述PID神经网络模型的输入层节点数为1，隐含层节点数为3，输出层节点数为1，在PID神经网络模型的训练过程中，最大迭代次数设置为200，训练学习率为0.1，阈值为0.004，并采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值。

进一步地，所述采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值的具体过程为：

步骤C1，以粒子群中每个粒子个体的位置向量作为用于获取所述PID神经网络模型的权值和阈值，将粒子个体的位置向量参数初始化为[-1,1]的随机数；

粒子群种群的个数的取值范围为[25,70]，粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；

步骤C2，设定适应度函数，确定初始最优粒子个体位置向量和迭代次数t，t＝1；

将粒子个体位置向量对应的权值和阈值代入第一振动序列预测器中，并利用粒子个体位置向量确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数f(x)；

步骤C3，计算每个粒子群的群体适应度方差，进行早熟收敛判断；

若粒子群的群体适应度方差小于早熟收敛判断阈值γ，则对粒子群中δ％的适应度值最小的粒子和群体极值粒子进行变异，并以当前适应度值大的粒子个体作为全局最优粒子个体；其中，群体适应度方差是指粒子群中所有粒子个体的适应度值的方差；

步骤C4，判断是否组建精英种群；

当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值粒子组建精英种群，转入步骤C8，否则转入步骤C5；

步骤C5，更新各种群的所有粒子个体位置向量；

步骤C6，重新计算并比较每个粒子个体的适应度值，如果大于当前的个体极值粒子的适应度值，则更新个体极值粒子；比较全局极值粒子，如果存在粒子个体的适应度值大于当前的群体极值粒子，则更新全局极值粒子，令t＝t+1，转入步骤C3；

步骤C7，精英种群继续进化；

步骤C8，判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优粒子个体，输出所述PID神经网络的权值和阈值，得到第一振动序列预测器。

进一步地，极限学习机的输入层包含1个节点，隐含层包含3个节点，输出层包含1个节点，最大迭代次数设置为200；采用水循环算法优化所述极限学习机的权值和隐含层神经元偏置量。

进一步地，所述采用水循环算法优化所述极限学习机的权值和偏置的具体过程为：

步骤D1，以每个降雨层作为用于获取极限学习机的权值和隐含层神经元偏置量，初始化降雨层种群；

设定降雨层种群数量的取值范围为[20,100]，海洋数量为1，河流数量的取值范围为[5,30]，最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1]；

步骤D2，设定适应度函数和目标函数；

将降雨层对应的用于获取极限学习机的权值和隐含层神经元偏置量代入第二振动序列预测器中，并利用降雨层确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数，将预测特征参数值和实际特征参数值的差值的绝对值作为目标函数；

步骤D3，以适应度最大的降雨层作为大海，以适应度第二大的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

步骤D4，如果溪流的目标函数值小于河流的目标函数值，则溪流与河流交换位置，如果河流的目标函数值小于海洋的目标函数值，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；

步骤D5，判断河流的目标函数值与海洋的目标函数值之间的差值绝对值是否小于设定的极小值：如果小于，则认为满足降雨条件，从降雨层种群中去掉该河流，并重新进行降雨过程，随机生成新的降雨层加入降雨层种群，返回步骤D3继续下一次迭代，否则，进入步骤D6；

步骤D6，判断是否到达最大迭代次数，若满足则输出最优的降雨层对应的参数，输出极限学习机的权值和隐含层神经元偏置量，若不满足则进入步骤D3继续下一次迭代。

进一步地，所述支持向量机模型的输入层包含1个节点，输出层包含1个节点，选择径向基函数作为核函数；采用基于猴群爬过程的人工蜂群优化算法优化所述支持向量机的惩罚因子和核函数参数。

进一步地，所述采用基于猴群爬过程的人工蜂群优化算法优化所述支持向量机的惩罚因子和核函数参数的具体过程为：

步骤E1，算法初始化，随机初始化N个蜜源作为用于获取支持向量机模型的惩罚因子和核函数参数，并与N个采蜜蜂对应，计算各个蜜源的质量，记录最优解。

设定蜜蜂种群数量的取值范围为[20,100]，最大迭代次数的取值范围为[200,1000]，搜索次数阈值为500；

步骤E2，采蜜蜂搜索新的蜜源，计算其适应度值，并在当前蜜源和新蜜源之间进行贪婪选择。

将蜜源对应的用于获取支持向量机的惩罚因子和核函数参数代入机械系统故障分类模型中，并利用蜜源确定的分类模型确定当前的故障类型，并计算适应度值，适应度函数定义为其中，V_acc为分类正确率，蜜源适应度值越大表示更优；

步骤E3，采用猴群算法中的爬过程加强在已选择的蜜源附近的局部搜索，即采蜜蜂以步长的形式改变自己的位置去搜索蜜源，直至找到更优的蜜源；

步骤E4，计算每个蜜源被选择的概率，第i个蜜源被选择的概率为：其中fit_i为第i个蜜源的适应度值；观察蜂以轮盘赌机制选择要跟随的蜜源进行采蜜，成为采蜜蜂；

步骤E5，搜索次数j_s＝j_s+1；若搜索次数j_s小于搜索次数阈值，则返回步骤E2继续循环；否则执行步骤E6；

步骤E6，判断是否存在要放弃的蜜源，若存在，被放弃蜜源对应的采蜜蜂成为侦察蜂，随机侦查新的蜜源；所述要放弃的蜜源是指在搜索次数阈值范围内没有满足目标函数最优的蜜源；

步骤E7，循环次数ω_c＝ω_c+1，若满足条件ω_c小于最大迭代次数，则返回步骤E1；否则算法结束，输出最优蜜源，用于获取支持向量机的惩罚因子和核函数参数，得到智能机械系统故障分类模型。

进一步地，所述步骤2的具体过程为：

步骤A1，将原始振动序列转置得到序列矩阵X；

步骤A2，将序列矩阵X中的每一个特征参数进行零均值化处理；

步骤A3，求出协方差矩阵，进而求出协方差矩阵的特征值与对应的特征向量；

步骤A4，将特征向量按对应特征值大小按序排列，并取前n行组成矩阵X′；

步骤A5，得到机械部件第一次特征提取后的第一目标样本A_n。

进一步地，所述步骤3的具体过程为：

步骤B1，根据步骤A4得到的矩阵X′的维数，随机生成矩阵W，并由公式X′＝HW可得矩阵H的初始值H₁；

步骤B2，保持矩阵W不变，根据公式迭代更新矩阵H直到收敛；

步骤B3，保持H不变，根据公式迭代更新矩阵W直到收敛；

步骤B4，重复步骤B2和B3直到对应的成本函数不变，其中i表示特征参数的编号，j表示特征参数的采样时间；

步骤B5，最终得到的矩阵H为机械部件第二次特征提取后的第二目标样本B_m。

进一步地，所述机械部件为转向架的部件，机械部件的故障类型包括：无故障、构架横向失衡、轴箱振动异常、一系或二系悬挂失效引起的横向垂直振动异常、电机设备内部故障引起的构架振动异常、轮轨圆周不平顺引起的垂向振动异常。

有益效果

1.本发明利用大数据处理技术实现对列车机械部件故障的分类诊断，提高了故障诊断的准确性，确保了机械系统运行的安全性能要求。

2.本发明对机械部件的原始振动序列进行了两次特征提取，利用非负矩阵分解方法对于局部重要特征的搜索能力锁定对于故障产生的相关性更强的工况运行特征，增强了故障预测与分类方法的鲁棒性和时效性。

3.本发明采用多种故障特征预测方法进行加权融合，增加了故障预测过程中的容错性，这对机械系统故障诊断具有很重要的意义。

4.采用带有自适应值的粒子群算法对PID神经网络模型的权值和阈值进行参数优化得到第一振动序列预测器，采用水循环算法对极限学习机的权值和隐含层神经元偏置量进行参数优化得到第二振动序列预测器，采用基于猴群爬过程的人工蜂群优化算法对支持向量机的惩罚因子和核函数参数进行参数优化得到智能机械系统故障分类模型，提高整个模型的预测精度，保证模型的鲁棒性和有效性。

附图说明

图1为本发明多层次多模式特征提取的智能机械系统故障诊断方法的系统框架图。

具体实施方式

本实施例提供的多层次多模式特征提取的智能机械系统故障诊断方法，通过使用训练样本训练PID神经网络、极限学习机和支持向量机，根据通过传感器网络获取转向架各部件的原始振动序列，判断机械部件的故障类型，在本实施例的机械部件具体是指列车转向架各部件，本发明具体方法如图1所示，包括以下步骤。

步骤1，获取机械部件的原始振动序列。

通过目标机械系统各部件所布置的传感器网络实时采集相关工况参数，即与故障类型相关的运行工况特征，获取转向架各部件的原始振动序列，原始振动序列的采集周期根据实际要求确定；通过状态监测系统获取并记录每一采集时刻转向架的故障类型。根据获取到的转向架原始振动序列和故障类型状态构建故障诊断系统目标数据库。

转向架故障类型的记录方法可以通过数字化来实现，按照是否发生故障和发生的故障类型，分别记录[{无故障}＝0,{构架横向失稳}＝1,{轴箱振动异常}＝2,{一系或二系悬挂失效引起的横向垂向振动异常}＝3,{电机设备内部故障引起的构架振动异常}＝4,{轮轨面圆周不平顺引起的垂向振动异常}＝5]。

步骤2，提取目标数据库中的转向架各部件原始振动序列，采用主元分析法对原始振动序列进行第一次特征提取，得到n个特征参数a₁,a₂,...,a_n，该n个特征参数组成机械部件的第一目标样本A_n＝{a₁,a₂,...,a_n}，具体过程为：

步骤A1，将原始振动序列转置得到序列矩阵X；

步骤A2，将序列矩阵X中的每一个特征参数进行零均值化处理；

步骤A3，求出协方差矩阵，进而求出协方差矩阵的特征值与对应的特征向量；这里求解协方差矩阵的特征多项式可以得到特征值以及特征向量，其中每一个特征值对应于一个特征向量；

步骤A4，将特征向量按对应特征值大小按序排列，并取前n行组成矩阵X′；

步骤A5，得到机械部件第一次特征提取后的第一目标样本A_n。

步骤3，采用非负矩阵分解方法，对第一目标样本A_n中的n维特征参数进行第二次特征提取，得到m个特征参数b₁,b₂,...,b_m，且m<n，该m个特征参数组成机械部件的第二目标样本B_m＝{b₁,b₂,...,b_m}，具体过程为：

步骤B1，根据步骤A4得到的矩阵X′的维数，随机生成矩阵W，并由公式X′＝HW可得矩阵H₁，并将得到的矩阵H₁作为初始值带入到步骤B2中进行迭代；

步骤B2，保持矩阵W不变，根据公式迭代更新矩阵H直到收敛；

步骤B3，保持H不变，根据公式迭代更新矩阵W直到收敛；

步骤B4，重复步骤B2和B3直到对应的成本函数不变，其中i表示特征参数的编号，j表示特征参数的采样时间；

步骤B5，最终得到的矩阵H即为二次特征提取后的目标样本B_m＝{b₁,b₂,...,b_m}。

该步骤3是利用非负矩阵分解方法对于局部重要特征的搜索能力，从而锁定对于故障产生的相关性更强的工况运行特征。

步骤4，以第一目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练PID神经网络模型，得到第一振动序列预测器；

以第二目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练极限学习机，得到第二振动序列预测器。

其中，PID神经网络模型的输入层节点数为1，隐含层节点数为3，输出层节点数为1，在PID神经网络模型的训练过程中，最大迭代次数设置为200，训练学习率为0.1，阈值为0.004，并采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值。具体的参数优化过程为：

步骤C1，以粒子群中每个粒子个体的位置向量作为用于获取所述PID神经网络模型的权值和阈值，将粒子个体的位置向量参数初始化为[-1,1]的随机数；

粒子群种群的个数的取值范围为[25,70]，粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；

步骤C2，设定适应度函数，确定初始最优粒子个体位置向量和迭代次数t，t＝1；

将粒子个体位置向量对应的权值和阈值代入第一振动序列预测器中，并利用粒子个体位置向量确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数f(x)；

步骤C3，计算每个粒子群的群体适应度方差，进行早熟收敛判断；

若粒子群的群体适应度方差小于早熟收敛判断阈值γ，则对粒子群中δ％的适应度值最小的粒子和群体极值粒子进行变异，并以当前适应度值大的粒子作为全局最优粒子个体；这里全局的范围是指所有粒子群中的所有粒子个体的集合，即粒子种群。

步骤C4，判断是否组建精英种群；

当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值粒子组建精英种群，转入步骤C8，否则转入步骤C5；

步骤C5，更新各种群的所有粒子个体位置向量；

步骤C6，重新计算并比较每个粒子的适应度值，如果大于当前的个体极值粒子的适应度值，则更新个体极值粒子；比较全局极值粒子，如果存在粒子适应度值大于当前的群体极值粒子，则更新全局极值粒子，令t＝t+1，转入步骤C3；其中，这里的初始的个体极值粒子是指第一次适应度值比较之后产生的个体极值粒子，往后进行更新迭代。

步骤C7，精英种群继续进化；

步骤C8，判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优粒子个体，输出所述PID神经网络的权值和阈值，得到第一振动序列预测器。

以训练样本的第二目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练极限学习机，得到第二振动序列预测器。

极限学习机的输入层包含1个节点，隐含层包含3个节点，输出层包含1个节点，最大迭代次数设置为200；采用水循环WCA(Water Cycle-like Algorithm,WCA)算法优化所述极限学习机的权值和隐含层神经元偏置量。具体的参数优化过程为：

步骤D1，以每个降雨层作为用于获取极限学习机的权值和隐含层神经元偏置量，初始化降雨层种群；

设定降雨层种群数量的取值范围为[20,100]，海洋数量为1，河流数量的取值范围为[5,30]，最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1]；

步骤D2，设定适应度函数和目标函数；

将降雨层对应的用于获取极限学习机的权值和隐含层神经元偏置量代入第二振动序列预测器中，并利用降雨层确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数，将预测特征参数值和实际特征参数值的差值的绝对值作为目标函数；

步骤D3，以适应度大的降雨层作为大海，以适应度次小的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

步骤D4，如果溪流的目标函数值小于河流的目标函数值，则溪流与河流交换位置，如果河流的目标函数值小于海洋的目标函数值，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；

步骤D5，判断河流的目标函数值与海洋的目标函数值之间的差值绝对值是否小于设定的极小值：如果小于，则认为满足降雨条件，从降雨层种群中去掉该河流，并重新进行降雨过程，随机生成新的降雨层加入降雨层种群，返回步骤D3继续下一次迭代，否则，进入步骤D6；

步骤D6，判断是否到达最大迭代次数，若满足则输出最优的降雨层对应的参数，输出极限学习机的权值和隐含层神经元偏置量，若不满足则进入步骤D3继续下一次迭代。

然后，再将训练样本的第一目标样本输入到第一振动序列预测器，得到训练样本的第一预测振动序列；将训练样本的第二目标样本输入到第二振动序列预测器，得到训练样本的第二预测振动序列。

步骤5，将第一目标样本输入到第一振动序列预测器，得到机械部件的第一预测振动序列；将第二目标样本输入到第二振动序列预测器，得到机械部件的第二预测振动序列；

对第一预测振动序列和第二预测振动序列进行加权融合，得到旋转机械的融合预测振动序列。在本实施例中，加权融合采用平均值加权融合。

步骤6，按步骤1-5获取已知故障类型的机械部件的融合预测振动序列，作为机械部件的训练样本；

以机械部件的训练样本为输入、故障类型为输出，训练支持向量机模型，得到智能机械系统故障分类模型。在本实施例对支持向量机进行训练时，输入为多个训练样本组成的矩阵，输出为相应的故障类型组成的数字化矩阵，可提高训练支持向量机模型的效率。

支持向量机模型的输入层包含1个节点，输出层包含1个节点，选择径向基函数作为核函数；采用基于猴群爬过程的人工蜂群优化算法优化所述支持向量机的惩罚因子和核函数参数。具体的参数优化过程为：

步骤E1，算法初始化，随机初始化N个蜜源作为用于获取支持向量机模型的惩罚因子和核函数参数，并与N个采蜜蜂对应，计算各个蜜源的质量，记录最优解。

设定蜜蜂种群数量的取值范围为[20,100]，最大迭代次数的取值范围为[200,1000]，搜索次数阈值为500；

步骤E2，采蜜蜂搜索新的蜜源，计算其适应度值，并在当前蜜源和新蜜源之间进行贪婪选择。

将蜜源对应的用于获取支持向量机的惩罚因子和核函数参数代入机械系统故障分类模型中，并利用蜜源确定的分类模型确定当前的故障类型，并计算适应度值，适应度函数定义为其中，V_acc为分类正确率，蜜源适应度值越大表示更优；

步骤E3，采用猴群算法中的爬过程加强在已选择的蜜源附近的局部搜索，即采蜜蜂以步长的形式改变自己的位置去搜索蜜源，直至找到更优的蜜源；

步骤E4，计算每个蜜源被选择的概率，第i个蜜源被选择的概率为：其中fit_i为第i个蜜源的适应度值。观察蜂以轮盘赌机制选择要跟随的蜜源进行采蜜，成为采蜜蜂；

步骤E5，搜索次数j_s＝j_s+1；若j_s小于搜索次数阈值，则返回步骤E2继续循环；否则执行步骤E6；

步骤E6，判断是否存在要放弃的蜜源，若存在，被放弃蜜源对应的采蜜蜂成为侦察蜂，随机侦查新的蜜源；所述要放弃的蜜源是指在搜索次数阈值范围内没有满足目标函数最优的蜜源；

步骤E7，循环次数ω_c＝ω_c+1，若满足条件ω_c小于最大迭代次数，则返回步骤E1；否则算法结束，输出最优蜜源，用于获取支持向量机的惩罚因子和核函数参数，得到智能机械系统故障分类模型。

步骤7，通过目标机械系统待检测机械部件处所布置的传感器网络，实时采集待检测机械部件的原始振动信号；然后按步骤2-3获取待检测机械部件的第一目标样本和第二目标样本；再将待检测机械部件的第一目标样本和第二目标样本按步骤5获取待检测机械部件的融合预测振动序列；最后将待检测机械部件的融合预测振动序列输入到智能机械系统故障分类模型中，智能机械系统故障分类模型输出待检测机械部件的故障类型。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变形或修改。因此，本发明的范围应该被理解和认定为覆盖了所有这些其他变形或修改。

Claims (10)

1.一种多层次多模式特征提取的智能机械系统故障诊断方法，其特征在于，包括以下步骤：

步骤1，获取机械部件的原始振动序列；

步骤2，采用主元分析法，对原始振动序列进行特征提取得到n个特征参数，n个特征参数组成机械部件的第一目标样本A_n；

步骤3，采用非负矩阵分解方法，对第一目标样本A_n中的n维特征参数进行特征提取得到m个特征参数，m个特征参数组成机械部件的第二目标样本B_m；

步骤4，以第一目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练PID神经网络模型，得到第一振动序列预测器；

以第二目标样本的t₀～t_N各时刻的特征参数为输入、以t_N+1时刻的特征参数为输出，训练极限学习机，得到第二振动序列预测器；

步骤5，将第一目标样本输入到步骤4得到的第一振动序列预测器，得到机械部件的第一预测振动序列；

将第二目标样本输入到步骤4得到的第二振动序列预测器，得到机械部件的第二预测振动序列；

对第一预测振动序列和第二预测振动序列进行加权融合，得到旋转机械的融合预测振动序列；

步骤6，按步骤1-5获取已知故障类型的机械部件的融合预测振动序列，作为机械部件的训练样本；

以机械部件的训练样本为输入、故障类型为输出，训练支持向量机模型，得到智能机械系统故障分类模型；

步骤7，实时采集待检测机械部件的原始振动信号，按步骤2-3获取待检测机械部件的第一目标样本和第二目标样本；

将待检测机械部件的第一目标样本和第二目标样本按步骤5获取待检测机械部件的融合预测振动序列；

将待检测机械部件的融合预测振动序列输入到步骤6得到的智能机械系统故障分类模型中，智能机械系统故障分类模型输出待检测机械部件的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述PID神经网络模型的输入层节点数为1，隐含层节点数为3，输出层节点数为1，在PID神经网络模型的训练过程中，最大迭代次数设置为200，训练学习率为0.1，阈值为0.004，并采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值。

3.根据权利要求2所述的方法，其特征在于，所述采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值的具体过程为：

步骤C1，以粒子群中每个粒子个体的位置向量作为用于获取所述PID神经网络模型的权值和阈值，将粒子个体的位置向量参数初始化为[-1,1]的随机数；

粒子群种群的个数的取值范围为[25,70]，粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；

步骤C2，设定适应度函数，确定初始最优粒子个体位置向量和迭代次数t，t＝1；

将粒子个体位置向量对应的权值和阈值代入第一振动序列预测器中，并利用粒子个体位置向量确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数f(x)；

步骤C3，计算每个粒子群的群体适应度方差，进行早熟收敛判断；

若粒子群的群体适应度方差小于早熟收敛判断阈值γ，则对粒子群中δ％的适应度值最小的粒子和群体极值粒子进行变异，并以当前适应度值大的粒子个体作为全局最优粒子个体；其中，群体适应度方差是指粒子群中所有粒子个体的适应度值的方差；

步骤C4，判断是否组建精英种群；

当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值粒子组建精英种群，转入步骤C8，否则转入步骤C5；

步骤C5，更新各种群的所有粒子个体位置向量；

步骤C6，重新计算并比较每个粒子个体的适应度值，如果大于当前的个体极值粒子的适应度值，则更新个体极值粒子；比较全局极值粒子，如果存在粒子个体的适应度值大于当前的群体极值粒子，则更新全局极值粒子，令t＝t+1，转入步骤C3；

步骤C7，精英种群继续进化；

步骤C8，判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优粒子个体，输出所述PID神经网络的权值和阈值，得到第一振动序列预测器。

4.根据权利要求1所述的方法，其特征在于，极限学习机的输入层包含1个节点，隐含层包含3个节点，输出层包含1个节点，最大迭代次数设置为200；采用水循环算法优化所述极限学习机的权值和隐含层神经元偏置量。

5.根据权利要求4所述的方法，其特征在于，所述采用水循环算法优化所述极限学习机的权值和偏置的具体过程为：

步骤D1，以每个降雨层作为用于获取极限学习机的权值和隐含层神经元偏置量，初始化降雨层种群；

设定降雨层种群数量的取值范围为[20,100]，海洋数量为1，河流数量的取值范围为[5,30]，最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1]；

步骤D2，设定适应度函数和目标函数；

将降雨层对应的用于获取极限学习机的权值和隐含层神经元偏置量代入第二振动序列预测器中，并利用降雨层确定的预测模型根据t₀～t_N各时刻的特征参数计算t_N+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数，将预测特征参数值和实际特征参数值的差值的绝对值作为目标函数；

步骤D3，以适应度最大的降雨层作为大海，以适应度第二大的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；

步骤D4，如果溪流的目标函数值小于河流的目标函数值，则溪流与河流交换位置，如果河流的目标函数值小于海洋的目标函数值，则河流与海洋交换位置；然后使溪流流入河流，使河流汇入海洋；

步骤D5，判断河流的目标函数值与海洋的目标函数值之间的差值绝对值是否小于设定的极小值：如果小于，则认为满足降雨条件，从降雨层种群中去掉该河流，并重新进行降雨过程，随机生成新的降雨层加入降雨层种群，返回步骤D3继续下一次迭代，否则，进入步骤D6；

步骤D6，判断是否到达最大迭代次数，若满足则输出最优的降雨层对应的参数，输出极限学习机的权值和隐含层神经元偏置量，若不满足则进入步骤D3继续下一次迭代。

6.根据权利要求1所述的方法，其特征在于，所述支持向量机模型的输入层包含1个节点，输出层包含1个节点，选择径向基函数作为核函数；采用基于猴群爬过程的人工蜂群优化算法优化所述支持向量机的惩罚因子和核函数参数。

7.根据权利要求6所述的方法，其特征在于，所述采用基于猴群爬过程的人工蜂群优化算法优化所述支持向量机的惩罚因子和核函数参数的具体过程为：

步骤E1，算法初始化，随机初始化N个蜜源作为用于获取支持向量机模型的惩罚因子和核函数参数，并与N个采蜜蜂对应，计算各个蜜源的质量，记录最优解。

设定蜜蜂种群数量的取值范围为[20,100]，最大迭代次数的取值范围为[200,1000]，搜索次数阈值为500；

步骤E2，采蜜蜂搜索新的蜜源，计算其适应度值，并在当前蜜源和新蜜源之间进行贪婪选择。

将蜜源对应的用于获取支持向量机的惩罚因子和核函数参数代入机械系统故障分类模型中，并利用蜜源确定的分类模型确定当前的故障类型，并计算适应度值，适应度函数定义为其中，V_acc为分类正确率，蜜源适应度值越大表示更优；

步骤E3，采用猴群算法中的爬过程加强在已选择的蜜源附近的局部搜索，即采蜜蜂以步长的形式改变自己的位置去搜索蜜源，直至找到更优的蜜源；

步骤E4，计算每个蜜源被选择的概率，第i个蜜源被选择的概率为：其中fit_i为第i个蜜源的适应度值；观察蜂以轮盘赌机制选择要跟随的蜜源进行采蜜，成为采蜜蜂；

步骤E5，搜索次数j_s＝j_s+1；若搜索次数j_s小于搜索次数阈值，则返回步骤E2继续循环；否则执行步骤E6；

步骤E6，判断是否存在要放弃的蜜源，若存在，被放弃蜜源对应的采蜜蜂成为侦察蜂，随机侦查新的蜜源；所述要放弃的蜜源是指在搜索次数阈值范围内没有满足目标函数最优的蜜源；

步骤E7，循环次数ω_c＝ω_c+1，若满足条件ω_c小于最大迭代次数，则返回步骤E1；否则算法结束，输出最优蜜源，用于获取支持向量机的惩罚因子和核函数参数，得到智能机械系统故障分类模型。

8.根据权利要求1所述的方法，其特征在于，所述步骤2的具体过程为：

步骤A1，将原始振动序列转置得到序列矩阵X；

步骤A2，将序列矩阵X中的每一个特征参数进行零均值化处理；

步骤A3，求出协方差矩阵，进而求出协方差矩阵的特征值与对应的特征向量；

步骤A4，将特征向量按对应特征值大小按序排列，并取前n行组成矩阵X′；

步骤A5，得到机械部件第一次特征提取后的第一目标样本A_n。

9.根据权利要求8所述的方法，其特征在于，所述步骤3的具体过程为：

步骤B1，根据步骤A4得到的矩阵X′的维数，随机生成矩阵W，并由公式X′＝HW可得矩阵H的初始值H₁；

步骤B2，保持矩阵W不变，根据公式迭代更新矩阵H直到收敛；

步骤B3，保持H不变，根据公式迭代更新矩阵W直到收敛；

步骤B4，重复步骤B2和B3直到对应的成本函数不变，其中i表示特征参数的编号，j表示特征参数的采样时间；

步骤B5，最终得到的矩阵H为机械部件第二次特征提取后的第二目标样本B_m。

10.根据权利要求1所述的方法，其特征在于，所述机械部件为转向架的部件，机械部件的故障类型包括：无故障、构架横向失衡、轴箱振动异常、一系或二系悬挂失效引起的横向垂直振动异常、电机设备内部故障引起的构架振动异常、轮轨圆周不平顺引起的垂向振动异常。