CN111189638B - 基于hmm和qpso优化算法的轴承故障程度辨识方法 - Google Patents
基于hmm和qpso优化算法的轴承故障程度辨识方法 Download PDFInfo
- Publication number
- CN111189638B CN111189638B CN201911342148.2A CN201911342148A CN111189638B CN 111189638 B CN111189638 B CN 111189638B CN 201911342148 A CN201911342148 A CN 201911342148A CN 111189638 B CN111189638 B CN 111189638B
- Authority
- CN
- China
- Prior art keywords
- formula
- follows
- hidden markov
- iteration
- algorithm
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于HMM和QPSO优化算法的轴承故障程度辨识方法,涉及滚动轴承故障诊断方法,本发明通过对原始时态的信号作为输入,采用变分模态分解(VMD)的方法对信号进行分解,然后对每一个本征模态分量(IMF)分量中进行奇异值分解,得到奇异值矩阵,利用K‑means聚类方法,将奇异值矩阵分类并编码,最后利用量子粒子群算法(QPSO)进行对隐马尔科夫模型(HMM)的参数优化,得到训练好的HMM,再用同样的方式处理测试信号,然后用训练好的HMM对测试信号进行精确的故障程度辨识。本发明用参数作为隐马尔科夫模型的学习参数,从而对轴承故障程度进行分类,用以故障程度评估,具有重要的工程意义。
Description
技术领域
本发明涉及一种滚动轴承故障辨识方法,特别是涉及一种基于HMM和QPSO优化算法的轴承故障程度辨识方法。
背景技术
滚动轴承是旋转机械中的关键部件,其故障可能导致高成本停机,甚至造成整个机械的灾难性故障。为了保证机械的运行安全,降低维修成本,以故障程度评估技术为核心的状态维修越来越受到人们的重视。所以说对滚动轴承进行故障程度评估具有重要的工程意义。
目前常用的轴承故障程度辨识方法是对信号的时域或频域进行特征提取,然后通过分类器进行诊断,用隐马尔科夫模型进行故障程度辨识成为了一种很好地方法。但是这种方法具有局限性,通过隐马尔科夫模型的时间序列分类能力的确可以很好的将故障进行分类,但是用于隐马尔可夫模型训练的Baum-Welch算法需要大量的数据对其进行训练,而且可能会进入局部最优,无法得到最优化的隐马尔科夫模型参数,从而可能使分类的结果不准确。因此,本发明提供一种新的隐马尔科夫模型参数的优化方法,用量子粒子群算法(QPSO)面向全局搜寻隐马尔科夫模型的最优参数解,克服Baum-Welch算法的局部最优问题。
发明内容
本发明的目的在于提供一种基于HMM和QPSO优化算法的轴承故障程度辨识方法,通过变分模态分解(VMD)对轴承振动信号进行分解,然后使用奇异值分解(SVD)进行特征提取,并用K-means进行聚类,最后用量子粒子群算法(QPSO)面向全局搜寻隐马尔科夫模型的最优参数。用此参数作为隐马尔科夫模型的学习参数,从而对轴承故障程度进行分类。
本发明的目的是通过以下技术方案实现的:
基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述方法包括如下步骤:(1)、采集滚动轴承振动信号使用振动数据采集仪以采样频率为12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为;(2)、数据的分帧操作,建立训练集取前120k个采样点,平均分成12组数据,每组数据10k个采样点,再把每组数据平均分成5帧,每帧2k个采样点;(3)、振动信号的分频处理利用变分模态分解VMD的可变尺度分解对训练集中的信号进行处理,变分模态分解的过程是将一个复杂的滚动轴承时域振动信号分解为K个IMF分量,K为任意正整数;
(4)、对本征模态分量进行奇异值分解(SVD);利用奇异值分解(SVD),提取由变分模态分解(VMD)分解后的最优IMF的奇异值矩阵;
(5)、对奇异值向量进行聚类;
(7)、诊断轴承;
(8)、诊断结束。
所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述变分模态分解的基本过程如下:
(3.1)、希尔伯特变换,对每一个IMF分量进行希尔伯特变换,得到单边频谱如下:
(3.3)、带宽估计,计算公式(2)所得到的解调信号的梯度二范数平方:
(3.4)、建立最优化模型,通过以上计算,可以得到的变分约束模型如下:
所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述奇异值分解公式如下:
所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述对奇异值向量进行聚类,使用K-means聚类算法,将每组数据进行分类,其算法流程如下:(1)从数据集中随机选取k个样本作为初始的k个质心向量:;
(d)如果所有的k个质心向量都没有发生变化则转到步骤(c)
(3)输出簇划分;由此得到了一组整数,作为隐马尔可夫模型的观测数据,用于后期的故障辨识。
所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述利用量子粒子群算法求隐马尔科夫模型的最优化参数步骤如下:(6.1)、初始化,种群数量10,最大迭代次数30,算法运行10轮;(6.2)、随机生成隐马尔科夫模型,一共生成10个隐马尔科夫模型,其中每个隐马尔科夫模型包含三个参数;
(6.3)、将每个随机生成的隐马尔科夫模型分别导入公式(13),得到每个隐马尔科夫模型在公式(13)中的值,找到全局最好位置,并记录全局最好位置的适应值;利用粒子移动公式进行粒子的更新,公式如下:
式中—第i个粒子在第t次迭代的最好位置矢量;—第t次迭代时的全局最好位置矢量—第t次迭代时全体粒子当前最好位置的中心位置;与之间的随机位置;和为[0,1]上均匀分布的随机数;是收缩—扩张系数,它是算法中群体规模和迭代次数以外的唯一一个可控参数,对于不同取值的,会对粒子的收敛性产生影响;通常采取线性减少的方式从m减少到n,其公式如下。
(6.4)、当每次迭代得到的适应值保持一致时,迭代结束,当前适应值最大的粒子为隐马尔科夫模型训练的最优化参数。
所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,所述诊断轴承,包括(7.1)、用上述步骤(2)至(5)对测试信号进行处理,得到测试信号的观测数列;
(7.2)、用前向算法输出的最大似然估计确定每组测试信号所对应的故障程度;其算法流程如下。
(7.3)、根据每组测试信号在各个隐马尔可夫模型中得到的最大似然值,其最大似然值越大,代表其和当前隐马尔可夫模型对应的故障程度越相近。
本发明的优点与效果是
本发明用参数作为隐马尔科夫模型的学习参数,从而对轴承故障程度进行分类,用以故障程度评估,具有重要的工程意义。
附图说明
图1为本发明提出的故障诊断模型流程图;
图2为本发明重度故障信号变分模态分解分解后的IMF示意图;
图3为本发明奇异值分解之后部分奇异值表;
图4为本发明不同种类的轴承故障信号图;
图5为本发明轴承数据采集设备图;
图6 为本发明 QPSO算法迭代图;
图7为本发明正常隐马尔科夫模型下,不同损坏程度的轴承最大似然;
图8为本发明轻度故障隐马尔科夫模型下,不同损坏程度的轴承最大似然;
图9为本发明中度故障隐马尔科夫模型下,不同损坏程度的轴承最大似然;
图10为本发明重度故障隐马尔科夫模型下,不同损坏程度的轴承最大似然。
具体实施方式
下面结合附图所示实施例对本发明进行详细说明。
总体的,如图1所示,本发明实施例公开了一种基于HMM和QPSO优化算法的轴承故障程度辨识方法,包括如下步骤:
1)、采集滚动轴承振动信号使用振动数据采集仪以采样频率为12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为。
(2)、数据的分帧操作,建立训练集
取前120k个采样点,平均分成12组数据,每组数据10k个采样点,再把每组数据平均分成5帧,每帧2k个采样点。
(3)、振动信号的分频处理
利用变分模态分解VMD的可变尺度分解对训练集中的信号进行处理,变分模态分解的过程是将一个复杂的滚动轴承时域振动信号分解为K个IMF分量,K为任意正整数,变分模态分解的基本过程如下:
(3.1)、希尔伯特变换,对每一个IMF分量进行希尔伯特变换,得到单边频谱如下:
(3.3)、带宽估计,计算公式(2)所得到的解调信号的梯度二范数平方:
(3.4)、建立最优化模型,通过以上计算,可以得到的变分约束模型如下:
(4)、对本征模态分量进行奇异值分解(SVD)
利用奇异值分解(SVD),提取由变分模态分解(VMD)分解后的最优IMF的奇异值矩阵如图3所示。奇异值分解公式如下:
(5)、对奇异值向量进行聚类
(5.2.4)、如果所有的k个质心向量都没有发生变化则转到步骤(5.2.3)
(5.3)输出簇划分;由此得到了一组整数,作为隐马尔可夫模型的观测数据,用于后期的故障辨识。
利用量子粒子群算法求隐马尔科夫模型的最优化参数步骤如下:(6.1)、初始化,种群数量10,最大迭代次数30,算法运行10轮; (6.2)、随机生成隐马尔科夫模型,一共生成10个隐马尔科夫模型,其中每个隐马尔科夫模型包含三个参数。
(6.3)、将每个随机生成的隐马尔科夫模型分别导入公式(13),得到每个隐马尔科夫模型在公式(13)中的值,找到全局最好位置,并记录全局最好位置的适应值。利用粒子移动公式进行粒子的更新,公式如下:
式中—第i个粒子在第t次迭代的最好位置矢量;—第t次迭代时的全局最好位置矢量—第t次迭代时全体粒子当前最好位置的中心位置;与之间的随机位置;和为[0,1]上均匀分布的随机数;是收缩—扩张系数,它是算法中群体规模和迭代次数以外的唯一一个可控参数,对于不同取值的,会对粒子的收敛性产生影响;通常采取线性减少的方式从m减少到n,其公式如下。
(6.4)、当每次迭代得到的适应值保持一致时,如图6所示,迭代结束,当前适应值最大的粒子为隐马尔科夫模型训练的最优化参数。
(7)、诊断轴承
7.1)、用上述步骤(2)至(5)对测试信号进行处理,得到测试信号的观测数列。
(7.2)、用前向算法输出的最大似然估计确定每组测试信号所对应的故障程度。其算法流程如下。
(7.3)、根据每组测试信号在各个隐马尔可夫模型中得到的最大似然值,其最大似然值越大,代表其和当前隐马尔可夫模型对应的故障程度越相近,如图7、8、9、10所示。
(8)、诊断结束。
在实施例中,依托试验室中的轴承振动试验台,试验台如图5 所示。
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 (4)
1.基于HMM和QPSO优化算法的轴承故障程度辨识方法,其特征在于,所述方法包括如下步骤:
(1)、采集滚动轴承振动信号
使用振动数据采集仪以采样频率为12000Hz采集待检测滚动轴承在运行状态下的振动信号,记为X[m],m=1 ,2 ,…,M,M为总采样点数,并标记轴承状态,总状态数为y,将所有的所得的数据集合为,标签数据集为;
(2)、数据的分帧操作,建立训练集
取前120k个采样点,平均分成12组数据,每组数据10k个采样点,再把每组数据平均分成5帧,每帧2k个采样点;
(3)、振动信号的分频处理
利用变分模态分解VMD的可变尺度分解对训练集中的信号进行处理,变分模态分解的过程是将一个复杂的滚动轴承时域振动信号分解为K个IMF分量,K为任意正整数;
(4)、对本征模态分量进行奇异值分解(SVD);利用奇异值分解(SVD),提取由变分模态分解(VMD)分解后的最优IMF的奇异值矩阵;
(5)、对奇异值向量进行聚类;
(7)、诊断轴承;
(8)、诊断结束;
所述利用量子粒子群算法求隐马尔科夫模型的最优化参数步骤如下:
(6.1)、初始化,种群数量10,最大迭代次数30,算法运行10轮;
(6.3)、将每个随机生成的隐马尔科夫模型分别导入公式(13),得到每个隐马尔科夫模型在公式(13)中的值,找到全局最好位置,并记录全局最好位置的适应值;利用粒子移动公式进行粒子的更新,公式如下:
式中—第i个粒子在第t次迭代的最好位置矢量;—第t次迭代时的全局最好位置矢量—第t次迭代时全体粒子当前最好位置的中心位置;与之间的随机位置;和为[0,1]上均匀分布的随机数;是收缩—扩张系数,它是算法中群体规模和迭代次数以外的唯一一个可控参数,对于不同取值的,会对粒子的收敛性产生影响;通常采取线性减少的方式从m减少到n,其公式如下:
(6.4)、当每次迭代得到的适应值保持一致时,迭代结束,当前适应值最大的粒子为隐马尔科夫模型训练的最优化参数;
所述诊断轴承,包括(7.1)、用上述步骤(2)至(5)对测试信号进行处理,得到测试信号的观测数列;
(7.2)、用前向算法输出的最大似然估计确定每组测试信号所对应的故障程度;其算法流程如下:
(7.3)、根据每组测试信号在各个隐马尔可夫模型中得到的最大似然值,其最大似然值越大,代表其和当前隐马尔可夫模型对应的故障程度越相近。
2.根据权利要求1所述的基于HMM和QPSO优化算法的轴承故障程度辨识方法,其特征在于,所述变分模态分解的基本过程如下:
(3.1)、希尔伯特变换,对每一个IMF分量进行希尔伯特变换,得到单边频谱如下:
(3.3)、带宽估计,计算公式(2)所得到的解调信号的梯度二范数平方:
(3.4)、建立最优化模型,通过以上计算,可以得到的变分约束模型如下:
(3.6)、变分模态分解(VMD)对滚动轴承轴承振动信号分解过程如下:设置n=n+1,k=k+1,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342148.2A CN111189638B (zh) | 2019-12-24 | 2019-12-24 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342148.2A CN111189638B (zh) | 2019-12-24 | 2019-12-24 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111189638A CN111189638A (zh) | 2020-05-22 |
CN111189638B true CN111189638B (zh) | 2021-08-06 |
Family
ID=70707434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342148.2A Active CN111189638B (zh) | 2019-12-24 | 2019-12-24 | 基于hmm和qpso优化算法的轴承故障程度辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111189638B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753927A (zh) * | 2020-07-22 | 2020-10-09 | 华东交通大学 | 一种机车牵引座裂纹故障状态识别方法 |
CN112014047B (zh) * | 2020-08-27 | 2022-05-03 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN113340625B (zh) * | 2021-04-21 | 2023-01-06 | 北京交通大学 | 转向架故障诊断方法 |
CN114252261B (zh) * | 2021-12-21 | 2024-03-08 | 沈阳顺义科技股份有限公司 | 一种综合传动装置转向系统故障诊断方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
CN105258839A (zh) * | 2015-10-30 | 2016-01-20 | 南京信息工程大学 | 基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法 |
CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
CN108898602A (zh) * | 2018-06-27 | 2018-11-27 | 南京邮电大学 | 一种基于改进qpso的fcm医学图像分割方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054179A (zh) * | 2010-12-14 | 2011-05-11 | 广州大学 | 一种旋转机械在线状态监测与故障诊断装置及方法 |
KR101877141B1 (ko) * | 2016-12-08 | 2018-07-10 | 한국항공우주연구원 | 안테나 패턴 합성 장치 및 방법 |
CN107378641B (zh) * | 2017-08-23 | 2019-02-01 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN108171263B (zh) * | 2017-12-26 | 2019-08-30 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
-
2019
- 2019-12-24 CN CN201911342148.2A patent/CN111189638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
CN105258839A (zh) * | 2015-10-30 | 2016-01-20 | 南京信息工程大学 | 基于量子粒子群小波神经网络的阵列式气压测量补偿装置及其方法 |
CN108320516A (zh) * | 2018-04-08 | 2018-07-24 | 华中师范大学 | 基于尖点突变和量子粒子群优化的道路通行能力评价方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
CN108898602A (zh) * | 2018-06-27 | 2018-11-27 | 南京邮电大学 | 一种基于改进qpso的fcm医学图像分割方法 |
CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
Non-Patent Citations (3)
Title |
---|
Multiple sequence alignment using the Hidden Markov Model trained by an improved quantum-behaved particle swarm optimization;Jun Sun;《Information sciences》;20121231;全文 * |
一种基于QPSO_RVM的模拟电路故障预测方法;张朝龙;《仪器仪表学报》;20140831;全文 * |
基于量子粒子群优化算法的机器人运动学标定方法;房立金;《机械工程学报》;20160430;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111189638A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
US20200271720A1 (en) | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN106384092A (zh) | 面向监控场景的在线低秩异常视频事件检测方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
CN114282571B (zh) | 一种轴承多维健康指标构建方法、系统、设备以及介质 | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
CN111665050A (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
CN110929761A (zh) | 智能系统安全体系态势感知构架中采集样本的平衡方法 | |
Deng et al. | Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
Guo et al. | An equipment multiple failure causes intelligent identification method based on integrated strategy for subway sliding plug door system under variable working condition | |
CN112464712B (zh) | 一种基于盲抽取算法的旋转机械故障诊断方法 | |
CN104408072B (zh) | 一种基于复杂网络理论的适用于分类的时间序列特征提取方法 | |
Li et al. | Fault diagnosis of ZD6 turnout system based on wavelet transform and GAPSO-FCM |
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 |