CN112345252A

CN112345252A - 一种基于eemd和改进gsa-som神经网络的滚动轴承故障诊断方法

Info

Publication number: CN112345252A
Application number: CN202011315904.5A
Authority: CN
Inventors: 胡海平; 张永会; 鲍峰; 李杨; 杨朝武; 于芳; 邱宇; 姬联涛; 李官军; 李浩源
Original assignee: Jilin Baishan Power Plant Of Songhuajiang Hydroelectric Power Co ltd; State Grid Xinyuan Water And Electricity Co ltd; State Grid Corp of China SGCC; China Electric Power Research Institute Co Ltd CEPRI
Current assignee: Jilin Baishan Power Plant Of Songhuajiang Hydroelectric Power Co ltd; State Grid Xinyuan Water And Electricity Co ltd; State Grid Corp of China SGCC; China Electric Power Research Institute Co Ltd CEPRI
Priority date: 2020-11-22
Filing date: 2020-11-22
Publication date: 2021-02-09

Abstract

本发明公开了一种基于EEMD和改进GSA‑SOM神经网络的滚动轴承故障诊断方法，该方法首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的本征模函数（IMF）；随后进行能量特征提取，得到反映振动信号的特征向量；进一步，采用改进GSA算法对SOM神经网络权重进行优化，最后将得到的特征向量输入到改进GSA‑SOM神经网络中进行故障自动识别。与现有技术相比，该方法结合了集合经验模态分解和人工智能算法的优点，可以准确地提取滚动轴承故障特征，具有较高的识别精度，提高了滚动轴承故障类型识别的准确率，能有效地应用于滚动轴承的故障诊断中。

Description

一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法

技术领域

本发明属于能源动力与机械领域，尤其涉及一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法。

背景技术

在现有技术中，滚动轴承作为水电机组转动体和固定体的分界，是水电机组重要的承力和接触部件，也是最常用和工作条件最恶劣的部件，其状态是否良好直接影响到整个机械设备的性能，因此滚动轴承运行状态变化对水电机组安全稳定运行至关重要。滚动轴承的故障类型主要分为外圈故障、内圈故障和滚动体故障。当水电机组滚动轴承发生故障时，滚动轴承的输出信号为非线性非平稳的振动信号，振动信号中包含了丰富的时域和频域信息，因此，采用时域与频域相结合的故障特征提取方法才能更好地提取出滚动轴承的故障信息。

经验模态分解法（Empirical Mode Decomposition，EMD）是一种时频信号处理方法，非常适合处理非线性、非平稳信号，但其端点效应和模态混叠现象影响分析结果的正确性和精确度；自组织特征映射网络（Self-Organizing Feature Map ,SOM）是一种无监督、自组织、自学习的神经网络，处理复杂非线性问题的能力十分强大，但存在初始权值向量不合适导致“死神经元”存在的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法。该方法基于集合经验模态分解法（EnsembleEmpirical Mode Decomposition，EEMD）算法，并利用改进后的引力搜索算法（Gravitational Search Algorithm，GSA）优化SOM神经网络，能有效提高滚动轴承故障类型识别的准确率，可以准确地提取滚动轴承故障特征，具有较高的识别精度，能有效地应用于滚动轴承的故障诊断中。

本发明的技术解决方案是：一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，包括如下步骤：

步骤（1）：采集滚动轴承状态的原始振动信号。

所述的滚动轴承状态包括正常状态、内圈故障、外圈故障和滚动体故障四种状态。

采集滚动轴承状态的原始振动信号数据作为训练样本输入步骤（3）得到的改进GSA-SOM神经网络中。

步骤（2）：对原始振动信号进行EEMD分解，提取特征向量。

所述的步骤2包括以下步骤：

步骤2.1：在原始振动信号中多次加入足够多组不同的白噪声后再进行EMD分解，得到一组IMF分量。

步骤2.2：利用白噪声均值为零的特性对全部EMD分解后得到的各组IMF分量求平均作为EEMD分解的IMF分量。

步骤2.3：求解各个IMF分量每层的能量并对前n层能量累加，当前n层能量占全部能量的90%以上时，提取前n层范围内的能量作为基本元素构造特征向量。

步骤 1：EEMD分解；

步骤 1.1：在原始信号x(t)中加入一组均值为零、方差相等的随机白噪声n _i (t)。

步骤 1.2：确定加噪后的信号x _i (t)的所有极大、极小值点，将所有的极大、极小值点用三次样条插值拟合出上、下包络线，并将两条包络线求平均，得到平均值序列m _i (t)。

步骤 1.3：加噪后信号x _i (t)减去平均值序列m _i (t)得到待检测信号，根据本征模函数条件判断待检测信号是否为本征模态函数，若不满足，重复步骤（步骤1.2）处理待检测信号，直至满足本征模函数（Intrinsic Mode Function，IMF）条件。

步骤 1.4：加噪后的信号x _i (t)减去本征模函数IMF _i1 (t)得到剩余信号R _i1 (t)。

步骤 1.5：重复上述步骤m次，每次加入白噪声序列幅值不同，将m次分解得到的IMF分量求平均得到最终的IMF分量。

步骤 2：提取特征向量。

步骤2.1：求解各个IMF分量每层的能量并对前n层能量累加，当前n层能量占全部能量的90%及以上时，提取前n层范围内的能量作为基本元素构造特征向量。

步骤2.2：将IMF每层能量特征由大到小排列，按照能量占比取前若干层作为能量特征向量，将包含了原信号中绝大部分信息的特征向量作为输入向量输入到优化后的SOM神经网络中进行训练。

所述的SOM神经网络由输入层和竞争层组成，属于单层网络结构；输入层神经元个数为m，竞争层是由a×b个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接，可以实现从n维输入空间到2维输入平面的降维映射。

步骤（3）：使用改进GSA算法优化SOM神经网络。

所述的步骤3包括以下步骤：

步骤3.1：通过将时变引力搜索策略、边界变异策略以及改进粒子群的速度更新机制引入GSA算法中得到改进的GSA算法，解决了GSA算法存在的早熟、易陷入局部最优解及缺少有效的加速机制的问题。

步骤3.2：采用改进的引力搜索算法对SOM神经网络的初始权值参数进行优化，避免SOM神经网络由于初始权值向量不合适导致“死神经元”存在的问题。

所述的引力搜索算法是一种基于万有引力定律、牛顿第二定律的智能优化算法，其将优化问题的解视为一组在空间运行的粒子，粒子受到万有引力作用，朝着惯性质量大的粒子移动，而质量较大的粒子处在较优位置，通过不断调整粒子的位置，完成对搜索空间内最优解的搜索。

步骤 1：改进引力搜索算法；

在引力搜索算法中，将优化问题的解释为一组在空间运行的粒子，粒子受到万有引力作用，朝着惯性质量大的粒子移动，而质量较大的粒子处在较优位置，通过不断调整粒子的位置，完成对搜索空间内最优解的搜索。

假设系统由N个粒子组成，定义第i个粒子的位置如下：

其中，

是粒子i在第d维空间上的位置。

粒子

的速度、位置以及加速度更新公式如下：

式中：

分别为粒子i在第d维空间上t时刻的速度和加速度； r _i, r _j为 [0,1]之间的一个随机数；

为d维空间上第j个物体作用在第i个物体上的引力(d=1,2, 3…D);M _ii (t)为粒子i的惯性质量，与粒子的适应度有关。

针对GSA算法早熟收敛、易陷入局部最优解以及缺少有限的加速极值等问题，引入改进引力搜索算法。具体如下：

1.引入时变引力搜索策略。为避免算法陷入局部最优，随迭代次数增加，局部搜索能力应不断增强，将式(4)调整为式(5)。

（5）

式中：K _best(t)表示在第t次迭代时，一组质量较大粒子的数量，初始值设置为群体数量N，随着迭代数量的增加，K _best(t)线性减小，即在算法后期只有少数质量较大的个体作用于其他个体。

2.引入边界变异策略。在标准GSA算法的迭代过程中，若粒子更新位置超过设定范围[x _min,x _max]之外，粒子将会强制回到边界处，若粒子过多地聚集到可行域的边界，将不利于算法收敛，为此引入边界变异策略，具体如下：

（6）

经边界变异后，粒子不聚集在边界上，增加了种群的多样性，有利于算法更快的找到最优解。

3.改进粒子群的速度更新机制。GSA算法在更新粒子位置时，未考虑粒子的记忆性，通过引入粒子群算法（PSO）的全局记忆性来改进GSA的速度更新公式，提高群体信息共享。此外，为了平衡种群的勘探和开采功能，引入线性减小的惯性权重，如式(8)。

式中：w _max和w _min分别是最大和最小的惯性权重；T是最大迭代次数； t是当前迭代次数；rand _i是[0,1]之间的随机数；

是经历过的全局最优粒子的位置；c ₁和c ₂是学习因子。

步骤 2：SOM神经网络初始权值的优化；

为避免随机生成初始权值造成“死神经”出现，本方法采用一种新的权值初始化法，即“正态分布覆盖法”。具体方法如下：

步骤 2.1：因数据具有不同的量纲和量级，需将输入样本中的每一个样本依次进行归一化处理得到

，处理方法可遵循下式：

（9）

步骤 2.2：计算

中包含所有分量的平均值，记作

，再计算各个分量与

之间的欧式距离。最大欧氏距离记作D _max。

步骤 2.3：把初始权值的选取限定在一个近似正态分布的范围内，该正态分布以

为中心，以

为边界。

步骤 2.4：假设输入样本各分量之间独立，以式(10)为概率密度，以中心向量为中心点构建多维正态分布，并在

范围内随机选取初始权值。

（10）

该方法既确保了初始权值离散性，又保证了初始权值能够基本反映输入样本的分布情况，从而有效避免“死神经”的出现，因而可减少权值调整的次数。

步骤 3：改进GSA算法优化SOM神经网络权值训练过程。

步骤3.1：参数初始化，根据上文所述“正态分布覆盖法”生成初始权值。假设种群数量为M,则初始阶段有M个粒子。若输入层神经元个数为N,竞争层神经元数量为J，则每个粒子包含N×J个基因，每个基因对应一个权值。

步骤3.2：将特征向量输入SOM神经网络，进行训练。

步骤3.3：计算粒子的适应度，取欧式距离作为适应度函数，欧式距离越大，则抗体的适应度越小，找出粒子的最优解

和最优粒子位置

。

步骤3.4：计算粒子的质量，更新G、best、worst。

步骤3.5：计算粒子所受的合力和加速度。

步骤3.6：根据式(2)和式(3)更新粒子的速度和位置。

步骤3.7：按式(6)判断是否满足边界条件。

步骤3.8：当达到最大迭代次数时，则结束，否则重复执行步骤3.3~ 步骤3.7。

改进引力搜索算法流程如图1所示。

步骤（4）：利用特征向量作为输入，相对应的滚动轴承状态作为输出，训练改进GSA-SOM神经网络，得到神经网络故障诊断模型。

步骤1：SOM神经网络中竞争层神经元的个数应大于故障类型样本4，实际取值m常取8、12、16等，具体取值可根据样本分类正确率大小来确定。

步骤2：将EEMD分解提取到的若干组能量特征向量作为训练样本输入到经优化后的SOM神经网络中。

步骤3：在改进GSA-SOM神经网络的训练过程中，训练次数常取100、200、500、1000等，具体取值可选为当分类正确率为100%且分类稳定时的训练次数。

步骤（5）：获取待诊断的滚动轴承原始振动信号，将其执行步骤（2）后得到的特征向量输入步骤（4）得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。

把待诊断的振动信号经过EEMD分解和归一化处理后的特征向量输入到训练好的改进GSA-SOM神经网络故障诊断模型中，就可以得到故障诊断的结果。

本发明的优点是：该方法首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的本征模函数（IMF）；随后进行能量特征提取，得到反映振动信号的特征向量；进一步，采用改进GSA算法对SOM神经网络权重进行优化，最后将得到的特征向量输入到改进GSA-SOM神经网络中进行故障自动识别。与现有技术相比，该方法结合了集合经验模态分解和人工智能算法的优点，可以准确地提取滚动轴承故障特征，具有较高的识别精度，提高了滚动轴承故障类型识别的准确率，能有效地应用于滚动轴承的故障诊断中，降低了滚动轴承故障所带来的经济损失和人身风险，为水电机组轴承故障诊断奠定基础。

附图说明

图1为本发明改进引力搜索算法流程图。

图2为本发明流程图。

图3为本发明初始权值分布图。

图4为本发明训练分类结果图。

图5为本发明原始信号波形图。

图6为本发明EEMD分解结果图。

图7为本发明故障诊断结果图－优化后的SOM神经网络分类测试结果。

图8为本发明故障诊断结果图－未优化的SOM神经网络分类测试结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

为说明本发明效果，下面以某一转子试验台进行正常情况、内圈故障、外圈故障、滚动体故障四种状态的模拟实验所获取到的振动信号作为本发明的实施对象对本发明方法进行详细说明：

参见图1，是本发明改进引力搜索算法流程图。确定神经网络拓扑结构→“正态分布覆盖法”得到初始权值→将权值赋给SOM神经网络→使用训练样本训练网络→计算粒子适应度→更新最优适应度值→更新M、G、best、worst→计算量子的加速度→更新粒子的速度和位置→满足终止条件→SOM神经网络输出。更新粒子的速度和位置→不满足终止条件→计算粒子适应度。

参见图2，是本发明流程图。待检测信号（EEMD分解）→本征模态函数（IMF）→能量特征提取→特征向量（测试样本）→（样本输入）训练好的神经网络→输出结果。

已知故障信号（EEMD分解）→本征模态函数（IMF）→能量特征提取→特征向量（故障训练样本）→IGSA－SOM神经网络→训练好的神经网络→输出结果。SOM神经网络→（IGSA优化）IGSA－SOM神经网络→训练好的神经网络→输出结果。

参见图1-8，一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，该方法包括如下步骤：

步骤（1）：采集滚动轴承状态的原始振动信号。

采集四种状态下滚动轴承的振动信号，信号采样频率为5120Hz，数据长度为3000。选取其中的52组数据做验证实验，其中16组用来训练未优化和优化后的SOM神经网络，36组用来测试未优化和优化后的SOM神经网络的聚类能力。

步骤（2）：对原始振动信号进行EEMD分解，提取特征向量。

对用于训练的16组原始信号进行EEMD分解，每组信号均得到12层IMF分量，提取其能量特征由大到小排列时，所有样本前8组能量值的大小占总体能量值的占比

均在99%以上，表明前8组能量值包含了原信号中绝大部分信息，故取IMF分量前8层的能量特征向量作为输入向量输入到未优化的SOM神经网络和优化后的SOM神经网络中进行训练，归一化后的训练样本如表1所示。

步骤（3）：使用改进GSA算法优化SOM神经网络。

（1）SOM神经网络初始权值的优化。

为避免随机生成初始权值造成“死神经”出现，本文采用一种新的权值初始化法，即“正态分布覆盖法”。具体方法如下：

1）因数据具有不同的量纲和量级，需将输入样本中的每一个样本依次进行归一化处理得到

，处理方法可遵循（9）式。

2）计算

中包含所有分量的平均值，记作

，再计算各个分量与

之间的欧式距离。最大欧氏距离记作D_max。

3）把初始权值的选取限定在一个近似正态分布的范围内，该正态分布以

为中心，以

为边界。

4）假设输入样本各分量之间独立，以式（10）为概率密度，以中心向量为中心点构建多维正态分布，并在

范围内随机选取初始权值。

该方法既确保了初始权值离散性，又保证了初始权值能够基本反映输入样本的分布情况，从而有效避免“死神经”的出现，因而可减少权值调整的次数，按此方法得到的初始权值分布图如图3所示。

（2）改进GSA算法优化SOM神经网络权值训练过程。

算法的具体步骤如下：

1)参数初始化，根据上文所述“正态分布覆盖法”生成初始权值。假设种群数量为M,则初始阶段有M个粒子。若输入层神经元个数为N,竞争层神经元数量为J，则每个粒子包含N× J个基因，每个基因对应一个权值。

2)将特征向量输入SOM神经网络，进行训练。

3)计算粒子的适应度，取欧式距离作为适应度函数，欧式距离越大，则抗体的适应度越小，找出粒子的最优解

和最优粒子位置

。

4)计算粒子的质量，更新G、best、worst。

5)计算粒子所受的合力和加速度。

6)根据式(2)和式(3)更新粒子的速度和位置。

7)按式(6)判断是否满足边界条件。

8)当达到最大迭代次数时，则结束，否则重复执行3)~7)。

神经网络中竞争层神经元的个数应大于故障类型样本4，当实际取值为8时，样本分类正确率为93.75%，当实际取值为12时，样本分类的正确率为100%，故竞争层神经元个数M取12。将EEMD提取到的16组能量特征向量作为训练样本输入到经优化后的SOM神经网络中，最终训练结果如图4所示，蓝色部分为已激活神经元。

在IGSA-SOM神经网络的训练过程中，当训练次数为200次时，分类正确率为100%且分类稳定，因此训练次数取为200次。

提取内圈故障状态的振动信号，原始信号波形如图5所示，经EEMD分解后取前八层IMF分量的分解结果如图6所示，最终得到的特征向量为：

X ₁=[0.7786,0.5875,0.2185,0.0210,0.0049,0.0028,0.0019]

将特征向量 X ₁输入训练好的改进GSA-SOM神经网络中，当网络得到特征向量X ₁时，竞争层的所有神经元对应的权重向量均与其进行相似性比较，并将最相似的权重向量判为竞争获胜神经元，经比较得出输入向量与第8个神经元相似性最大，判定第8个神经元为获胜神经元，即待测信号所代表的机组状态为IRA，对比已知测试样本故障类型表明确实发生了该类型故障，测试诊断结果如表2所示。

最后将用于测试改进GSA-SOM神经网络聚类性能的36组数据输入到已经完成训练的改进GSA-SOM神经网络和未优化的SOM神经网络当中，通过实验结果可知：改进GSA-SOM神经网络对于滚动轴承故障类型识别的准确率为94.44%，而未经优化的SOM神经网络对于滚动轴承故障类型识别的准确率为83.33%，可以看出，经过改进GSA算法优化的SOM神经网络对滚动轴承故障的分类能力有显著提高。具体识别结果如图7所示，其中Y轴上1代表正常情况，2代表外圈故障，3代表内圈故障，4代表滚动体故障。

本发明可以得到如下结论：

本发明提出一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，通过模拟实验对该方法进行了验证，并与未优化的SOM神经网络的诊断效果进行了对比分析。本发明有如下优点和效果：

（1）EEMD解决了模态混叠和端点飞翼的问题，可精确应用于非线性、非平稳信号的处理；

（2）改进GSA优化算法提高了神经网络的分类能力和收敛速度，使得改进GSA-SOM神经网络优于未优化的SOM神经网络，提高了滚动轴承故障诊断的速度和准确率。障诊断的速度和准确率。

Claims

1.一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，该方法包括如下步骤：

步骤1：采集滚动轴承状态的原始振动信号；

步骤2：通过EEMD方法对原始振动信号进行分解，提取特征向量；

步骤3：使用改进GSA算法优化SOM神经网络；

步骤4：利用特征向量作为输入，相对应的滚动轴承状态作为输出，训练改进GSA-SOM神经网络，得到神经网络故障诊断模型；

步骤5：获取待诊断的滚动轴承原始振动信号，将其执行步骤2后得到的特征向量输入步骤4得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。

2.根据权利要求1所述的一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，所述的滚动轴承状态包括正常状态、内圈故障、外圈故障和滚动体故障四种状态。

3.根据权利要求1所述的一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，所述的步骤2包括以下步骤：

步骤2.1：在原始振动信号中多次加入足够多组不同的白噪声后再进行EMD分解，得到一组IMF分量；

步骤2.2：利用白噪声均值为零的特性对全部EMD分解后得到的各组IMF分量求平均作为EEMD分解的IMF分量；

4.根据权利要求1所述的一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，所述的SOM神经网络由输入层和竞争层组成，属于单层网络结构；输入层神经元个数为m，竞争层是由a×b个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接，可以实现从n维输入空间到2维输入平面的降维映射。

5.根据权利要求1所述的一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，所述的步骤3包括以下步骤：

步骤3.1：通过将时变引力搜索策略、边界变异策略以及改进粒子群的速度更新机制引入GSA算法中得到改进的GSA算法，解决了GSA算法存在的早熟、易陷入局部最优解及缺少有效的加速机制的问题；

6.根据权利要求5所述的一种基于EEMD和改进GSA-SOM神经网络的滚动轴承故障诊断方法，其特征在于，所述的引力搜索算法是一种基于万有引力定律、牛顿第二定律的智能优化算法，其将优化问题的解视为一组在空间运行的粒子，粒子受到万有引力作用，朝着惯性质量大的粒子移动，而质量较大的粒子处在较优位置，通过不断调整粒子的位置，完成对搜索空间内最优解的搜索。