CN113742638B - 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，包括：首先采用基于峭度的FastICA分离信号和梅尔倒谱系数对电机轴承振动信号进行特征提取；其次通过逼近求解域的方法，结合BPNN初次训练决定网络结构参数和TLBO初始化种群的上界和下界；最后融合自适应动态学习因子的TLBO修正算法，迭代寻找最优权值和阈值输入到BPNN中。本发明能够增强信号特征，降低噪声干扰，提高故障诊断的识别率；对于未知源，不需要过多先验的知识和理论储备，具有很强的泛化性；相比多种优化算法，不需要设定特定的参数，同时根据当前迭代次数动态变化学习因子，能够提高算法的收敛速度，同时避免陷入局部收敛，调试方便，计算简单。

Description

基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断 方法

技术领域

本发明涉及电机故障诊断方法，具体涉及一种基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法。

背景技术

电机是将电能转换为机械能的核心设备，随着科技水平的发展，各个领域的正常运作已经离不开电机。但电机长期运行再复杂的工业环境中，容易发生零件老化、负荷压力过大等自身因素的影响，再加上各种外部环境因素的影响，容易发生各种故障。一旦发生故障，没有及时地诊断和检修，就会对生产生活、甚至是生命造成难以预计的伤害。因此，深入地研究电机故障诊断地方法，寻找更加精准高效地方法具有重要的意义。

电机正常运行时产生的振动具有一定的规律性，一旦出现故障，其振动的特征也会随之改变，所以可以利用电机运行时振动特征的变换，对电机的运行状态进行故障诊断。由于电机内部结构复杂，且振动信号具有非平稳、非线性等特点，这就使得特征提取具有一定困难。同时在诊断方面，多种机器学习算法已经得到了广泛的应用，且效果显著。但在实际研究中，大多数算法很大程度上都依赖于研究人员的先验知识和实际经验作为支撑，且算法涉及到的众多参数在调试过程中工作量巨大，且泛化能力低下，同时还存在算法收敛性慢、可靠性和实用性低的缺点。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了一种基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，首先采用基于峭度的FastICA分离信号和梅尔倒谱系数对电机轴承振动信号进行特征提取；其次通过逼近求解域的方法，结合BPNN初次训练决定网络结构参数和TLBO初始化种群的上界和下界；最后融合自适应动态学习因子的TLBO修正算法，迭代寻找最优权值和阈值输入到BPNN中；诊断方法能够增强信号特征，降低噪声干扰，提高故障诊断的识别率；对于未知源，不需要过多先验的知识和理论储备，具有很强的泛化性；相比多种优化算法，不需要设定特定的参数，同时根据当前迭代次数动态变化学习因子，能够提高算法的收敛速度，同时避免陷入局部收敛，调试方便，计算简单。

本发明为实现上述发明目的采用如下技术方案：基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断，包括如下步骤：

步骤1，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，将采集到的一维度的振动信号进行白化和去相关预处理，利用基于峭度的FastICA对白化和去相关后的振动数据进行分离；

步骤2，将分离后的振动信号进行梅尔倒谱系数特征提取，将电机轴承的不同工况的振动信号相应的加标签，提取后的样本再划分训练集和测试集；

步骤3，根据特征提取后的样本，设定BPNN网络结构参数，根据经验公式，初步设定隐含层节点数，然后提出逼近求解域的方法，进行初次训练BPNN，提取网络权值和阈值，初步确定STLBO优化算法班级学员的上界和下界，根据范围均匀生成班级学员，将误差累计和作为适应度函数，最后进行优化迭代求当前最优；

步骤4，迭代完成后，将当前最优的权值和阈值保存到BPNN中，训练网络模型，然后测试并计算得到当前模型的识别率，接着返回步骤3，尝试在经验公式范围内各种隐含层节点数对应的模型识别率，最终取最优的模型和最佳的识别率作为结果。

进一步的，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，故障均为人为增加的电火花故障，采集得到不同故障工况下的样本包括电机正常基座数据、驱动端轴承内圈故障、驱动端轴承滚动体故障、驱动端轴承外圈相对3点钟方向故障、驱动端轴承外圈相对6点钟方向以及驱动端轴承外圈相对12点钟方向故障，保存数据格式为MAT。

进一步的，将电机轴承的不同状态相应的加标签，具体标识如下：

0、正常基座数据

1、驱动端轴承内圈故障

2、驱动端轴承滚动体故障

3、驱动端轴承外圈相对3点钟方向故障

4、驱动端轴承外圈相对6点钟方向故障

5、驱动端轴承外圈相对12点钟方向故障。

进一步的，步骤3和步骤4确定BPNN网络结构和通过逼近求解域初始化STLBO参数，具体包括如下步骤：

(1)将经过预处理和特征处理后的样本输入到BPNN中训练，提取网络权值和阈值，初步确定其求解域；

(2)在范围中，根据网络结构参数，包括输入层节点数、隐含层节点数和输出层节点数确定STLBO参数矩阵大小，在求得的范围中均匀生成初始参数，其中输入层和输出层由样本决定，隐含层由经验公式初步确定；

(3)将预测值与实际值之间的累计误差作为适应度函数，经过STLBO优化算法迭代求解当前最优权值和阈值，精度误差设为0.05，然后比较经验公式范围内的不同隐含层节点数所对应的识别率，取最优结果确定最终网络参数。

进一步的，STLBO优化算法为融合自适应动态学习因子的TLBO修正算法STLBO优化算法，具体包括如下内容：

定义班级中每个学生为X_i(i＝1，2，...，NP)，老师即最优个体为X_teacher，班级学生的平均水平为

在“教”阶段，融合动态自适应学习因子，其数学表达式如下：

式中：s_i为改进的动态自适应学习因子；t为当前迭代次数；T为最大迭代次数；

和

表示第i个学生学习前后的值；教学因子TF_i＝round[1+rand(0，1)]，即为[1，2]之间的随机整数。

同样，在“学”阶段，每个学生X_i(i＝1，2，...，NP)在班级中随机另选一个学生X_j(j＝1，2，...，NP，j≠i)作为学习对象，融合动态自适应学习因子，可表示为：

式中：f(X_i)和f(X_j)分别为第i个学生和第j个学生的知识，即对应的适应度值；

从而提高提高算法的收敛速度，避免陷入局部收敛。

本发明采用上述技术方案，具有以下有益效果：

(1)将采集得到的振动信号，在直接进行特征提取之前，先通过白化和去相关，针对电机，采用基于峭度的FastICA算法分离信号，将噪声与源信号分离，增强了信号特征，降低了噪声干扰，有效提高了识别精度；

(2)在(1)的基础上，对数据进行梅尔倒谱系数特征提取，与传统的能量特征、短时平均过零率和短时自相关系数等特征提取方法相比，不依赖于研究人员的先验知识和实际经验作为支撑，对于未知信号源，其可靠性和泛化性更高；

(3)网络结构参数和修正算法参数设定有一定依据支撑；隐含层节点结合经验公式和结果识别率而定，修正算法结合样本和初次网络训练结果而定基本的求解域；

(4)将TLBO优化算法作为优化参数的全局启发式算法，与PSO、DE等优化算法相比，其不需要设置特定的参数，减轻了研究人员的调试工作，同时算法的收敛性高，迭代次数不需要设定过多即可达到收敛，且计算简单，极大减轻了计算机的工作负担，节省了研究人员的时间；

(5)融合动态自适应学习因子，改进TLBO；同时为了避免设定新的参数，将当前迭代次数作为自变量构造自适应学习因子函数，使其迭代初期值较大，越往后越趋近于0，不仅提高算法的收敛速度，而且避免陷入局部收敛。

附图说明

图1是本发明的流程示意图；

图2是电机轴承振动采集原信号；

图3是基于峭度的FastICA分离后的电机轴承振动信号；

图4是在分离信号的基础上进行的梅尔倒谱系数特征提取图；

图5是不同隐含层节点数的识别率结果图；

图6是动态自适应学习因子函数图；

图7是迭代过程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

如图1基于峭度的FastICA和逼近求解域的STLBO电机轴承振动信号故障方法，包括如下步骤：

步骤1，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，将采集到的一维度的振动信号进行白化和去相关预处理，利用基于峭度的FastICA对白化和去相关后的振动数据进行分离；

步骤2，将分离后的振动信号进行梅尔倒谱系数特征提取，将电机轴承的不同工况的振动信号相应的加标签，提取后的样本再划分训练集和测试集；

步骤3，根据特征提取后的样本，设定BPNN网络结构参数，根据经验公式，初步设定隐含层节点数，然后提出逼近求解域的方法，进行初次训练BPNN，提取网络权值和阈值，初步确定STLBO优化算法班级学员的上界和下界，根据范围均匀生成班级学员，将误差累计和作为适应度函数，最后进行优化迭代求当前最优；

步骤4，迭代完成后，将当前最优的权值和阈值保存到BPNN中，训练网络模型，然后测试并计算得到当前模型的识别率，接着返回步骤3，尝试在经验公式范围内各种隐含层节点数对应的模型识别率，最终取最优的模型和最佳的识别率作为结果。

如图2、图3和图4所示，电机轴承振动数据经过基于峭度的FastICA和MFCC方法处理，具体内容如下：

(1)如图2所示，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，故障均为人为增加的电火花故障，采集得到的样本包括电机正常基座数据、驱动端轴承内圈故障、驱动端轴承滚动体故障、驱动端轴承外圈相对3点钟方向故障、驱动端轴承外圈相对6点钟方向以及驱动端轴承外圈相对12点钟方向故障，保存数据格式为MAT；

(2)将采集到的一维度的振动信号进行白化和去相关预处理；

(3)如图3所示，利用基于峭度的FastICA对白化和去相关后的振动数据进行分离；

(4)如图4所示，将分离后的振动信号进行MFCC特征提取，得到的样本数为2271，特征数为32。将电机轴承的不同状态相应的加标签，具体标识如下：

0、正常基座数据

1、驱动端轴承内圈故障

2、驱动端轴承滚动体故障

3、驱动端轴承外圈相对3点钟方向故障

4、驱动端轴承外圈相对6点钟方向故障

5、驱动端轴承外圈相对12点钟方向故障。

如图5所示，步骤3和步骤4确定BPNN网络结构和初始化STLBO参数，具体包括如下步骤：

(1)将经过预处理和特征处理后的样本输入到BPNN中训练，提取网络权值和阈值，初步确定其范围；

(2)在范围中，根据网络结构参数，包括输入层节点数、隐含层节点数和输出层节点数确定STLBO参数矩阵大小，在求得的范围中均匀生成初始参数，其中输入层和输出层由样本决定，隐含层由如下经验公式初步确定；

(3)如图5所示根据经验公式，比较不同隐含层识别率。其中将预测值与实际值之间的累计误差作为适应度函数，经过STLBO优化算法迭代求解当前最优权值和阈值，精度误差设为0.05，可视化最终结果，从而确定最终网络参数。

融合动态自适应学习因子的TLBO修正算法STLBO优化算法，如图6和图7所示具体包括如下内容：

定义班级中每个学生为X_i(i＝1，2，...，NP)，老师即最优个体为X_teacher，班级学生的平均水平为

在“教”阶段，融合动态自适应学习因子函数如图6所示，其数学表达式如下：

式中：s_i为改进的动态自适应学习因子；t为当前迭代次数；T为最大迭代次数；

和

表示第i个学生学习前后的值；教学因子TF_i＝round[1+rand(0，1)]，即为[1，2]之间的随机整数。

同样，在“学”阶段，每个学生X_i(i＝1，2，...，NP)在班级中随机另选一个学生X_j(j＝1，2，...，NP，j≠i)作为学习对象，融合动态惯性权重，可表示为：

式中：f(X_i)和f(X_j)分别为第i个学生和第j个学生的知识，即对应的适应度值；

如图7迭代结果所示，不仅算法的收敛速度明显提高，而且避免了陷入局部收敛。

(1)将采集得到的振动信号，在直接进行特征提取之前，先通过白化和去相关，针对电机，采用基于峭度的FastICA算法分离信号，将噪声与源信号分离，增强了信号特征，降低了噪声干扰，有效提高了识别精度。

(2)在(1)的基础上，对数据进行梅尔倒谱系数特征提取，与传统的能量特征、短时平均过零率和短时自相关系数等特征提取方法相比，不依赖于研究人员的先验知识和实际经验作为支撑，对于未知信号源，其可靠性和泛化性更高。

(3)网络结构参数和修正算法参数设定有一定依据支撑。隐含层节点结合经验公式和结果识别率而定，修正算法结合样本和初次网络训练结果而定基本的求解域。

(4)将TLBO优化算法作为优化参数的全局启发式算法，与PSO、DE等优化算法相比，其不需要设置特定的参数，减轻了研究人员的调试工作，同时算法的收敛性高，迭代次数不需要设定过多即可达到收敛，且计算简单，极大减轻了计算机的工作负担，节省了研究人员的时间。

(5)融合动态自适应学习因子，改进TLBO；同时为了避免设定新的参数，将当前迭代次数作为自变量构造自适应学习因子函数，使其迭代初期值较大，越往后越趋近于0，不仅提高算法的收敛速度，而且避免陷入局部收敛。

Claims (4)

1.基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，其特征在于，包括如下步骤：

步骤1，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，将采集到的一维度的振动信号进行白化和去相关预处理，利用基于峭度的FastICA对白化和去相关后的振动数据进行分离；

步骤2，将分离后的振动信号进行梅尔倒谱系数特征提取，将电机轴承的不同工况的振动信号相应的加标签，提取后的样本再划分训练集和测试集；

步骤3，根据特征提取后的样本，设定BPNN网络结构参数，根据经验公式，初步设定隐含层节点数，然后提出逼近求解域的方法，进行初次训练BPNN，提取网络权值和阈值，初步确定STLBO优化算法班级学员的上界和下界，根据范围均匀生成班级学员，将误差累计和作为适应度函数，最后进行优化迭代求当前最优；

STLBO优化算法为融合自适应动态学习因子的TLBO修正算法STLBO优化算法，具体包括如下内容：

定义班级中每个学生为X_i(i＝1,2,…,NP)，老师即最优个体为X_teacher，班级学生的平均水平为

在“教”阶段，融合动态自适应学习因子，其数学表达式如下：

式中：s_i为改进的动态自适应学习因子；t为当前迭代次数；T为最大迭代次数；

和

表示第i个学生学习前后的值；教学因子TF_i＝round[1+rand(0,1)]，即为[1,2]之间的随机整数；

同样，在“学”阶段，每个学生X_i(i＝1,2,…,NP)在班级中随机另选一个学生X_j(j＝1,2,…,NP,j≠i)作为学习对象，融合动态自适应学习因子，表示为：

式中：f(X_i)和f(X_j)分别为第i个学生和第j个学生的知识，即对应的适应度值；

从而提高提高算法的收敛速度，避免陷入局部收敛；

步骤4，迭代完成后，将当前最优的权值和阈值保存到BPNN中，训练网络模型，然后测试并计算得到当前模型的识别率，接着返回步骤3，尝试在经验公式范围内各种隐含层节点数对应的模型识别率，最终取最优的模型和最佳的识别率作为结果。

2.根据权利要求1所述的基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，其特征在于，利用加速度计传感器，采集电机轴承在无故障和不同故障工况下的振动加速度信号，故障均为人为增加的电火花故障，采集得到不同故障工况下的样本包括电机正常基座数据、驱动端轴承内圈故障、驱动端轴承滚动体故障、驱动端轴承外圈相对3点钟方向故障、驱动端轴承外圈相对6点钟方向以及驱动端轴承外圈相对12点钟方向故障，保存数据格式为MAT。

3.根据权利要求2所述的基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，其特征在于，将电机轴承的不同状态相应的加标签，具体标识如下：

0、正常基座数据

1、驱动端轴承内圈故障

2、驱动端轴承滚动体故障

3、驱动端轴承外圈相对3点钟方向故障

4、驱动端轴承外圈相对6点钟方向故障

5、驱动端轴承外圈相对12点钟方向故障。

4.根据权利要求1所述的基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法，其特征在于，步骤3和步骤4确定BPNN网络结构和通过逼近求解域初始化STLBO参数，具体包括如下步骤：

(1)将经过预处理和特征处理后的样本输入到BPNN中训练，提取网络权值和阈值，初步确定其求解域；

(2)在范围中，根据网络结构参数，包括输入层节点数、隐含层节点数和输出层节点数确定STLBO参数矩阵大小，在求得的范围中均匀生成初始参数，其中输入层和输出层由样本决定，隐含层由经验公式初步确定；

(3)将预测值与实际值之间的累计误差作为适应度函数，经过STLBO优化算法迭代求解当前最优权值和阈值，精度误差设为0.05，然后比较经验公式范围内的不同隐含层节点数所对应的识别率，取最优结果确定最终网络参数。

Images