CN112444395A - 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于CMWPE和SaE‑ELM的机车轮对轴承故障诊断方法，包括以下步骤：1）分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据；2）对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差；3）将CMWPE特征提取后的特征样本作为SaE‑ELM模型的训练和测试样本；4）网络初始化，设定网络参数，利用SaE对ELM进行优化，寻找最佳参数α i、bi，并计算输出权重β；5）利用SaE优化后的ELM对测试集进行分类，确定机车轮对轴承的故障类型。

Description

基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法

技术领域

本发明涉及滚动轴承故障诊断技术领域，具体涉及一种基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法。

背景技术

机车轮对轴承的工作环境复杂，非平稳载荷以及系统内部如非线性刚度、间隙等非线性因素，都使得振动信号呈现出复杂性和不规则性。传统的时频分析如经验模态分解(EMD) 和小波变换等，虽能处理大多数轴承振动信号中的非平稳性信号，但并不能提取其中的非线性特征信息。近似熵、样本熵以及分形维数等非线性参数已经被广泛应用于机械设备的故障诊断。然而，近似熵的一致性较差；样本熵易受时间序列的非平稳性和异常值的影响；分形维数的计算依赖数据的长度，且实际应用中耗时较长，不适合在线监测。排列熵(PE)可以检测滚动轴承振动信号的随机性和动态突变行为。

然而这些特征参数只能反映某单一尺度上的时间序列信息，并无法反映原信号的所有信息，会丢失某些重要特征，特征提取效果不理想。在排列熵的基础上，复合多尺度加权排列熵(CMWPE)借鉴了加权的思想，考虑了同一尺度下多个粗粒化时间序列的WPE，以此抑制由粗粒化时间序列变短而导致的熵值突变，得到更为精准的熵值特征，同时采用复合粗粒化的构造方式，使得到的复合粗粒化时间序列对原始时间序列长度的依赖性大大降低，能最大程度保留原始时间序列所蕴含的振动信息。因此，复合多尺度加权排列熵可作为特征参数用以表征信号在不同尺度上的复杂性，能有效地解决上述单一尺度下，提取信息的局限性问题。

SaE-ELM是一种机器学习方法，其中每一代群体变异策略、交叉因子和缩放因子通过自适应机制进行选择，进而通过MP广义逆矩阵求得输出层参数。对极限学习机(ELM)的输入权重、隐含层偏置和输出权重进行优化，克服了模型中存在某些对网络性能贡献较少的节点，造成模型结构的冗余，影响网络性能的缺点。

基于以上分析，为了更好地反映机车轮对轴承振动信号在不同尺度上的细节复杂度特征，本发明采用CMWPE提取轴承原始信号的多尺度非线性特征信息。采用SaE-ELM模型对轴承不同故障类型和故障程度进行智能识别。该方法结合了CMWPE的信号非线性特征提取和SaE-ELM运算速度快、网络泛化性能好的优势。数据分析结果表明，CMWPE特征提取效果优于MPE和MWPE；SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障，为提高机务段检测机车轮对轴承故障的准确度提供了一种备选方法。

发明内容

为解决当前技术中的不足，本发明提供一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，故障识别模型运行稳定、自适应性强，且对机车轮对轴承实际故障识别准确率高。

为了实现上述目标，本发明采用如下技术方案：基于复合多尺度加权排列熵的机车轮对轴承SaE-ELM故障诊断方法，主要步骤如下：

(1)分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据；

(2)对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差；

(3)将CMWPE特征提取后的特征样本作为SaE-ELM模型的训练和测试样本；

(4)网络初始化，设定网络参数，利用SaE对ELM进行优化，寻找最佳参数α_i、b_i，并计算输出权重β；

(5)利用SaE优化后的ELM对测试集进行分类，确定机车轮对轴承的故障类型。

本发明所达到的有益效果：

1.本发明采用复合多尺度加权排列熵(CMWPE)和自适应进化极限学习机(SaE-ELM)的方法来进行轮对轴承故障诊断，可作为特征参数用以表征轮对轴承振动信号在不同尺度下的复杂性和非线性，直接提取轴承振动信号中其他方法无法提取的故障信息，能有效地解决单一尺度下提取振动信号信息的局限性问题，如故障信息的非线性、非平稳性和跨尺度复杂性；

2.本发明采用CMWPE基于复合粗粒化和加权排列熵的思想，能很好地区分信号的不同模式。 SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化，解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能；

3.本发明对轮对轴承CMWPE特征提取效果优于MPE和MWPE；SaE-ELM模式识别效果优于参数不经优化的ELM。

附图说明:

图1是SaE-ELM算法流程图；

图2是不同m下，CMWPE分别对两种信号分析结果；

图3包含单一和复合故障在内的六种故障状态共七种不同健康状态轮对轴承振动信号的 CMWPE分布图；

图4是所提基于CMWPE和SaE-ELM的轮对轴承故障诊断方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，包括以下具体步骤：

1)通过加速度传感器和采集卡完成轮对轴承故障状态下的振动信号采集，并对轮对轴承振动信号做预处理；

2)对采集到的机车轮对轴承振动信号进行复合多尺度加权排列熵计算，构造CMWPE特征向量，作为SaE-ELM模型的输入；

3)将步骤2)得到的CMWPE特征向量输入到SaE-ELM模型中，对SaE-ELM模型进行训练，将测试数据输入到训练好的SaE-ELM模型中，从而判断机车轮对轴承的故障模式。

步骤1)中通过由磁座安装在轴承外圈的三个CA-YD-187T型加速度传感器和NIUSB-4431型采集卡完成振动信号采集，采样频率设置为20kHz，本文分析数据来自垂直方向传感器B。实验过程中分别采集七种不同健康状态轮对轴承试件的振动信号，将CMWPE特征提取后的特征样本作为SaE-ELM模型的训练和测试样本。

步骤1)中的故障状态包括轮对轴承六种故障类型：外圈轻度故障、外圈中度故障、滚动体轻度故障、保持架轻度故障、保持架和滚动体复合故障、内圈轻度故障。

步骤1)中的预处理具体为：对采集到的振动信号进行归一化处理，除去样本集中的奇异样本，从而减少误差。

步骤2)中对采集到的轮对轴承振动信号进行复合多尺度加权排列熵计算，构造CMWPE特征向量，CMWPE其实质就是计算多尺度下的加权排列熵值：

其具体计算步骤为：

(1)对给定的时间序列T＝{x_i，i＝1，2，..，n}，其复合多尺度粗粒化序列y_k ^(s)＝{y_k，1(s)y_k，2 ^(s)…y_k，d ^(s)} 可以被构造为：

其中y_k，j ^(s)表示在尺度因子s下的第k个粗粒化时间序列，d表示时间序列y_k，j ^(s)的长度，j表示第k个粗粒化时间序列y_k，j ^(s)的第j个点；

(2)在比例因子s(s>1)下计算每个粗粒化序列y_k，j ^(s)(1≤k≤s)的WPE值，并将s个WPE值的平均值作为在尺度因子s下的最终CMWPE值，即：

CMWPE方法中有4个参数需人为设定，分别为：尺度因子s，样本长度N，嵌入维数m和时间延迟τ。其中，s通常设置为s>10，本文设定s＝20。时间序列长度应满足N>200s，因此本方法中选取N＝4800。m对CMWPE有一定的影响，通常设定m的取值范围在[4，7]之间。一般设定时间延迟τ为1。

步骤3)中采用自适应进化算法(SaE)来优化ELM神经网络的输入权重、隐含层节点偏置和输出权重，具体算法步骤如下：

1)初始化原始种群，将包含网络隐含层节点参数的一系列向量初始化作为种群大小，该种群由参数α_i，b_j组成，其第一代为：

式中：α_i和b_j(j＝1，2，...，L)随机产生，G表示种群代数，r＝1，2，...，NP，NP表示种群大小；

2)根据最小二乘法，分别计算种群个体的输出权重β和均方根误差RMSE：

式中，

为H_r，G的广义逆矩阵，且

其中θ_r，G+1是基于RMSE迭代产生的第G+1代待选向量，u_r，G+1是第G+1代试验向量，且ε为预设的极小正值，默认为0.015。在第一代中，RMSE最小的个体表示为θ_best，1，其均方根误差表示为

3)变异，每一代种群中的目标向量θ_best，1通过某个变异策略得到变异向量v_i，G，下面列出了四种常用的变异策略：

策略1：

策略2：

策略3：

策略4：

式中：F为变异因子，其服从正态分布，作用是控制搜索步长。θ_r1，θ_r2，θ_r3，θ_r4，θ_r5是种群中随机选取的不同于父代的向量，且两两均不相同。控制参数K属于0～1且是随机分配的，索引r₁…r₅是1、2…NP范围内的随机整数。对于每一代的种群，生成试验向量的变异策略是从上述的四种策略中按照概率p_z，G选取的。p_z，G(z＝1，2，3，4)代表第G代中，策略z被选中的概率。设学习周期为T，则概率p_z，G按以下方式更新：

(1)当G≤T，每一个策略被选中的概率相等，p_z，G＝1/4。

(2)当G>T，

式中，

ns_z，g代表g代中由第z个变异策略得到且成功进入到下一代的试验向量的个数，而nf_z，g代表 G代中由第z个变异策略得到但未进入下一代的试验向量的个数，将T代中进入或未进入下一代的试验向量的个数记录下来，若迭代次数超过最初设定的T的值，则前述记录数据被新一代的数据替代。在试验向量变异策略概率更新的同时，每一个目标向量的控制参数F和交叉率CR根据正态分布N(0.5，0.3)随机产生；

4)变异过程之后，通过交叉操作，计算试验向量u_r，G：

其中，交叉率CR在0～1区域内取值。rand_j随机分配于[0，1]，j_rand是1，2，...，NP中的随机整数；

5)把RMSE作为适应度函数。当RMSE值最低时，存储相应的目标向量和试验向量，供下一个群体使用；

6)重复步骤2)到5)，直到达到预设目标值或达到最大迭代次数

实施例：

实验轴承为NJ2232WB系列圆柱滚子轴承，轴承内外径分别为160mm和290mm。本次实验所用的六种不同故障的轴承试件，均是从DF4型内燃机车上拆卸下来的实际故障轮对轴承。实验过程中，检测台主要由主轴箱、电气系统、液压系统和台身组成。主轴转速范围为 120～1200r/min；液压系统主要是对待测机车轴承进行径向加载和卸载。借助该检测台实现轮对轴承的驱动和加载，设置转速500r/min、径向载荷当量1.4MPa。通过由磁座安装在轴承外圈的三个CA-YD-187T型加速度传感器和NIUSB-4431型采集卡完成振动信号采集，采样频率设置为20kHz，本文分析数据来自垂直方向传感器B。实验过程中分别采集七种不同健康状态机车轮对轴承试件的振动信号，每个样本包含4800个数据点，每种轴承健康状态各有样本数为80。

如图3所示，对采集到的振动信号进行CMWPE分析，构造特征向量，作为SaE-ELM 的输入，对SaE-ELM进行训练，将测试数据输入到训练好的SaE-ELM，从而判断轮对轴承的故障模式。

复合多尺度加权排列熵(CMWPE)的影响因素与四个参数的取值相关，且均需人为设定：即尺度因子s、样本长度N、嵌入维数m和时间延迟τ，正确选取各参数是获得理想特征提取效果的前提；

(1)尺度因子s的选择：s通常设置为s>10，本文设定s＝20；

(2)样本长度N的选择：时间序列长度应满足N>200s，因此本文选取N＝4800；

(3)嵌入维数m的选择：m对CMWPE有一定的影响，若m过小，相空间重构的向量包含较少信息，将无法有效表征时间序列的动力学突变；反之，若m过大，相空间重构的向量则会忽略时间序列的细微变化，并且大大增加运算时间，如图2当嵌入维数m较小(为4或5)时， CMWPE熵值拟合线较为平缓，无法体现多尺度的优势，特征区分不明显；而当嵌入维数m 较大(为7)时，相空间重构的向量会忽略时间序列的细微变化，导致两种状态熵值曲线较为接近，无法有效区分故障类型，且大大增加计算量，效率低下。因此，本文选取m＝6；

(4)时间延迟τ的选择：时间延迟τ对熵值计算影响较小，一般设定为τ＝1。

如图3为七种状态信号对应的CMWPE计算结果，从图中可以看出正常轮对轴承的CMWPE值从尺度3到5逐渐增加，从尺度5到20逐渐减小。与正常轴承的振动信号相比，故障轴承的振动信号的总体趋势在不同的比例因子下具有不同的波动。当机车轮对轴承处于正常状态时，信号振动状态更为复杂，信号的无规则性高，自相似性低，包含了更多的信息，故熵值较大；而当轮对轴承出现故障时，振动信号的波动则具有一定的规律性，信号的自相似性较高，故熵值较小。表明不同的故障使得振动信号的复杂性在一定范围内有所不同，这也使得区分各种故障和故障程度成为可能。

将CMWPE特征值输入到参数不经优化的ELM模型中进行故障分类识别，得到分类准确率为98.57％。再将MWPE特征值输入到SaE-ELM模型中进行故障分类识别，得到准确率为87.14％。最后将WPE特征值输入到SaE-ELM模型中进行故障分类识别，得到准确率为73.57％。显然，所提CMWPE和SaE-ELM方法故障识别率最高，进一步验证了所提故障诊断方法的优越性。

以上对本发明说明性的具体实施方式进行了描述，应当指出，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)

1.一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，包括以下具体步骤：

1)通过采用加速度传感器和采集卡对机车轮轴承故障状态下的振动信号采集，并对其做归一化预处理，除去样本集中的奇异样本，从而减少误差；

2)对采集到的机车轮对轴承振动信号进行复合多尺度加权排列熵计算，构造CMWPE特征向量，作为SaE-ELM模型的输入；

3)将步骤2)得到的CMWPE特征向量输入到SaE-ELM模型中，对SaE-ELM模型进行训练，将测试数据输入到训练好的SaE-ELM模型中，从而判断机车轮对轴承的故障模式。

2.根据权利要求1所述的一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，所述复合多尺度加权排列熵CMWPE具体计算步骤为：

1)对给定的时间序列T＝{x_i,i＝1,2,..,n}，其复合多尺度粗粒化序列y_k ^(s)＝{y_k,1 ^(s)y_k,2 ^(s)…y_k,d ^(s)}可以被构造为：

其中y_k,j ^(s)表示在尺度因子s下的第k个粗粒化时间序列，d表示时间序列y_k,j ^(s)的长度，j表示第k个粗粒化时间序列y_k,j ^(s)的第j个点。

2)在比例因子s(s>1)下计算每个粗粒化序列y_k,j ^(s)(1≤k≤s)的WPE值，并将s个WPE值的平均值作为在尺度因子s下的最终CMWPE值，即

上式中有4个参数需人为设定，分别为：尺度因子s，样本长度N，嵌入维数m和时间延迟τ。其中，s通常设置为s>10，本文设定s＝20。时间序列长度应满足N>200s，因此本方法中选取N＝4800。m对CMWPE有一定的影响，通常设定m的取值范围在[4,7]之间。时间延迟τ对熵值计算影响较小，一般设定为τ＝1。

3.根据权利要求1所述的一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，采用自适应进化算法(SaE)来优化ELM神经网络的输入权重、隐含层节点偏置和输出权重，具体算法步骤如下：

1)初始化原始种群，将包含网络隐含层节点参数的一系列向量初始化作为种群大小，该种群由参数α_i，b_j组成，其第一代为：

式中：α_i和b_j(j＝1,2,...,L)随机产生，G表示种群代数，r＝1,2,...,NP，NP表示种群大小。

2)根据最小二乘法，分别计算种群个体的输出权重β和均方根误差RMSE：

式中，

为H_r,G的广义逆矩阵，且

其中θ_r,G+1是基于RMSE迭代产生的第G+1代待选向量，u_r,G+1是第G+1代试验向量，且ε为预设的极小正值，默认为0.015。在第一代中，RMSE最小的个体表示为

其均方根误差表示为

3)变异，每一代种群中的目标向量θ_best,1通过某个变异策略得到变异向量v_i,G，下面列出了四种常用的变异策略：

策略1:

策略2：

策略3：

策略4：

式中：F为变异因子，服从正态分布，控制搜索步长。θ_r1，θ_r2，θ_r3，θ_r4，θ_r5是种群中随机选取的不同于父代的向量，且两两均不相同。控制参数K属于0～1且是随机分配的，索引r₁…r₅是1、2…NP范围内的随机整数。对于每一代的种群，生成试验向量的变异策略是从上述的四种策略中按照概率p_z,G选取的。p_z,G(z＝1,2,3,4)代表第G代中，策略z被选中的概率。设学习周期为T，则概率p_z,G按以下方式更新：

(1)当G≤T，每一个策略被选中的概率相等，p_z,G＝1/4。

(2)当G＞T，

式中，

ns_z,g代表g代中由第z个变异策略得到且成功进入到下一代的试验向量的个数，而nf_z,g代表G代中由第z个变异策略得到但未进入下一代的试验向量的个数，将T代中进入或未进入下一代的试验向量的个数记录下来，若迭代次数超过最初设定的T的值，则前述记录数据被新一代的数据替代。在试验向量变异策略概率更新的同时，每一个目标向量的控制参数F和交叉率CR根据正态分布N(0.5,0.3)随机产生。

4)变异过程之后，通过交叉操作，计算试验向量u_r,G：

其中，交叉率CR在0～1区域内取值。rand_j随机分配于[0，1]，j_rand是1,2,...,NP中的随机整数。

5)把RMSE作为适应度函数。当RMSE值最低时，存储相应的目标向量和试验向量，供下一个群体使用。

6)重复步骤2)到5)，直到达到预设目标值或达到最大迭代次数。

4.根据权利要求1所述的一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，其特征是：分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据，利用CMWPE提取轴承原始信号的多尺度非线性特征信息，将CMWPE特征提取后的特征样本作为SaE-ELM模型的训练和测试样本，对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差，利用SaE优化后的ELM对测试集进行分类，确定机车轮对轴承的故障类型。

Images