CN110032981B - 基于改进支持向量机的旋转机械故障识别方法 - Google Patents

基于改进支持向量机的旋转机械故障识别方法 Download PDF

Info

Publication number
CN110032981B
CN110032981B CN201910318232.4A CN201910318232A CN110032981B CN 110032981 B CN110032981 B CN 110032981B CN 201910318232 A CN201910318232 A CN 201910318232A CN 110032981 B CN110032981 B CN 110032981B
Authority
CN
China
Prior art keywords
fault
classification model
features
support vector
fault state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910318232.4A
Other languages
English (en)
Other versions
CN110032981A (zh
Inventor
米金华
王馨苑
程玉华
白利兵
陈凯
盛瀚民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910318232.4A priority Critical patent/CN110032981B/zh
Publication of CN110032981A publication Critical patent/CN110032981A/zh
Application granted granted Critical
Publication of CN110032981B publication Critical patent/CN110032981B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明可以有效提高旋转机械故障识别的准确度和效率。

Description

基于改进支持向量机的旋转机械故障识别方法
技术领域
本发明属于工程机械系统故障识别技术领域，更为具体地讲，涉及一种基于改进支持向量机的旋转机械故障识别方法。
背景技术
随着工业的现代化和科学技术的飞速发展，旋转机械设备作为工业中使用最广泛的设备之一，被越来越多地应用于电力、石油化工、航空以及多种军工产业等领域。旋转机械设备不断朝着高速化、系统化和自动化等方向发展，其生产系统的规模逐渐增大，机械结构也越来越复杂，每一种设备相互之间相互关联，紧密耦合，工作性能指标越来越高。在旋转机械设备工作运行中，伴随着很多不确定因素，一些设备不可避免的会产生一些故障，一旦某一设备的关键部件产生故障则会发生一系列的连锁反应，严重的还会造成整条生产线的停产，进而造成巨大的经济损失甚至人员伤亡。旋转机械设备的安全性，可维护性和可靠性已成为时下研究的热点，建立和完善故障识别技术领域不仅能够保障旋转机械设备的安全运行，同时对提高经济收益、减少维修成本以及确保人员安全具有积极的意义。
支持向量机是Vapnik在统计学习理论的Vapnik-Chervonenkis Dimension(VC维)理论和结构风险最小原理基础上提出的一种新的机器学习方法。作为一种努力最小化结构风险的算法，支持向量机具有良好的鲁棒性、适应性并且计算简单、训练效率高，比神经网络还强的泛化能力以及解决小样本学习问题等优点，它被广泛应用于机械故障识别应用领域之中并取得了较好的效果。
随着对支持向量机越来越多的研究，支持向量机得到飞速的发展，针对支持向量机的研究主要围绕以下几个方面：(1)特征提取是支持向量机分类的重点研究方向之一。大多数机器学习方法通过人为设计特征提取器进行特征提取。但是如果特征数量不足会导致信息量的缺失进而影响故障识别精度；若特征数量过多则会出现信息的冗余导致运算时间的增加。同时，特征的选取也与目标值之间有着重要的关系。大多数研究围绕着小波变换方法，经验模态分解方法等对故障信号进行处理，往往不能全面的对信号进行分析。(2)核函数的研究主要包含构造和类型两个方面，通常选择径向基函数(RBF核函数)，该函数的一个重要参数g(gamma)隐含地决定了数据映射到新的特征空间后的分布，所以该参数的选取也是支持向量机的一个关键点。(3)模型参数的选取直接影响着支持向量机的性能，具体地说，惩罚因子C值越大，越容易造成过拟合；C值越小，越容易造成欠拟合。遗传算法是一种广泛应用于参数优化的方法，但是存在迟迟不能收敛，达到局部最优等问题有待改进。面对现代化智能工业设备的发展，在工程实际应用时，支持向量机面临的这些问题需要研究解决。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于改进支持向量机的旋转机械故障识别方法，将采集得到的旋转机械工作信号进行时频分析处理，通过基于云模型的遗传算法优化的基于支持向量机的多分类模型实现对旋转机械故障的识别，可以有效提高旋转机械故障识别的准确度和效率。
为实现上述发明目的，本发明基于改进支持向量机的旋转机械故障识别方法包括以下步骤：
S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；
对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中
Figure BDA0002033821700000021
记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds。将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R；
S2：对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量Xs′,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本；重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集；
然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集；
S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；
S4：采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化，在优化过程中，采用步骤S2得到的训练样本集对各个个体对应的基于支持向量机网络的多分类模型进行训练，采用步骤S2得到的验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度。
S5：当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号
Figure BDA0002033821700000031
从中提取出步骤S1中约简得到的K个特征
Figure BDA0002033821700000032
组成组合特征向量
Figure BDA0002033821700000033
将其输入至步骤S4训练好的多分类模型中，得到故障识别结果。
本发明基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。
本发明具有以下有益效果：
1)本发明对获取的时域、频域以及时频域特征进行筛选，有效解决了特征过多或者过少的问题，同时得到能切实反应故障状态的特征；
2)本发明针对遗传算法进行改进，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的参数进行优化处理，能有效缩短多分类模型的训练时间；
3)本发明提出的基于支持向量机网络的多分类模型对硬件资源的要求低，具有一定的泛化能力，并且经实验证明本发明可以有效提高旋转机械的故障识别准确率。
附图说明
图1是本发明基于改进支持向量机的旋转机械故障识别方法的具体实施方式流程图；
图2是本发明中采用基于云模型的遗传算法对基于支持向量机网络的多分类模型进行参数优化的流程图；
图3是本实施例中本发明与对比方法对于美国凯斯西储大学数据的故障识别准确率统计图；
图4是本实施例中本发明与对比方法对于美国凯斯西储大学数据的故障识别耗时对比图；
图5是本实施例中本发明与对比方法对于自主实验平台数据的故障识别准确率统计图；
图6是本实施例中本发明与对比方法对于自主实验平台数据的故障识别耗时对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于改进支持向量机的旋转机械故障识别方法的具体实施方式流程图。如图1所示，本发明基于改进支持向量机的旋转机械故障识别方法的具体步骤包括：
S101：工作信号数据处理：
分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R。
对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中
Figure BDA0002033821700000051
记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds。将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R。
S102：获取训练样本和验证样本：
对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量X′s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本。重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集。
然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集。
S103：构建多分类模型：
构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签。
本发明中旋转机械的故障类型有R种，与旋转机械故障状态相关的特征参数有K个，构建基于支持向量机网络的多分类模型对旋转机械的多种故障特征进行分类识别。本实施例中采用RBF核函数，选择一对一的方法构造多分类模型，其中输入层节点数为K、输出层节点数为R。
S104：多分类模型参数优化：
本发明对的支持向量机网络进行改进，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化，在优化过程中，采用步骤S102得到的训练样本集对各个个体对应的基于支持向量机网络的多分类模型进行训练，采用步骤S102得到的验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度。
基于云模型的遗传算法具有遗传算法的优点，同时对遗传算法进行了改进，使整体进化速度更快，提高了收敛速度，减少了不必要的搜索。图2是本发明中采用基于云模型的遗传算法对基于支持向量机网络的多分类模型进行参数优化的流程图。如图2所示，本发明中采用基于云模型的遗传算法对基于支持向量机网络的多分类模型进行参数优化的具体步骤包括：
S201：实数编码：
对基于支持向量机网络的多分类模型的核函数和惩罚因子进行实数编码。传统的遗传算法是二进制编码。随着问题复杂度的增加和精度的提高，简单遗传算法的编码长度也会增加，占用了大量的内存，大大降低了算法的性能。本发明采用实数编码的方式，提高算法性能。
S202：初始化种群：
将核函数和惩罚因子的实数编码作为基于云模型的遗传算法种群中的个体，初始化种群，种群大小记为Q。
S203：计算个体适应度：
对于种群中的每个个体，采用其对应的核函数和惩罚因子对基于支持向量机网络的多分类模型进行设置，采用训练样本对该多分类模型进行训练，并采用验证样本集对该多分类模型进行验证，将验证样本集的分类精度作为个体适应度，显然，分类精度越大，个体越优。
S204：判断是否满足终止迭代条件，如果满足，则进入步骤S205，否则进入步骤S206。对于旋转机械的故障识别，终止迭代条件可以有两种，一是是否达到最大进化代数；二是分类精度在一定时间内是否无明显变化，在实际应用中根据需要选择即可。
S205：得到参数优化结果：
从当前种群中选择最优个体，将其对应的核函数和惩罚因子作为参数优化结果。
S206：选择操作：
对种群中的个体进行选择。选择操作采用锦标赛选择机制完成，确保个体适应度值较大的个体保留下来进行下一步遗传操作，从而加速整个种群的进化。
S207：交叉操作：
传统遗传算法是将种群中的个体随机配对，并以个体的交叉概率交换部分染色体。然而，这种方法使得遗传算法的进化方向未知且无法控制。云模型是一种不确定性模型，它可以基于传统的概率统计理论和模糊理论，在定性概念和定量值之间进行转换。它利用云期望、熵和超熵三个数值特征来表示定性概念的数值特征及其概念的不确定性。Y条件云发生器是在给定以上三个数值特性和给定确定度条件下的云发生器。为了减少不必要的搜索，加快进化速度，交叉操作采用Y条件云模型代替交叉概率。
本发明中交叉操作的具体方法为：首先通过线性函数计算得到步骤S206中选择的每个父代个体的确定度μ；接着计算云模型的数字特征，包括云期望Ex、熵En和超熵He；再根据计算得到的确定度和云模型的三个数字特征执行Y条件云发生器得到一对后代，计算所得到的后代和步骤S206中选择的每个父代个体的个体适应度，选择较优的Q个个体。
确定度μ的计算公式如下：
Figure BDA0002033821700000071
其中，Fmax和Fmin分别代表当代种群的全局“最大”和“最小”适应度值，F′是交叉两父个体适应度的较大者，μmax和μmin是人为指定的确定度的最大值和最小值。
云期望Ex、熵En和超熵He的计算公式如下：
Figure BDA0002033821700000072
Figure BDA0002033821700000073
Figure BDA0002033821700000074
其中，Ex表示云期望，Ff和Fm分别表示父代两个体的适应度、Xf和Xm分别表示进行交叉操作的两个父代个体，En表示熵，xfmax表示当前种群最高适应度对应的个体、xfmin表示当前种群最低适应度对应的个体，He表示超熵，c1和c2是人为指定的常数参数。
从云期望Ex的表达式可以看出，选择父代两个体的线性函数来表达期望Ex，这有利于下一代更接近个体适合度值更高的一方。熵En与搜索区域成正比，熵越大，云的覆盖范围就越大，从而个体在交叉操作中的搜索范围就越大。Y条件云发生器中，正态云是一种泛正态分布，根据正态分布的“3σ”的原理，结合进化算法的精度和速度，通常选择6≤c1≤3p(p为种群大小)。同时，随着超熵He的增大，稳定趋势会在一定程度上减小，但如果超熵He减小，则会失去随机性。综上所述，应该根据实际情况合理对参数进行取值。
S208：变异操作：
对步骤S207得到的Q个个体进行变异操作，返回步骤S203。
S105：故障识别：
当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号
Figure BDA0002033821700000081
从中提取出步骤S1中约简得到的K个特征
Figure BDA0002033821700000082
组成组合特征向量
Figure BDA0002033821700000083
将其输入至步骤S104训练好的多分类模型中，得到故障识别结果。
实施例
为了更好地说明本发明的技术方案和技术效果，采用一个具体实例对本发明的工作流程和技术效果进行分析说明。轴承故障是旋转机械中的一种典型故障，因此本实施例分别采用美国凯斯西储大学的轴承故障开放数据和自主搭建故障模拟平台采集的轴承故障数据进行实验测试。
对于美国凯斯西储大学轴承故障数据，选取6种故障类型分别为(1)滚动体轻微损伤(B1)；(2)滚动体严重损伤(B2)；(3)内圈轻微损伤(I1)；(4)内圈严重损伤(I2)；(5)外圈轻微损伤(O1)；(6)外圈严重损伤(O2)，对于每种故障类型分别选取来自驱动端加速度传感器，风扇端加速度传感器以及基座端加速度传感器采集得到的加速度振动信号。通过随机选取的方式，对每种故障类型选取共100组样本，每组数据包含1024个样本点。表1是本实施例中美国凯斯西储大学轴承故障数据的故障类型和样本设置表。
Figure BDA0002033821700000091
表1
对于自主搭建故障模拟平台分别设置5种故障类型：(1)内圈轻微损伤(I1)；(2)内圈中度损伤(I2)；(3)内圈严重损伤(I3)；(4)外圈中度损伤(O2)；(5)外圈轻微损伤(O1)。本实施例中共设5个传感器分别从多方面采集故障信息：位于轴承座的垂直方向和水平方向的两个加速度传感器HD-YD-221采集得到加速度振动信号(A0、A1)和用于测量轴的垂直和水平方向的三个位移传感器型号为WT0180采集电压信息(V0-V2)。通过随机选取的方式，对每种故障类型选取各200组，每组包含1024个样本点。表2是本实施例中自主搭建故障模拟平台轴承故障数据的故障类型和样本设置表。
Figure BDA0002033821700000092
表2
本实施例中对于每段工作信号进行时频分析处理。本实施例中工作信号的时域特征分别为：均方根值、方根幅值、绝对均方幅值、峭度因子、波形因子、峰度、偏斜度、脉冲因子、峰值、裕度系数，频域特征分别为：均方频率，重心频率，频率方差，然后采用小波包分析方法对工作信号进行时频特性分析，计算得到E1～E8共8个时频域参数，作为时频域特征，其中E1～E8是小波分析后对信号的能量进行重构以及归一化以后的一种时频域特征参数。从而对每个工作信号可以得到11个时域特征、3个频域特征以及8个时频域特征，共计得到22个特征。以上特征是时频分析中经常使用到的特征，其具体计算公式在此不再赘述。
由于本发明针对的是具有多传感器，即多源工作信号的旋转机械，需要对每个传感器的工作信号分别提取特征，因此共计有S×22个特征。对于美国凯斯西储大学的数据，有3个传感器，一共得到3*22＝66个特征，然后对其进行特征约简，本实施例中采用粗糙集理论进行特征约简。表3是美国凯斯西储大学数据经过粗糙集理论特征约简后的特征统计表。
时频特征 时频特征 时频特征
1 驱动端_最大值 11 驱动端_E4 21 风扇端_E6
2 驱动端_均方根值 12 驱动端_E5 22 基座端_均方根值
3 驱动端_方根幅值 13 驱动端_E6 23 基座端_方根幅值
4 驱动端_波形因子 14 风扇端_均方根值 24 基座端_峰度
5 驱动端_脉冲因子 15 风扇端_峰度 25 基座端_偏斜度
6 驱动端_峰值 16 风扇端_脉冲因子 26 基座端_重心频率
7 驱动端_重心频率 17 风扇端_裕度因子 27 基座端_E1
8 驱动端_频率方差 18 风扇端_偏斜度 28 基座端_E2
9 驱动端_E2 19 风扇端_E1 29 基座端_E3
10 驱动端_E3 20 风扇端_E3 30 基座端_E4
31 基座端_E7 32 基座端_E8
表3
对于自主搭建故障平台的数据，有5个传感器，一共得到5*22＝110个时频特征。表4是自主搭建故障平台数据经过粗糙集理论特征约简后的特征统计表。
Figure BDA0002033821700000101
Figure BDA0002033821700000111
表4
将得到的两部分轴承故障数据的时频特征分为训练样本集和验证样本集，其中训练样本集用于多分类模型的训练，验证样本集用于对多分类模型进行测试，以统计分类精率。对于美国凯斯西储大学数据，基于支持向量机网络的多分类模型的输入层节点数为32，输出层节点数为6。对于自主搭建的实验平台数据，由于获取了5种故障状态，筛选出与滚动轴承故障状态相关的69个特征参数，为滚动轴承故障状态的故障识别提供参考，所以基于支持向量机网络的多分类模型的输入层节点数为69，输出层节点数为5。
为了更好地说明本发明的技术效果，采用传统的遗传算法(GA)作为对比方法，和本发明的基于云模型的遗传算法优化的基于支持向量机网络的多分类模型一起进行多次实验，统计故障识别准确率以及故障识别运行时长。表5是本实施例中本发明与对比方法分别对于美国凯斯西储大学数据和对于自主实验平台数据的故障识别结果统计表。
Figure BDA0002033821700000112
表5
图3是本实施例中本发明与对比方法对于美国凯斯西储大学数据的故障识别准确率统计图。图4是本实施例中本发明与对比方法对于美国凯斯西储大学数据的故障识别耗时对比图。图5是本实施例中本发明与对比方法对于自主实验平台数据的故障识别准确率统计图。图6是本实施例中本发明与对比方法对于自主实验平台数据的故障识别耗时对比图。
从表6、图3至图6中可以看出，对于两种故障数据，本发明表现出更高的准确率，同时在多次实验中准确率具有一定的稳定性。与美国凯斯西储大学数据相比，自主实验平台的样本数更大，在大数据大样本的条件下，本发明采用基于云模型的遗传算法优化基于支持向量机网络的多分类模型具有更快速的故障识别性能并具有一定的泛化能力，由此可以表明，本发明提出的多分类模型能够在更短的时间内取得较高的故障识别率，在旋转机械故障识别领域切实有效。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种基于改进支持向量机的旋转机械故障识别方法，其特征在于，包括以下步骤：
S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；
对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中
Figure FDA0003647393850000011
记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds；将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R；
S2：对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量X′s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本；重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集；
然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集；
S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；
S4：采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化，在优化过程中，采用步骤S3得到的训练样本集对各个个体对应的基于支持向量机网络的多分类模型进行训练，采用步骤S2得到的验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度；
S5：当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号
Figure FDA0003647393850000021
从中提取出K个特征，组成组合特征向量
Figure FDA0003647393850000022
将其输入至步骤S4训练好的多分类模型中，得到故障识别结果。
2.根据权利要求1所述的旋转机械故障识别方法，其特征在于，所述步骤S4中采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化的具体步骤包括：
S4.1：对基于支持向量机网络的多分类模型的核函数和惩罚因子进行实数编码；
S4.2：将核函数和惩罚因子的实数编码作为基于云模型的遗传算法种群中的个体，初始化种群，种群大小记为Q；
S4.3：对于种群中的每个个体，采用其对应的核函数和惩罚因子对基于支持向量机网络的多分类模型进行设置，采用训练样本对该多分类模型进行训练，并采用验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度；
S4.4：判断是否满足终止迭代条件，如果满足，则进入步骤S4.5，否则进入步骤S4.6；
S4.5：从当前种群中选择最优个体，将其对应的核函数和惩罚因子作为参数优化结果；
S4.6：对种群中的个体进行选择；
S4.7：采用以下方法进行交叉操作：通过线性函数计算得到步骤S4.6中选择的每个父代个体的确定度μ；接着计算云模型的数字特征，包括云期望Ex、熵En和超熵He；再根据计算得到的确定度和云模型的三个数字特征执行Y条件云发生器得到一对后代，计算所得到的后代和步骤S4.6中选择的每个父代个体的个体适应度，选择较优的Q个个体；
S4.8：对步骤S4.7得到的Q个个体进行变异操作，返回步骤S4.3。
CN201910318232.4A 2019-04-19 2019-04-19 基于改进支持向量机的旋转机械故障识别方法 Active CN110032981B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318232.4A CN110032981B (zh) 2019-04-19 2019-04-19 基于改进支持向量机的旋转机械故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318232.4A CN110032981B (zh) 2019-04-19 2019-04-19 基于改进支持向量机的旋转机械故障识别方法

Publications (2)

Publication Number Publication Date
CN110032981A CN110032981A (zh) 2019-07-19
CN110032981B true CN110032981B (zh) 2022-07-26

Family

ID=67239274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318232.4A Active CN110032981B (zh) 2019-04-19 2019-04-19 基于改进支持向量机的旋转机械故障识别方法

Country Status (1)

Country Link
CN (1) CN110032981B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205569A (zh) * 2015-10-15 2015-12-30 华侨大学 风机齿轮箱状态在线评估模型建立方法及在线评估方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN107553219A (zh) * 2017-10-23 2018-01-09 沈阳百祥机械加工有限公司 一种基于多种类传感器复合信号的刀具磨损监控方法
CN108871762A (zh) * 2018-06-29 2018-11-23 广东工业大学 一种风电机组齿轮箱故障诊断方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205569A (zh) * 2015-10-15 2015-12-30 华侨大学 风机齿轮箱状态在线评估模型建立方法及在线评估方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN107553219A (zh) * 2017-10-23 2018-01-09 沈阳百祥机械加工有限公司 一种基于多种类传感器复合信号的刀具磨损监控方法
CN108871762A (zh) * 2018-06-29 2018-11-23 广东工业大学 一种风电机组齿轮箱故障诊断方法
CN109583520A (zh) * 2018-12-27 2019-04-05 云南电网有限责任公司玉溪供电局 一种云模型与遗传算法优化支持向量机的状态评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究";冯春生;《中国优秀硕士学位论文全文数据库工程科技I辑》;20160215;正文第27-55页 *
"基于改进云遗传算法的多跳自组网故障诊断";赵卓 等;《科技通报》;20140430;正文第1-3页 *

Also Published As

Publication number Publication date
CN110032981A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN110082136B (zh) 基于云遗传算法优化支持向量机的旋转机械故障诊断方法
CN106682688B (zh) 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
CN107622182B (zh) 蛋白质局部结构特征的预测方法及系统
CN113935406B (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
Chen et al. Machine fault classification using deep belief network
CN113505655B (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN112307906B (zh) 一种近邻传播聚类下储能电池故障分类特征筛选降维方法
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN113673346A (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN115115090A (zh) 一种基于改进lstm-cnn的风功率短期预测方法
CN112132102A (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN114139639B (zh) 一种基于自步邻域保持嵌入的故障分类方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN114925809B (zh) 基于lstm的印刷机轴承故障诊断方法及装置
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
CN111382792B (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
CN110032981B (zh) 基于改进支持向量机的旋转机械故障识别方法
CN113837096B (zh) 一种基于ga随机森林的滚动轴承故障诊断方法
CN110348489B (zh) 一种基于自编码网络的变压器局部放电模式识别方法
CN116467652A (zh) 一种基于卷积降噪自编码器的轴承故障预测方法及系统
Sahni et al. Aided selection of sampling methods for imbalanced data classification
CN111766513A (zh) 一种基于胶囊网络的三相感应电机变工况多故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant