CN114118174A - 一种滚动轴承故障诊断方法及系统 - Google Patents
一种滚动轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114118174A CN114118174A CN202111565908.3A CN202111565908A CN114118174A CN 114118174 A CN114118174 A CN 114118174A CN 202111565908 A CN202111565908 A CN 202111565908A CN 114118174 A CN114118174 A CN 114118174A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- fault
- dimensional
- suburb
- 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.)
- Withdrawn
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 241000282461 Canis lupus Species 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282421 Canidae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承故障诊断方法及系统，属于滚动轴承故障分析技术领域，包括以下步骤：采集滚动轴承的不同状态信号；利用时移加权多尺度模糊熵算法TSWMFE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；利用改进广义正则化共面判别分析算法IGRCDA对滚动轴承高维故障特征集进行降维筛选，获得便于识别、敏感的低维故障特征集；利用低维故障特征集对郊狼优化算法优化支持向量机COA‑SVM进行训练，利用训练好的郊狼优化算法优化支持向量机COA‑SVM进行故障诊断。本发明解决了滚动轴承故障特征提取困难的问题，能够有效、准确地诊断出滚动轴承各故障类型，值得被推广使用。
Description
技术领域
本发明涉及滚动轴承故障分析技术领域，具体涉及一种滚动轴承故障诊断方法及系统。
背景技术
滚动轴承作为旋转机械的重要组成部分，承担着转子和定子的连接功能，其运行状态对旋转机械能否长周期稳定工作有着重要影响，滚动轴承大多工作在载荷多变、工况恶劣的环境中，会导致故障的发生甚至可能引起重大的安全事故，对其进行故障诊断有着重要的理论和实际意义。
滚动轴承的信号通常表征为非平稳、非线性等特性，因此，众多衡量机械动力学系统的非线性时间序列复杂度方法相继被提出，并应用于故障诊断领域。其中，时移多尺度模糊熵(TSMFE)结合了时移的思想，解决了多尺度模糊熵(MFE)在粗粒化过程中会出现其粗粒化序列随尺度因子不断增大而减小的问题。但是将TSMFE应用于滚动轴承故障特征提取过程，仍存在以下不足：TSMFE虽然相较于MFE改进了粗粒化不足的缺点，提取的特征值能够保留更多的样本数据信息，但其没有充分考虑时间序列幅值信息的问题，丢失了大部分时间序列的振幅信息。另外经过熵值提取的故障特征往往仍存在信息冗余，这些冗余信息将会影响后续故障诊断的准确度，因此需要进行维数约简进而提取出便于识别、敏感的数据。流形学习作为一种经典的维数约简方法已经广泛地应用于滚动轴承故障诊断的维数约简中，其中，正则化共面判别分析(RCDA)解决了等距规映射(Isomap)、局部切空间规整(LTSA)等传统流形学习没有考虑降维之后的样本之间类内共面紧凑性和类间共面可分性的问题。但是，直接将RCDA应用于滚动轴承故障诊断的维数约简过程，仍存在以下2点不足：(1)RCDA在构建邻域图时仅仅考虑了样本之间的欧氏距离，而欧式距离只能反映样本点之间的空间位置关系，对于强相关的故障特征集，如果使用欧氏距离来度量，可能会无法准确测量出故障样本之间的相对位置。(2)RCDA是一种线性降维方法，在处理非线性、非平稳振动信号上具有一定的局限性。为此，提出一种滚动轴承故障诊断方法及系统。
发明内容
本发明所要解决的技术问题在于：如何解决现有技术中滚动轴承故障特征提取困难、二次特征提取去除冗余信息的问题，提供了一种滚动轴承故障诊断方法，能够有效地、准确地诊断出滚动轴承各种故障类型。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：采集滚动轴承的不同运行状态信号；
S2：利用时移加权多尺度模糊熵算法对每组振动信号进行熵值特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；
S3：利用改进广义正则化共面判别分析算法对滚动轴承高维故障特征集进行降维筛选，获得低维故障特征集；
S4：利用低维故障特征集对郊狼优化算法优化支持向量机进行训练，利用训练好的郊狼优化算法优化支持向量机进行故障诊断。
更进一步地，在所述步骤S1中，利用加速度传感器采集滚动轴承在正常状态(无故障状态)、内圈故障状态、外圈故障状态、滚动体故障状态下的径向振动加速度信号。
更进一步地，所述步骤S2中具体包括以下步骤：
S21：对不同故障状态信号的时间序列X＝{x(1),x(2),x(3)...,x(N)}，通过下式对其进行粗粒化重构得到新序列：
其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和采样间隔；
是经过四舍五入处理的整数，表示上边界个数；
S22：考虑时间序列幅值信息，计算出每个粗粒化序列的权重系数：
其中，τ为尺度因子；
S23：将wk，β添加到每一个粗粒化序列中重构成新的序列
S24：当尺度因子为τ时，计算τ个时移加权时间序列的模糊熵并求均值，计算公式如下：
其中，m为嵌入维数；n为模糊函数梯度；r为相似容限，N为时间序列长度。
更进一步地，在所述步骤S24中，设置时间序列长度N为2048，尺度因子τ为25，嵌入维数m设置为2，相似容限r取0.15SD，模糊函数梯度参数n取2，其中SD为一维时间序列的标准差。
更进一步地，对于高维故障特征样本集X＝{x1,...,xi,...,xN}，xi∈RD，利用改进广义正则化共面判别分析算法IGRCDA对滚动轴承高维故障特征集进行降维筛选，所述步骤S3具体包括以下步骤：
S30：确定输入的高维故障特征样本训练集和对应的类标签集，以及迭代次数T；
S31：数据预处理，根据以下公式计算出核矩阵K，然后中心化核矩阵得到Kp：
其中，x,y是经过TSWMFE特征提取之后得到的高维故障特征集中的向量，Kp为中心化核矩阵K后得到的矩阵，σ为核函数参数；
S32：初始化，使W＝E，迭代次数t＝0；
其中，W为归一化投影矩阵；E为单位矩阵；
S33：根据以下公式确定邻域图中样本对之间的平均距离：
其中，A＝{Ai}和B＝{Bi}为经过TSWMFE特征提取之后得到的高维故障特征集中的向量，
dm(A,B)表示为A,B的欧氏距离；
S34：根据以下公式计算
其中，
分别为类内线性表示系数、类间线性表示系数；Yi和yi是通过线性投影计算的低维数据，Yi＝WTXi，yi＝WTxi；
S35：由公式
X∈Rm×n和
X∈Rm×n计算出Sb和Sw；
S36：计算W，即矩阵
的d个前导特征向量；
S37：如果t≥T，转入步骤S39；
S38：设置t＝t+1，返回步骤S32；
S39：得到W。
更进一步地，所述步骤S4包括以下步骤：
S41：将低维故障特征集中的每类故障按1:4的比例随机分为训练样本集和测试集样本集；并分别对训练样本集和测试样本集进行归一化处理；
S42：定义支持向量机中的核函数为径向基函数，利用郊狼优化算法进行参数优化选取，获得郊狼优化算法优化支持向量机(COA-SVM)；
S43：将训练样本集用于训练郊狼优化算法优化支持向量机(COA-SVM)，然后利用训练好的郊狼优化算法优化支持向量机(COA-SVM)对测试样本集样本进行模式识别。
更进一步地，在所述步骤S4中，定义训练样本三折交叉后的平均识别准确率为适应度值，并设置郊狼群规模为10，每个郊狼群中的郊狼数为5，终止迭代为100，得到郊狼优化算法优化支持向量机(COA-SVM)的最佳惩罚因子和核函数参数。
本发明还公开了一种滚动轴承故障诊断系统，采用上述的诊断方法对滚动轴承的故障状态进行诊断，包括：
信号采集模块，用于采集滚动轴承的不同故障状态信号；
特征提取模块，用于利用时移加权多尺度模糊熵算法对每组振动信号进行熵值特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；
降维筛选模块，用于利用改进广义正则化共面判别分析算法对滚动轴承高维故障特征集进行降维筛选，获得低维故障特征集；
故障诊断模块，用于利用低维故障特征集对郊狼优化算法优化支持向量机进行训练，利用训练好的郊狼优化算法优化支持向量机进行故障诊断；
控制处理模块，用于各模块发出指令，执行相应动作；
所述信号采集模块、特征提取模块、降维筛选模块、故障诊断模块均与控制处理模块电性连接。
本发明相比现有技术具有以下优点：
本发明针对TSMFE没有考虑时间序列幅值信息，导致丢失了大部分时间序列振幅信息的问题，提出一种TSWMFE算法，并利用该算法提取滚动轴承故障特征信息。
本发明针对RCDA在构建邻域图时仅仅考虑了样本对之间的欧氏距离以及在处理非线性数据时仍有局限性的问题，提出一种IGRCDA算法，并将该算法用于对高维故障特征集进行二次特征提取，获取低维、敏感的故障特征集，提高故障诊断准确度。
本发明引入COA-SVM分类器对TSWMFE+IGRCDA特征集进行诊断，有效识别滚动轴承故障类型。
附图说明
图1是本发明实施例中滚动轴承故障诊断方法的流程示意图；
图2是本发明实施例中滚动轴承不同状态的时域波形图；
图3是本发明实施例中TSWMFE算法的流程图；
图4是本发明实施例中TSWMFE特征提取结果示意图；
图5是本发明实施例中IGRCDA特征集降维结果示意图；
图6是本发明实施例中COA-SVM方法的流程图；
图7是本发明实施例中COA-SVM对降维后的特征集识别结果示意图。
具体实施方式
下面对本发明的实施例做详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：一种滚动轴承故障诊断方法，利用BVT-5轴承故障测量仪(故障实验平台)采集的滚动轴承信号数据为例进行方法验证。其中，电动机转速1800r/min，采样频率为5120HZ，采样点设置为2048个采样点，包括以下步骤：
S1：采集滚动轴承的不同故障状态信号；
S2：利用时移加权多尺度模糊熵算法TSWMFE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；
S3：利用改进广义正则化共面判别分析算法IGRCDA对滚动轴承高维故障特征集进行降维筛选，获得便于识别、敏感的低维故障特征集；
S4：利用低维故障特征集对郊狼优化算法优化支持向量机COA-SVM进行训练，利用训练完成的郊狼优化算法优化支持向量机COA-SVM进行故障诊断。
在本实施例中，所述采集滚动轴承的不同运行状态信号具体为：利用加速度传感器采集滚动轴承在正常状态、外圈故障状态、内圈故障状态和滚动体故障状态下的径向振动加速度信号；本实施例利用加速度传感器分别采集滚动轴承正常(NOR)、外圈故障(ORF)、内圈故障(IRF)和滚动体故障(BF)下4种状态振动加速度信号各50组，4种状态共计200组样本信号，对应时域波形如图2所示。
在本实施例中，所述利用时移加权多尺度模糊熵算法(TSWMFE)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集具体过程为：时移加权多尺度模糊熵算法(TSWMFE)对每组振动信号进行熵值特征提取，构建原始高维特征集，TSWMFE的算法流程图如图3所示，其对滚动轴承不同状态的熵值均值曲线如图4所示。
所述TSWMFE的原理如下：
多尺度模糊熵(MFE)克服了模糊熵(FE)只考虑单一时间序列的复杂度，可能会忽略其他尺度下有用信息的不足，具体过程如下：
(1)将原始时间序列X＝{x(1),x(2),x(3),...x(N)}进行粗粒化重构，得到新序列
如下：
其中，τ为尺度因子，是正整数，当τ＝1时，不会进行粗粒化过程。对于尺度因子τ，样本X被分割成长度为
的序列；N为时间序列长度。
(2)分别计算每一个粗粒化序列的模糊熵，并刻画成尺度因子的函数，即：
MFE(X,τ,m,n,r)＝FuzzyEn(y(τ),m,n,r)
其中，m为嵌入维数；n为模糊函数梯度；r为相似容限。
时移多尺度模糊熵(TSMFE)通过结合时移方法的思想，克服了MFE在粗粒化过程中会出现其粗粒化序列随尺度因子不断增大而减小的情况，从而导致熵值的可靠性和稳定性减弱的问题，具体过程如下：
(1)给定的原始时间序列X＝{x(1),x(2),x(3)...,x(N)}，通过下式对其进行粗粒化重构：
其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和采样间隔；Δ(k,β)＝(N-β)/k表示上边界个数。
(2)当尺度因子为τ时，计算τ个时移粗粒化序列的模糊熵(FE)并求均值，计算公式如下：
其中，m为嵌入维数；n为模糊函数梯度；r为相似容限，N为时间序列长度。
本实施例提出的时移加权多尺度模糊熵算法(TSWMFE)过程如下：
(1)对不同故障状态信号的时间序列X＝{x(1),x(2),x(3)...,x(N)}，参照TSMFE计算过程，通过下式对其进行粗粒化重构得到新序列：
其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和采样间隔；
是个四舍五入的整数，表示上边界个数。
(2)考虑时间序列幅值信息，计算出每个粗粒化序列的权重系数：
其中，τ为尺度因子；
(3)将wk，β添加到每一个粗粒化序列中重构成新的序列
(4)当尺度因子为τ时，计算τ个时移加权时间序列的模糊熵并求均值，计算公式如下：
其中，m为嵌入维数；n为模糊函数梯度；r为相似容限，N为时间序列长度。
在本实施例中，设置TSWMFE参数如下：设置时间序列长度N为2048，尺度因子τ为25，嵌入维数m设置为2，相似容限r取0.15SD(SD为一维时间序列的标准差)，模糊函数梯度参数n取2。据图4可知：(1)对于起始尺度而言，TSWMFE得到的滚动轴承四种状态中正常状态熵值最大。对于实际工况而言，当滚动轴承处于正常状态时，振动信号波动较为随机，信号的无规则性较高，自相似性较低，故熵值较大；而当轴承出现局部故障时，振动信号波动出现一定规律性，信号的规则性和自相似性较高，故熵值较小，因此TSWMFE算法适用于判断滚动轴承故障是否发生。(2)所提TSWMFE方法获取的熵值均值曲线较为平滑，并且能够有效将四类样本区分开，进而可验证利用该算法进行滚动轴承故障特征全面提取的有效性。
由于TSWMFE算法提取的故障特征集维数较高，其中不仅包含故障信息，还可能夹杂着一部分冗余信息，直接利用COA-SVM分类器进行故障识别，会增加识别时间甚至影响识别效果。因此，本实施例采用改进广义正则化共面判别分析(IGRCDA)算法对其进行降维处理，提取出敏感、易于识别的低维特征集，降维结果如图5所示(X,Y,Z轴分别为第一主元方向、第二主元方向、第三主元方向)。IGRCDA对TSWMFE特征集的降维结果中，能够有效地将四类样本完全区分开，并且四类样本聚集性较好，这体现本实施例所提TSWMFE与IGRCDA相结合的特征提取方式，能够有效提取出易于区分滚动轴承故障特征信息的低维、敏感特征集。
其中，所述改进广义正则化共面判别分析(IGRCDA)算法原理是：
正则化共面判别分析(RCDA)算法考虑了降维之后样本间的类内共面紧凑性和类间共面可分性，具体过程如下：
(1)建立共面投影和平均约束投影模型，即：
其中，W WT＝，E是单位矩阵，βw为线性表示系数
(2)提出以下模型寻找归一化投影矩阵W∈Rm×d来平衡上述模型，使得在线性变换之后具有平均l2正则化的类内以及类间线性表示的误差最小化，并将该模型改写成紧凑表示的矩阵形式，称为类内共面紧凑性和类间共面可分性：
其中，
X∈Rm×n；除xj之外，Xj和xi的样本一致；C是样本数，Xc是C的样本；Bw∈Rm×n、Bc∈Rm×n是由
组成的权重矩阵；
X∈Rm×n，Tr(*)为矩阵的迹。
(3)构建RCDA模型：寻找一个线性投影矩阵W，类内线性表示系数
和类间线性表示系数
使类内共面紧凑性最小化，同时使类间共面可分性最大化；根据(2)中的类内共面紧凑性和类间共面可分性的表达式，写出RCDA模型：
其中，W∈Rm×d,WWT＝E，
表示为βw，
表示为βb。
本实施例中改进广义正则化共面判别分析算法(IGRCDA)克服了正则化共面判别分析(RCDA)在构建邻域图时仅考虑样本对之间的欧氏距离以及在处理具有非线性结构的数据具有局限性，对于高维故障特征样本集X＝{x1,...,xi,...,xN}，xi∈RD，IGRCDA方法的流程如下：
(1)确定输入的高维故障特征样本训练集和对应的类标签集，以及迭代次数T；
(2)数据预处理，根据以下公式计算出核矩阵K，然后中心化核矩阵得到Kp：
其中，x,y是经过TSWMFE特征提取之后得到的高维故障特征集中的向量，Kp为中心化核矩阵K后得到的矩阵，σ为核函数参数；
(3)初始化，使W＝E，迭代次数t＝0；
(4)根据以下公式确定邻域图中样本对之间的平均距离：
其中，A＝{Ai}和B＝{Bi}为经过TSWMFE为经过TSWMFE特征提取之后得到的高维故障特征集中的向量，
dm(A,B)表示为A,B的欧氏距离；
(5)根据以下公式计算
其中，
分别为类内线性表示系数、类间线性表示系数；Yi和yi是通过线性投影计算的低维数据，Yi＝WTXi，yi＝WTxi；
(6)由公式
X∈Rm×n和
X∈Rm×n计算出Sb和Sw；
(7)计算W，即矩阵
的d个前导特征向量；
(8)如果t≥T，转入步骤(10)；
(9)设置t＝t+1，返回步骤(3)；
(10)得到W。
在本实施例中，所述利用低维故障特征集对郊狼优化算法优化支持向量机(COA-SVM)进行训练，利用训练好的郊狼优化算法优化支持向量机(COA-SVM)进行故障诊断具体包括以下步骤：
1、郊狼优化算法基本步骤如下：
(1)参数初始化：初始化总体郊狼数量；初始郊狼社会条件、评估郊狼在当前社会条件下的适应性，该算法使用训练样本三折交叉验证后的平均识别率作为适应度函数；所谓三折交叉验证，就是训练样本数据随机的分成3份，每次随时的选择2份来训练样本，然后选择损失函数评估最优的模型和参数；接着定义每一个种群的阿尔法狼：
其中，lbj和ubj分别表示决策变量的上下限，rj是在[0,1]范围内的随机量；
D是搜索空间维度，f(*)为适应度函数。
(2)计算种群的社会文化倾向：
其中，Op,t表示[1,D]范围内每个j时间内种群所有郊狼的等级社会条件。
(3)对每只郊狼进行社会条件的更新，评估新的社会条件，然后判断新的社会条件是否比旧的社会条件更能适合郊狼种群生存：
其中，r1和r2分别代表阿尔法狼和狼群的影响力权重，最初r1和r2被定义为以均匀概率生成的[0,1]范围内的随机数；δ1和δ2分别表示随机的郊狼(cr1、cr2)与阿尔法狼、郊狼群的文化差异，即：
和
(4)计算郊狼出生和死亡以及狼群之间的变换概率Pe：
其中，r1和r2是来自狼群的随机郊狼；j1和j2是出生和死亡这个问题的随机维度；Ps是分散概率，定义为：Ps＝1/D；Pa是关联概率，定义为：Pa＝(1-Ps)/2；Rj是决策变量界限内的随机数；rndj是以均匀概率生成的[0,1]范围内的随机数；Nc为每个郊狼群中郊狼的个数。
(5)更新郊狼的年龄，然后重复步骤(2)、(3)、(4)，直到满足迭代终止条件，输出最能适应新环境的郊狼。
2、利用郊狼优化算法优化支持向量机(COA-SVM)进行故障诊断具体包括以下步骤：
(1)：将低维故障特征集中的每种故障按1:4的比例随机分为训练样本集和测试集样本集；并分别对训练样本集和测试样本集进归一化处理；
(2)：定义SVM模型中的核函数为径向基函数，利用郊狼优化算法进行参数优化选取；
(3)：将训练样本集用于训练COA-SVM模型，然后利用训练好的COA-SVM模型对测试样本集样本进行模式识别。
在本实施例中，步骤S4中，定义训练样本三折交叉后的平均识别准确率为适应度值，并设置郊狼群规模为10，每个郊狼群中的郊狼数为5，终止迭代为100，以此，得到COA-SVM模型的最佳惩罚因子和核函数参数。其方法流程图如图6所示。
本实施例对测试样本集样本的识别结果如图7所示。据图7所示，本实施例所提故障诊断方法的能够有效识别各故障类型，识别率达到100％。
综上所述，上述实施例的滚动轴承故障诊断方法，针对TSMFE没有考虑时间序列幅值信息的问题，丢失了大部分时间序列的振幅信息的问题，提出一种TSWMFE算法，并利用该算法提取滚动轴承故障特征信息；针对RCDA在构建邻域图时仅仅考虑了样本对之间的欧氏距离以及在处理非线性数据时仍有局限性的问题，提出一种IGRCDA算法，并将该算法用于对高维故障特征集进行二次特征提取，获取低维、敏感的故障特征集，提高故障诊断准确度；并引入COA-SVM分类器对TSWMFE+IGRCDA特征集进行诊断，有效识别滚动轴承故障类型，值得被推广使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种滚动轴承故障诊断方法，其特征在于，包括以下步骤：
S1：采集滚动轴承正常运行及处于不同故障状态下的信号；
S2：利用时移加权多尺度模糊熵算法对正常运行及处于不同故障状态下的振动信号进行时移加权多尺度模糊熵值特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；
S3：利用改进广义正则化共面判别分析算法对滚动轴承高维故障特征集进行降维筛选，获得低维故障特征集；
S4：利用低维故障特征集对郊狼优化算法优化支持向量机进行训练，利用训练好的郊狼优化算法优化支持向量机进行故障诊断。
2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：在所述步骤S1中，利用加速度传感器采集滚动轴承在正常状态、内圈故障状态、外圈故障状态、滚动体故障状态下的径向振动加速度信号。
3.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：所述步骤S2中具体包括以下步骤：
S21：对不同故障状态信号的时间序列X＝{x(1),x(2),x(3)...,x(N)}，通过下式对其进行粗粒化重构得到新序列：
其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和采样间隔；
是经过四舍五入处理的整数，表示上边界个数；
S22：考虑时间序列幅值信息，计算出每个粗粒化序列的权重系数：
其中，τ为尺度因子；
S23：将wk，β添加到每一个粗粒化序列中重构成新的序列
S24：当尺度因子为τ时，计算τ个时移加权时间序列的模糊熵并求均值，计算公式如下：
其中，m为嵌入维数；n为模糊函数梯度；r为相似容限，N为时间序列长度。
4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征在于：在所述步骤S24中，设置时间序列长度N为2048，尺度因子τ为25，嵌入维数m设置为2，相似容限r取0.15SD，模糊函数梯度参数n取2，其中SD为一维时间序列的标准差。
5.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：利用改进广义正则化共面判别分析算法IGRCDA对滚动轴承高维故障特征集进行降维筛选，所述步骤S3具体包括以下步骤：对于高维故障特征样本集X＝{x1,...,xi,...,xN}，xi∈RD。
S30：确定输入的高维故障特征样本训练集和对应的类标签集，以及迭代次数T；
S31：数据预处理，根据以下公式计算出核矩阵K，然后中心化核矩阵得到Kp：
其中，x,y是经过TSWMFE特征提取之后得到的高维故障特征集中的向量，Kp为中心化核矩阵K后得到的矩阵，σ为核函数参数；
S32：初始化，使W＝E，迭代次数t＝0；
其中，W为归一化投影矩阵；E为单位矩阵；
S33：根据以下公式确定邻域图中样本对之间的平均距离：
其中，A＝{Ai}和B＝{Bi}为经过TSWMFE特征提取之后得到的高维故障特征集中的向量，
dm(A,B)表示为A,B的欧氏距离；
S34：根据以下公式计算βi w，
其中，
分别为类内线性表示系数、类间线性表示系数；Yi和yi是通过线性投影计算的低维数据，Yi＝WTXi，yi＝WTxi；
S35：由公式
X∈Rm×n和
X∈Rm×n计算出Sb和Sw；
S36：计算W，即矩阵
的d个前导特征向量；
S37：如果t≥T，转入步骤S39；
S38：设置t＝t+1，返回步骤S32；
S39：得到W。
6.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征在于：所述步骤S4包括以下步骤：
S41：将低维故障特征集中的每类故障按1:4的比例随机分为训练样本集和测试集样本集；并分别对训练样本集和测试样本集进归一化处理；
S42：定义支持向量机中的核函数为径向基函数，利用郊狼优化算法进行参数优化选取，获得郊狼优化算法优化支持向量机；
S43：将训练样本集用于训练郊狼优化算法优化支持向量机，然后利用训练好的郊狼优化算法优化支持向量机对测试样本集样本进行模式识别。
7.根据权利要求6所述的一种滚动轴承故障诊断方法，其特征在于：在所述步骤S4中，定义训练样本三折交叉后的平均识别准确率为适应度值，并设置郊狼群规模为10，每个郊狼群中的郊狼数为5，终止迭代为100，得到郊狼优化算法优化支持向量机的最佳惩罚因子和核函数参数。
8.一种滚动轴承故障诊断系统，其特征在于，采用如权利要求1～7任一项所述的诊断方法对滚动轴承的故障状态进行诊断，包括：
信号采集模块，用于采集滚动轴承的不同运行状态信号；
特征提取模块，用于利用时移加权多尺度模糊熵算法对每组振动信号进行熵值特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；
降维筛选模块，用于利用改进广义正则化共面判别分析算法对滚动轴承高维故障特征集进行降维筛选，获得低维故障特征集；
故障诊断模块，用于利用低维故障特征集对郊狼优化算法优化支持向量机进行训练，利用训练好的郊狼优化算法优化支持向量机进行故障诊断；
控制处理模块，用于各模块发出指令，执行相应动作；
所述信号采集模块、特征提取模块、降维筛选模块、故障诊断模块均与控制处理模块电性连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111565908.3A CN114118174A (zh) | 2021-12-20 | 2021-12-20 | 一种滚动轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111565908.3A CN114118174A (zh) | 2021-12-20 | 2021-12-20 | 一种滚动轴承故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118174A true CN114118174A (zh) | 2022-03-01 |
Family
ID=80361564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111565908.3A Withdrawn CN114118174A (zh) | 2021-12-20 | 2021-12-20 | 一种滚动轴承故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118174A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115864644A (zh) * | 2022-12-05 | 2023-03-28 | 国网北京市电力公司 | 一种继电保护装置状态评价方法、系统、设备及介质 |
| CN116430188A (zh) * | 2023-06-13 | 2023-07-14 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
-
2021
- 2021-12-20 CN CN202111565908.3A patent/CN114118174A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115864644A (zh) * | 2022-12-05 | 2023-03-28 | 国网北京市电力公司 | 一种继电保护装置状态评价方法、系统、设备及介质 |
| CN116430188A (zh) * | 2023-06-13 | 2023-07-14 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
| CN116430188B (zh) * | 2023-06-13 | 2023-08-29 | 南昌工程学院 | 基于改进白冠鸡优化算法的变压器故障声纹诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191740B (zh) | 一种滚动轴承故障诊断方法 | |
| CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
| CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
| CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
| CN108709745B (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN109558873B (zh) | 一种基于变样本栈式自编码网络的模式识别方法 | |
| CN114118174A (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
| CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
| CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
| CN114638251A (zh) | 基于rcmrde与jmim特征选择的滚动轴承故障诊断方法 | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| CN113869451B (zh) | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 | |
| CN117949821B (zh) | 一种异步电机故障诊断方法及相关设备 | |
| Ge et al. | A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs | |
| CN115046765A (zh) | 基于门控卷积神经网络的滚动轴承类不平衡故障诊断方法 | |
| CN114722520A (zh) | 基于增强字典学习的行星轴承智能故障诊断方法 | |
| CN114088400A (zh) | 一种基于包络排列熵的滚动轴承故障诊断方法 | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |