CN112414715A - 基于混合特征与改进灰度共生算法的轴承故障诊断方法 - Google Patents
基于混合特征与改进灰度共生算法的轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112414715A CN112414715A CN202011224446.4A CN202011224446A CN112414715A CN 112414715 A CN112414715 A CN 112414715A CN 202011224446 A CN202011224446 A CN 202011224446A CN 112414715 A CN112414715 A CN 112414715A
- Authority
- CN
- China
- Prior art keywords
- texture
- feature
- formula
- algorithm
- gray
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 18
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于混合特征与改进灰度共生算法的轴承故障诊断方法，包括：通过对轴承振动信号进行时域分析和时频域分析，提取时域特征、信息熵特征和频域特征并组合为混合特征向量，覆盖机械轴承故障信号的时域、信息熵和频域信息；提出趋势转换算法，构建混合特征灰度图像，从图像纹理方面表现混合特征向量元素变化率逐渐增大时，特征向量的变化情况；研究自适应加权算法优化灰度共生算法，通过对混合特征向量分配不同权值，使构成的不同故障种类的灰度图像纹理具有较高的可区分性，提取差异增强纹理特征，最后使用遗传算法优化的支持向量机对差异性增强纹理特征分类，诊断故障。该方法增强了抵抗计算误差能力，间接地提高后续分类效果。
Description
技术领域
本发明属于滚动轴承故障诊断方法技术领域，具体涉及一种基于混合特征与改进灰度共生算法的轴承故障诊断方法。
背景技术
轴承作为现代机械设备中应用最为广泛的关键部件之一，在国家计划、完成“中国制造战略”中占据重要、不可替代的地位。随着农业器械、工业设备、轮机船舶、智能产品以及综采机械等领域的迅速发展，对相关轴承的要求也就越来越高。传统故障诊断技术主要依靠维修人员的技术经验去预测与排除各类轴承故障，经验法可应用于结构简单、技术指标低的设备中，但涉及大型化、智能化和高精度的复杂设备，在诊断及时性与准确性等方面就会呈现较大局限性。若设备因为轴承器件老化、维修人员疏忽作业、设备所处环境不断变化及设备的超负荷运转等不利因素，导致轴承部件发生故障机率增加，从而造成旋转机械出现无法预测的故障，产生不可预估的财产损失和人员伤亡。
发明内容
本发明的目的是提供一种基于混合特征与改进灰度共生算法的轴承故障诊断方法，能够快速、准确地判断轴承故障种类，进一步避免旋转机械发生严重损坏，导致严重的生产事故以及人员伤亡。
本发明所采用的技术方案是，基于混合特征与改进灰度共生算法的轴承故障诊断方法，具体包括以下步骤：
步骤1、进行轴承振动信号的时域分析、频域分析和时频域分析，提取信号的时域特征值、频域特征值、信息熵特征值和时频域特征值，得到由上述特征组成的混合特征向量；
步骤2、趋势转换算法计算一个混合特征向量各元素变化率，删除变化率最小的特征元素，若干次迭代后形成若干个不同维度的中间向量，将其按照规律排列，向量中的元素值映射为灰度值，逐步拓展为灰度图像，通过图像纹理表征向量变化趋势，每一个样本使用趋势转换算法后均形成一个对应的灰度图像；
步骤3、灰度共生算法计算全部灰度图像的纹理特征，得到不同故障种类的纹理特征向量；
步骤4、自适应加权算法对比不同故障类纹理特征向量中相同一种纹理特征种类，计算相同纹理特征种类占对应的纹理特征向量的比例，自动更新权重算子，计算纹理特征差异矩阵，通过两个判断条件，决定此类纹理特征的权重，直至赋予全部特征种类相应的权重，得到差异性增强纹理特征向量；
步骤5、使用遗传算法优化支持向量机的结构参数，将差异性增强纹理特征向量作为输入训练优化并训练完毕的支持向量机，得到故障诊断模型；
步骤6、使用训练完毕的故障诊断模型对故障进行分类与诊断。
本发明的特征还在于，
步骤1具体按照以下步骤实施：
步骤1.1、对原始时域振动信号，按照相应的标准公式计算均方根值、偏度值、均值频率；
步骤1.2、对原始时域振动信号进行变分模态分解，按照标准频率散度公式计算各个模态分量的频率散度，选取频率散度最大的模态分量依据标准公式计算得到其样本熵与排列熵；
步骤1.3、对原始振动信号进行经验模态分解，得到8个本征模态函数分量，并将其组成模态分量矩阵，再进行奇异值分解得到此矩阵的奇异值。
步骤2具体为：
步骤2.1、计算向量中各元素的变化率，此处的向量在第一次算法迭代时为混合特征向量，后续迭代时为中间向量，如式(1)：
式中Δi为第i个元素的变化率，算法开始时i最大值可以取到13，但会随着中间向量的减少而逐渐减少至2，i取1时，Δ1无意义；xi为混合特征向量中第i个元素；
步骤2.2、将所有变化率中最小变化率对应的元素xmin删除，得到第j个中间向量vj，其维度为(14-j)×1，计算方法如式(2)：
式中，vj-1⊙xmin表示删除中间向量vj-1中vj-1∩xmin的元素，x为混合特征向量，x1表示混合特征向量中的第一个元素；
步骤2.3、将步骤2.2得到的vj的中间向量进行转置，得到v′j；
步骤2.4、重复步骤2.2-2.3，直到得到v1与v′1，将全部维度的中间向量按照式(3)计算得到混合特征矩阵X：
X＝[α，α′]，α＝[v1,…,vj]；α′＝[v′1,…,v′j] (3)
式中α为各个中间向量构成的混合特征子矩阵，α′为α的转置；
步骤2.5、将混合特征矩阵中各元素值作为灰度值，直接构建13×13的混合特征灰度矩阵，进而得到灰度图像；
步骤2.6、重复步骤2.1-2.5，得到全部振动信号的混合特征灰度矩阵构建的灰度图像。
步骤3具体为：
步骤3.1、从灰度图像上灰度级别为a的像元位置(h_x,h_y)出发，统计与其距离为h_d，灰度级别为b的像元位置(h_x+h_dh_x,h_y+h_dh_y)同时出现的频度P(a,b,h_d,θ)，如式(4)：
式中，a＝0，1，2，…，N-1；b＝0，1，2，…，N-1为灰度级别；dh_x、dh_y分别为水平方向和垂直方向上的位置偏移量；h_d为G阵的生成步长，取1；θ为G阵的生成方向，取0°、45°、90°、135°四个方向；
步骤3.2、包括有6种纹理特征，并分别按照公式(5)-(10)所述的方法得到，并按照此顺序组成纹理特征向量，其中式(6)-(10)中的h_g(a,b)同式(5)：
步骤3.2.1、最大概率mp，灰度共生矩阵中灰度对出现的最大频率，计算方法如式(5)：
步骤3.2.2、熵ent，图像纹理复杂程度，计算方法如式(6)：
步骤3.2.3、对比度con，纹理清晰程度的度量，计算方法如式(7)：
步骤3.2.4、相关性cor，图像灰度线性关系的度量，计算方法如式(8)：
步骤3.2.5、能量ene，图像纹理灰度变化的均匀性，也反映纹理粗细程度，计算方法如式(9)：
步骤3.2.6、逆差距idm，图像纹理同质性表征，纹理规则程度和局部变化，计算方法如式(10)：
步骤3.3，重复步骤3.1-3.2，得到全部灰度图像的纹理特征向量。
步骤4具体为：
步骤4.1、提取不同故障振动信号构建的灰度图像的同一种纹理特征权重算子，如式(11)：
式中，avet是第t类纹理特征的权重算子，q为故障类别数，z为纹理特征种类数,gm,t为第m类故障的第t类纹理特征向量；
步骤4.2、计算第t类纹理特征差异矩阵Dt，如式(12)所示：
步骤4.3、确定两个判定条件：①mean(Dj)≥e；②Dj中大于avet的元素个数占总元素个数的比例大于比例因子γ，当满足上述两个条件中任意一个时，有正向权值
如式(13)，否则有负向权值
如式(14)：
式中di,j为Dt中的元素，e为差异因子，取0.735，δ为增强因子，取2；
条件①中mean(Dt)按照式(15)方法计算：
条件②按照式(16)计算：
式中num(·)表示满足括号内条件的元素个数，γ为比例因子，取0.65；
步骤4.4、按式(17)得到最终第q类故障包含z种纹理特征的差异性增强纹理特征向量Yq如式(17)：
Yq＝[yq,1,yq,2,…,yq,z] (17)
其中yq,z如式(18)所示：
步骤4.5、因为此方法使用6类纹理特征，故z取6，重复步骤4.1-4.4，得到全部灰度图像的含有6种纹理特征的差异性增强纹理特征向量。
步骤5具体为：
步骤5.1、每一种故障信号类型随机选取此类故障信号总样本数的50％差异性增强纹理特征向量作为训练样本，剩余50％作为测试组；
步骤5.2、采用支持向量机作为基本的故障诊断模型；
步骤5.3、采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化，具体遗传算法初始化参数设置为：最大进化迭代次数为30，种群数量为15，惩罚因子c和RBF核函数宽度g的搜索变化范围分别为20到80和0到90；
步骤5.4、将训练样本输入优化后的支持向量机中，完成故障诊断模型训练，并使用测试组验证模型正确性。
步骤5.3中，采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化的具体流程如下：
(S1)初始化遗传算法参数，生成个体；
(S2)对种群个体进行二进制编码，确定适应度函数；
(S3)基于支持向量机训练数据，计算每个染色体适应度；
(S4)判断染色体适应度是否满足精度，若不满足，则进化染色体；
(S5)计算新种群染色体的适应度，若不满足终止条件，则跳转到步骤(S5)；
(S6)若满足终止条件，则结束寻优，输出参数g和c；
(S7)以参数g和c，通过训练数据对支持向量机进行训练。
本发明的有益效果是：本发明基于混合特征与改进灰度共生算法的轴承故障诊断方法，以传统时域、时频域分析方法为基础，将时域特征、信息熵特征与时频域特征同时引入形成混合特征向量，涵盖了时域故障信息、信息熵故障特征信息以及频域故障信息，克服了传统方法故障信息单一导致的特征相近、不易分类与易受干扰问题，增强抵抗计算误差能力；采用混合特征向量的变化率构建混合特征灰度矩阵，利用图像纹理表征特征向量变化率逐步增大的变化趋势，克服传统方法单纯利用数据进行特征表征的不直观性与计算冗余性，是轴承故障诊断一种新的思路；自适应加权算法突出不同故障种类间差异性较强纹理特征，减弱相似的纹理特征，改善了传统灰度共生算法对相似灰度纹理识别性弱的问题，进一步增强不同故障种类、不同灰度的差异性，有利于后续分类诊断。
附图说明
图1是本发明一种基于混合特征与改进灰度共生算法的轴承故障诊断方法的流程图。
图2是本发明方法中步骤2中趋势转换算法完成一次删除最小变化率对应的特征向量元素；
图3是本发明方法中步骤3中灰度共生算法计算的4个方向示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于混合特征与改进灰度共生算法的轴承故障诊断方法，如图1所示，具体包括以下步骤：
步骤1、进行轴承振动信号的时域分析、频域分析和时频域分析，提取信号的时域特征值、频域特征值、信息熵特征值和时频域特征值，得到由上述特征组成的混合特征向量；
步骤1具体按照以下步骤实施：
步骤1.1、对原始时域振动信号，按照相应的标准公式计算均方根值(时域特征参数)、偏度值(时域特征参数)、均值频率(频域特征参数)；
步骤1.2、对原始时域振动信号进行变分模态分解，按照标准频率散度公式计算各个模态分量的频率散度，选取频率散度最大的模态分量依据标准公式计算得到其样本熵与排列熵(信息熵特征参数)；
步骤1.3、对原始振动信号进行经验模态分解，得到8个本征模态函数分量，并将其组成模态分量矩阵，再进行奇异值分解得到此矩阵的奇异值(时频域特征参数)。
步骤1.1-步骤1.3总共13个特征参数种类组成了本发明的混合特征向量，并以此作为基础展开后续步骤。
步骤2、趋势转换算法计算一个混合特征向量各元素变化率，删除变化率最小的特征元素，若干次迭代后形成若干个不同维度的中间向量，将其按照规律排列，向量中的元素值映射为灰度值，逐步拓展为灰度图像，通过图像纹理表征向量变化趋势，每一个样本使用趋势转换算法后均形成一个对应的灰度图像，如图2所示；
步骤2具体为：
步骤2.1、计算向量中各元素的变化率，此处的向量在第一次算法迭代时为混合特征向量，后续迭代时为中间向量，如式(1)：
式中Δi为第i个元素的变化率，算法开始时i最大值可以取到13，但会随着中间向量的减少而逐渐减少至2，i取1时，Δ1无意义；xi为混合特征向量(当向量变为中间向量时表示中间向量)中第i个元素；
步骤2.2、将所有变化率中最小变化率对应的元素xmin删除，得到第j个中间向量vj，其维度为(14-j)×1，计算方法如式(2)：
式中，vj-1⊙xmin表示删除中间向量vj-1中vj-1∩xmin的元素，x为混合特征向量，x1表示混合特征向量中的第一个元素；
步骤2.3、将步骤2.2得到的vj的中间向量进行转置，得到v′j；
步骤2.4、重复步骤2.2-2.3，直到得到v1与v′1，将全部维度的中间向量按照式(3)计算得到混合特征矩阵X：
X＝[α，α′]，α＝[v1,…,vj]；α′＝[v′1,…,v′j] (3)
式中α为各个中间向量构成的混合特征子矩阵，α′为α的转置；
步骤2.5、将混合特征矩阵中各元素值作为灰度值，直接构建13×13的混合特征灰度矩阵，进而得到灰度图像；
步骤2.6、重复步骤2.1-2.5，得到全部振动信号的混合特征灰度矩阵构建的灰度图像。
步骤3、灰度共生算法计算全部灰度图像的纹理特征，得到不同故障种类的纹理特征向量；
步骤3具体为：
步骤3.1、从灰度图像上灰度级别为a的像元位置(h_x,h_y)出发，统计与其距离为h_d，灰度级别为b的像元位置(h_x+h_dh_x,h_y+h_dh_y)同时出现的频度P(a,b,h_d,θ)，如式(4)：
式中，a＝0，1，2，…，N-1；b＝0，1，2，…，N-1为灰度级别；dh_x、dh_y分别为水平方向和垂直方向上的位置偏移量；h_d为G阵的生成步长，取1；θ为G阵的生成方向，取0°、45°、90°、135°四个方向，如图3所示。
步骤3.2、包括有6种纹理特征，并分别按照公式(5)-(10)所述的方法得到，并按照此顺序组成纹理特征向量，其中式(6)-(10)中的h_g(a,b)同式(5)：
步骤3.2.1、最大概率mp，灰度共生矩阵中灰度对出现的最大频率，计算方法如式(5)：
步骤3.2.2、熵ent，图像纹理复杂程度，计算方法如式(6)：
步骤3.2.3、对比度con，纹理清晰程度的度量，计算方法如式(7)：
步骤3.2.4、相关性cor，图像灰度线性关系的度量，计算方法如式(8)：
步骤3.2.5、能量ene，图像纹理灰度变化的均匀性，也反映纹理粗细程度，计算方法如式(9)：
步骤3.2.6、逆差距idm，图像纹理同质性表征，纹理规则程度和局部变化，计算方法如式(10)：
步骤3.3，重复步骤3.1-3.2，得到全部灰度图像的纹理特征向量。
步骤4、自适应加权算法对比不同故障种类纹理特征向量中相同一种纹理特征种类(包含4个方向)，计算相同纹理特征种类占对应的纹理特征向量的比例，自动更新权重算子，计算纹理特征差异矩阵，通过两个判断条件，决定此类纹理特征的权重，直至赋予全部特征种类相应的权重，得到差异性增强纹理特征向量；
步骤4具体为：
步骤4.1、提取不同故障振动信号构建的灰度图像的同一种纹理特征权重算子，如式(11)：
式中，avet是第t类纹理特征的权重算子，q为故障类别数，z为纹理特征种类数,gm,t为第m类故障的第t类纹理特征向量；
步骤4.2、计算第t类纹理特征差异矩阵Dt，如式(12)所示：
步骤4.3、确定两个判定条件：①mean(Dj)≥e；②Dj中大于avet的元素个数占总元素个数的比例大于比例因子γ，当满足上述两个条件中任意一个时，有正向权值
如式(13)，否则有负向权值
如式(14)：
式中di,j为Dt中的元素，e为差异因子，取0.735，δ为增强因子，取2；
条件①中mean(Dt)按照式(15)方法计算：
条件②按照式(16)计算：
式中num(·)表示满足括号内条件的元素个数，γ为比例因子，取0.65；
步骤4.4、按式(17)得到最终第q类故障包含z种纹理特征的差异性增强纹理特征向量Yq如式(17)：
Yq＝[yq,1,yq,2,…,yq,z] (17)
其中yq,z如式(18)所示：
步骤4.5、因为此方法使用6类纹理特征，故z取6，重复步骤4.1-4.4，得到全部灰度图像的含有6种纹理特征的差异性增强纹理特征向量。
步骤5、使用遗传算法优化支持向量机的结构参数，将差异性增强纹理特征向量作为输入训练优化并训练完毕的支持向量机，得到故障诊断模型；
步骤5具体为：
步骤5.1、每一种故障信号类型随机选取此类故障信号总样本数的50％差异性增强纹理特征向量作为训练样本，剩余50％作为测试组；
步骤5.2、采用支持向量机作为基本的故障诊断模型；
步骤5.3、采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化，具体遗传算法初始化参数设置为：最大进化迭代次数为30，种群数量为15，惩罚因子c和RBF核函数宽度g的搜索变化范围分别为20到80和0到90；
步骤5.3中，采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化的具体流程如下：
(S1)初始化遗传算法参数，生成个体；
(S2)对种群个体进行二进制编码，确定适应度函数；
(S3)基于支持向量机训练数据，计算每个染色体适应度；
(S4)判断染色体适应度是否满足精度，若不满足，则进化染色体；
(S5)计算新种群染色体的适应度，若不满足终止条件，则跳转到步骤(S5)；
(S6)若满足终止条件，则结束寻优，输出参数g和c；
(S7)以参数g和c，通过训练数据对支持向量机进行训练。
步骤5.4、将训练样本输入优化后的支持向量机中，完成故障诊断模型训练，并使用测试组验证模型正确性。
步骤6、使用训练完毕的故障诊断模型对故障进行分类与诊断。
通过以上方式，本发明基于混合特征与改进灰度共生算法的轴承故障诊断方法，以传统时域、时频域分析方法为基础，同时引入时域特征、信息熵特征与时频域特征形成混合特征向量，涵盖时域故障信息、信息熵故障信息以及频域故障信息，克服传统方法故障信息单一导致的特征相近、不易分类与易受干扰问题，增强抵抗计算误差能力，间接地提高后续分类效果；采用混合特征向量的变化率构建混合特征灰度矩阵，利用图像纹理表征特征向量变化率逐步增大的变化趋势，完成数字到图像的转换，克服传统方法单纯利用数据进行特征表征的不直观性与计算冗余性，是轴承故障诊断一种新的思路；自适应加权算法突出不同故障种类间差异性较强纹理特征，减弱相似纹理特征，改善传统灰度共生算法对相似灰度纹理识别性弱的问题，进一步增强不同故障种类、不同灰度的差异性，有利于后续分类诊断。
Claims (7)
1.基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，具体包括以下步骤：
步骤1、进行轴承振动信号的时域分析、频域分析和时频域分析，提取信号的时域特征值、频域特征值、信息熵特征值和时频域特征值，得到由上述特征组成的混合特征向量；
步骤2、趋势转换算法计算一个混合特征向量各元素变化率，删除变化率最小的特征元素，若干次迭代后形成若干个不同维度的中间向量，将其按照规律排列，向量中的元素值映射为灰度值，逐步拓展为灰度图像，通过图像纹理表征向量变化趋势，每一个样本使用趋势转换算法后均形成一个对应的灰度图像；
步骤3、灰度共生算法计算全部灰度图像的纹理特征，得到不同故障种类的纹理特征向量；
步骤4、自适应加权算法对比不同故障类纹理特征向量中相同一种纹理特征种类，计算相同纹理特征种类占对应的纹理特征向量的比例，自动更新权重算子，计算纹理特征差异矩阵，通过两个判断条件，决定此类纹理特征的权重，直至赋予全部特征种类相应的权重，得到差异性增强纹理特征向量；
步骤5、使用遗传算法优化支持向量机的结构参数，将差异性增强纹理特征向量作为输入训练优化并训练完毕的支持向量机，得到故障诊断模型；
步骤6、使用训练完毕的故障诊断模型对故障进行分类与诊断。
2.根据权利要求1所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤1具体按照以下步骤实施：
步骤1.1、对原始时域振动信号，按照相应的标准公式计算均方根值、偏度值、均值频率；
步骤1.2、对原始时域振动信号进行变分模态分解，按照标准频率散度公式计算各个模态分量的频率散度，选取频率散度最大的模态分量依据标准公式计算得到其样本熵与排列熵；
步骤1.3、对原始振动信号进行经验模态分解，得到8个本征模态函数分量，并将其组成模态分量矩阵，再进行奇异值分解得到此矩阵的奇异值。
3.根据权利要求1所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤2具体为：
步骤2.1、计算向量中各元素的变化率，此处的向量在第一次算法迭代时为混合特征向量，后续迭代时为中间向量，如式(1)：
式中Δi为第i个元素的变化率，算法开始时i最大值可以取到13，但会随着中间向量的减少而逐渐减少至2，i取1时，Δ1无意义；xi为混合特征向量中第i个元素；
步骤2.2、将所有变化率中最小变化率对应的元素xmin删除，得到第j个中间向量vj，其维度为(14-j)×1，计算方法如式(2)：
式中，vj-1⊙xmin表示删除中间向量vj-1中vj-1∩xmin的元素，x为混合特征向量，x1表示混合特征向量中的第一个元素；
步骤2.3、将步骤2.2得到的vj的中间向量进行转置，得到v′j；
步骤2.4、重复步骤2.2-2.3，直到得到v1与v′1，将全部维度的中间向量按照式(3)计算得到混合特征矩阵X：
X＝[α，α′]，α＝[v1,…,vj]；α′＝[v′1,…,v′j] (3)
式中α为各个中间向量构成的混合特征子矩阵，α′为α的转置；
步骤2.5、将混合特征矩阵中各元素值作为灰度值，直接构建13×13的混合特征灰度矩阵，进而得到灰度图像；
步骤2.6、重复步骤2.1-2.5，得到全部振动信号的混合特征灰度矩阵构建的灰度图像。
4.根据权利要求1所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤3具体为：
步骤3.1、从灰度图像上灰度级别为a的像元位置(h_x,h_y)出发，统计与其距离为h_d，灰度级别为b的像元位置(h_x+h_dh_x,h_y+h_dh_y)同时出现的频度P(a,b,h_d,θ)，如式(4)：
式中，a＝0，1，2，…，N-1；b＝0，1，2，…，N-1为灰度级别；dh_x、dh_y分别为水平方向和垂直方向上的位置偏移量；h_d为G阵的生成步长，取1；θ为G阵的生成方向，取0°、45°、90°、135°四个方向；
步骤3.2、包括有6种纹理特征，并分别按照公式(5)-(10)所述的方法得到，并按照此顺序组成纹理特征向量，其中式(6)-(10)中的h_g(a,b)同式(5)：
步骤3.2.1、最大概率mp，灰度共生矩阵中灰度对出现的最大频率，计算方法如式(5)：
步骤3.2.2、熵ent，图像纹理复杂程度，计算方法如式(6)：
步骤3.2.3、对比度con，纹理清晰程度的度量，计算方法如式(7)：
步骤3.2.4、相关性cor，图像灰度线性关系的度量，计算方法如式(8)：
步骤3.2.5、能量ene，图像纹理灰度变化的均匀性，也反映纹理粗细程度，计算方法如式(9)：
步骤3.2.6、逆差距idm，图像纹理同质性表征，纹理规则程度和局部变化，计算方法如式(10)：
步骤3.3，重复步骤3.1-3.2，得到全部灰度图像的纹理特征向量。
5.根据权利要求1所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤4具体为：
步骤4.1、提取不同故障振动信号构建的灰度图像的同一种纹理特征权重算子，如式(11)：
式中，avet是第t类纹理特征的权重算子，q为故障类别数，z为纹理特征种类数,gm,t为第m类故障的第t类纹理特征向量；
步骤4.2、计算第t类纹理特征差异矩阵Dt，如式(12)所示：
步骤4.3、确定两个判定条件：①mean(Dj)≥e；②Dj中大于avet的元素个数占总元素个数的比例大于比例因子γ，当满足上述两个条件中任意一个时，有正向权值
如式(13)，否则有负向权值
如式(14)：
式中di,j为Dt中的元素，e为差异因子，取0.735，δ为增强因子，取2；
条件①中mean(Dt)按照式(15)方法计算：
条件②按照式(16)计算：
式中num(·)表示满足括号内条件的元素个数，γ为比例因子，取0.65；
步骤4.4、按式(17)得到最终第q类故障包含z种纹理特征的差异性增强纹理特征向量Yq如式(17)：
Yq＝[yq,1,yq,2,…,yq,z] (17)
其中yq,z如式(18)所示：
步骤4.5、因为此方法使用6类纹理特征，故z取6，重复步骤4.1-4.4，得到全部灰度图像的含有6种纹理特征的差异性增强纹理特征向量。
6.根据权利要求1所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤5具体为：
步骤5.1、每一种故障信号类型随机选取此类故障信号总样本数的50％差异性增强纹理特征向量作为训练样本，剩余50％作为测试组；
步骤5.2、采用支持向量机作为基本的故障诊断模型；
步骤5.3、采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化，具体遗传算法初始化参数设置为：最大进化迭代次数为30，种群数量为15，惩罚因子c和RBF核函数宽度g的搜索变化范围分别为20到80和0到90；
步骤5.4、将训练样本输入优化后的支持向量机中，完成故障诊断模型训练，并使用测试组验证模型正确性。
7.根据权利要求6所述的基于混合特征与改进灰度共生算法的轴承故障诊断方法，其特征在于，步骤5.3中，采用遗传算法对使用RBF核的SVM中参数c与参数g进行优化的具体流程如下：
(S1)初始化遗传算法参数，生成个体；
(S2)对种群个体进行二进制编码，确定适应度函数；
(S3)基于支持向量机训练数据，计算每个染色体适应度；
(S4)判断染色体适应度是否满足精度，若不满足，则进化染色体；
(S5)计算新种群染色体的适应度，若不满足终止条件，则跳转到步骤(S5)；
(S6)若满足终止条件，则结束寻优，输出参数g和c；
(S7)以参数g和c，通过训练数据对支持向量机进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011224446.4A CN112414715B (zh) | 2020-11-05 | 2020-11-05 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011224446.4A CN112414715B (zh) | 2020-11-05 | 2020-11-05 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112414715A true CN112414715A (zh) | 2021-02-26 |
| CN112414715B CN112414715B (zh) | 2022-09-27 |
Family
ID=74827039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011224446.4A Active CN112414715B (zh) | 2020-11-05 | 2020-11-05 | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112414715B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及系统 |
| CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
| CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
| CN109253882A (zh) * | 2018-10-08 | 2019-01-22 | 桂林理工大学 | 一种基于变分模态分解和灰度共生矩阵的转子裂纹故障诊断方法 |
| CN109934287A (zh) * | 2019-03-12 | 2019-06-25 | 上海宝尊电子商务有限公司 | 一种基于lbp与glcm的服装纹理识别分类方法 |
| CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
| CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及系统 |
-
2020
- 2020-11-05 CN CN202011224446.4A patent/CN112414715B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
| CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
| CN109253882A (zh) * | 2018-10-08 | 2019-01-22 | 桂林理工大学 | 一种基于变分模态分解和灰度共生矩阵的转子裂纹故障诊断方法 |
| CN109934287A (zh) * | 2019-03-12 | 2019-06-25 | 上海宝尊电子商务有限公司 | 一种基于lbp与glcm的服装纹理识别分类方法 |
| CN111881933A (zh) * | 2019-06-29 | 2020-11-03 | 浙江大学 | 一种高光谱图像分类方法及系统 |
| CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 宋玉琴等: "基于时变隐马尔科夫模型的联锁故障预测", 《电测与仪表》 * |
| 窦唯等: "基于灰度-梯度共生矩阵的旋转机械振动时频图形识别方法", 《振动工程学报》 * |
| 陈英等: "基于支持向量机和灰度共生矩阵的纹理图像分割方法", 《传感器与微系统》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
| CN114240888A (zh) * | 2021-12-17 | 2022-03-25 | 沭阳安宏木制品厂 | 一种基于图像处理的家具组件喷漆缺陷修复方法及系统 |
| CN115019159A (zh) * | 2022-08-09 | 2022-09-06 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
| CN115019159B (zh) * | 2022-08-09 | 2022-10-25 | 济宁安泰矿山设备制造有限公司 | 一种泵轴承故障快速识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112414715B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
| CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
| CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN111931989A (zh) | 基于深度学习神经网络的电力系统短期负荷预测方法 | |
| CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
| CN105956722A (zh) | 一种短期风电功率的预测方法及装置 | |
| CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN107274016A (zh) | 随机蛙跳算法优化对称极限学习机的带钢出口厚度预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
| CN113537469A (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
| CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及系统 | |
| CN117276600A (zh) | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 | |
| CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
| CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN115753102A (zh) | 一种基于多尺度残差子域适应的轴承故障诊断方法 | |
| CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
| CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240207 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19 Patentee before: XI'AN POLYTECHNIC University Country or region before: China |