CN114169110A - 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 - Google Patents
基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114169110A CN114169110A CN202210126343.7A CN202210126343A CN114169110A CN 114169110 A CN114169110 A CN 114169110A CN 202210126343 A CN202210126343 A CN 202210126343A CN 114169110 A CN114169110 A CN 114169110A
- Authority
- CN
- China
- Prior art keywords
- model
- gwaa
- xgboost
- motor bearing
- value
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 77
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 241000283153 Cetacea Species 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 9
- 230000035772 mutation Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及基于特征优选和GWOA‑XGBoost的电机轴承故障诊断方法,包括如下步骤:使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。本发明的电机轴承故障诊断方法能提高电机轴承故障诊断的精度。
Description
技术领域
本发明涉及电机故障诊断技术领域,具体涉及基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法。
背景技术
轴承在电机的运行中起着支撑和引导旋转的作用,据统计,电机故障中有40%左右是由轴承故障引发,是电机健康监测的重要对象,直接影响到电机运转的整体性能。因此,开展电机轴承的故障诊断研究意义重大。由于电机轴承位于电机内部,其故障状态难以识别,导致其故障诊断的精度受限。
目前基于振动信号的轴承故障诊断是最为常见的方法,当电机轴承出现故障时振动信号会出现明显的冲击波动,若对振动信号的时频信号进行有效的提取,就能为电机轴承的故障诊断提供有利的数据基础。现有技术通常采用以下几种方法进行电机轴承故障诊断:
1.利用经验模态分解获得振动信号的固有模态函数(Intrinsic Mode Function,IMF),再提取IMF分量的奇异值获得降维后的新特征向量,最后利用模糊神经网络(FuzzyNeural Networks, FNN)评估电机轴承的运行状况;
2.提取振动信号的能量特征,然后利用隐马尔科夫模型(Hidden Markov Model,HMM)建立分类模型,能够有效区分不同类型故障的序列;
3.将卷积神经网络(CNN)应用于电机轴承的故障诊断中,同时还使用传统的FFT进行振动信号特征提取,但无法充分发挥CNN的特征提取优势,从而造成诊断效果欠佳;
4.利用集成模态分解(Ensemble Empirical Mode Decomposition,EEMD)提取IMF分量,并通过Hilbert变换获得包络谱,最后利用优化过的深度信念网络(Deep BeliefNetwork, DBN)进行故障分类,结果较好,但在识别滚动体故障时准确率较低;
5.采用连续小波变换将振动信号转换为二维灰度图像,将CNN从灰度图像中提取的特征输入射频,有效诊断滚动轴承故障;
6.采用一种广义多尺度动态时间弯曲算法,用于从风力发电机组齿轮箱振动信号中提取故障特征,采用拉普拉斯评分法选择敏感特征构造特征向量,采用随机森林(RandomForest, RF)进行故障状态分类。
然而,即使采用上述方法,对电机轴承故障的识别精度仍然达不到令人满意的效果。因此,如何提高电机轴承故障诊断的精度,是需要继续研究的课题。
发明内容
本发明针对现有技术中存在的技术问题,提供基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,以解决提高电机轴承故障诊断的精度的问题。
本发明解决上述技术问题的技术方案如下:
本发明提供基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,包括如下步骤:
使用优化的VMD(Variational Modal Decomposition,变分模态分解)对电机轴承的振动信号进行特征分解,获得其IMF(Intrinsic Mode Function,本征模态函数)分量,基于多尺度熵理论计算各IMF分量的MSE(Multi Scale Entropy,多尺度熵)值,通过所述MSE值对振动信号进行特征重构;
利用GA(遗传)算法对WOA(鲸鱼优化)算法进行改进得到GWOA模型,通过GWOA模型对XGBoost(eXtreme Gradient Boosting,极端梯度提升)模型进行优化;
将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,对VMD进行优化的过程,包括:
预设VMD的IMF分量个数K与惩罚因子α;
初始化PSO算法(Particle Swarm Optimization, 粒子群优化算法)的关键参数,将局部极小熵值作为PSO算法的适应度函数,将待优化的参数[K,α]作为PSO算法的个体位置坐标,随机生成每个个体的初始坐标与初始速度;
使用VMD对每个个体进行分解,计算每个个体对应的局部极小熵值,利用每个个体的局部极小熵值对VMD进行迭代,每次迭代更新局部极小熵值以及全局极小熵值,直到迭代结束,输出最优个体的坐标和速度,最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。
进一步,所述的使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,包括:
确定VMD的IMF分量个数K,使得所有IMF分量的带宽之和最小,将每个IMF分量定义成一个调幅-调频信号;
利用Hilbert变换求出每个IMF分量的解析信号,分别估算K个IMF分量的中心频
率,引入指数项调制各IMF分量的频谱到其所属基频带;求出调制后的信号的梯度平
方范数,通过梯度平方范数估算每个IMF分量的带宽;
基于约束条件,得到变分约束模型,将惩罚因子α和Lagrange乘数λ引入变分约束模型,使变分约束模型转换成变分非约束模型;
基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的‘鞍点’,直至满足迭代停止条件,输出变分约束模型的最优解,通过最优解获得优化的变分约束模型,通过优化的变分约束模型输出K个有限带宽的IMF分量。
进一步,所述的基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构,包括:
基于多尺度熵理论分别计算每个IMF分量的MSE值,得到与K个IMF分量一一对应的K个MSE值,K个MSE值所组成的一组向量就构成一个新的特征。
进一步,所述的通过GWOA模型对XGBoost模型进行优化,包括:
将XGBoost模型的多组初始超参数组合输入GWOA模型,将振动信号训练集以及GWOA模型中的任一组超参数组合输入XGBoost模型进行训练,根据训练得到的诊断结果计算当前超参数组合的适应度值,通过训练过程的反向传播,将当前超参数组合的适应度值与GWOA模型中当前最优超参数组合的适应度值相比较,采用使适应度值最小的方式,通过GWOA模型不断更新最优超参数组合使XGBoost模型输出迭代逼近真实值,最终得到的超参数组合作为XGBoost模型的最优超参数组合。
进一步,所述适应度值为真实值与诊断结果的均方误差;将均方误差更小的超参数组合更新为当前最优超参数组合。
进一步,所述的利用GA算法对WOA算法进行改进得到GWOA模型,其中,GWOA模型的工作步骤包括:
初始化GWOA模型,将原始超参数组合的数据集作为初始代种群输入GWOA模型,其中,每组超参数组合作为一个鲸鱼个体;
设定种群中最优适应度值作为目标,通过不断调整种群内各鲸鱼个体的参数,以更新种群中每个个体的位置;重新迭代计算种群的适应度值,直到达到迭代终止条件,输出基于种群的最优超参数组合。
本发明的有益效果是:本发明提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,解决了电机轴承故障的多样性和模糊性造成诊断精度较低的问题,其主要具有以下优点:1)针对轴承振动信号的非线性和非平稳性特点,利用优化的VMD算法对振动信号进行列预处理,结合多尺度熵理论提高了信号特征提取的能力,有助于深度挖掘振动信号与故障状态的内在联系。
2)在WOA算法中引入遗传算法的选择、交叉、变异操作,有效的帮助WOA跳出局部最优解,再利用改进后的WOA算法优化XGBoost模型。本发明所提模型与传统算法相比在电机轴承的故障诊断中具有更高的诊断精度。
附图说明
图1为本发明提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法的流程图;
图2(a)为本发明提及的WOA算法中鲸鱼捕食行为示意图;
图2(b)为本发明提及的WOA算法中参数优化机制示意图;
图3为本发明提供的GWOA算法流程图;
图4为本发明提供的GWOA-XGBoost模型的训练过程流程图;
图5为本发明实验原始数据集对应的不同故障状态的时频波形图;
图6为本发明优化的VMD算法适应度变化曲线;
图7为本发明电机轴承外圈严重故障分解的时频波形图;
图8为本发明采用GWOA-XGBoost模型的电机轴承故障诊断结果图;
图9为本发明采用WOA-XGBoost模型的电机轴承故障诊断结果图;
图10为本发明采用PSO-XGBoost模型的电机轴承故障诊断结果图;
图11为本发明采用GA-XGBoost模型的电机轴承故障诊断结果图;
图12为本发明采用XGBoost模型的电机轴承故障诊断结果图;
图13为本发明提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统的结构组成图;
图14为本发明提供的一种电子设备的结构示意图;
图15为本发明提供的一种计算机可读存储介质的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本实施例提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法的流程图,如图1所示,本实施例提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,包括如下步骤:
S1,使用优化的VMD(Variational Modal Decomposition,变分模态分解)算法对电机轴承的振动信号进行特征分解,获得其IMF(Intrinsic Mode Function,本征模态函数)分量,基于多尺度熵理论计算各IMF分量的MSE(Multi Scale Entropy,多尺度熵)值,通过所述MSE值对振动信号进行特征重构;
S2,利用GA(遗传)算法对WOA(鲸鱼优化)算法进行改进得到GWOA模型,通过GWOA模型对XGBoost(eXtreme Gradient Boosting,极端梯度提升)模型进行优化;
S3,将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
可以理解的是,基于背景技术中的缺陷,本发明实施例中提出利用优化的VMD算法进行分解获得IMF分量,并计算各IMF分量的多尺度熵重构特征向量,然后利用GWOA-XGBoost对重构的特征向量进行故障诊断,得到更高精度的电机轴承故障诊断结果。具体的,首先针对电机轴承振动信号的非线性和非平稳性特点,利用优化的VMD算法对振动信号进行列预处理,结合多尺度熵理论提高了信号特征提取的能力,有助于深度挖掘振动信号与故障状态的内在联系。然后在WOA算法中引入GA算法(即遗传算法)的选择、交叉、变异操作,有效地帮助WOA算法跳出局部最优解,再利用改进后的WOA算法优化XGBoost模型。最后再通过优化后的XGBoost模型对电机轴承的故障信号进行诊断。经过实验验证,本实施例所使用的模型与传统算法相比在电机轴承的故障诊断中具有更高的诊断精度。
在一种可能的实施例方式中,对VMD算法进行优化的过程,至少包括以下步骤:
预设VMD模型的IMF分量个数K与惩罚因子α;
初始化PSO算法的关键参数,将局部极小熵值作为PSO算法的适应度函数,将待优化的参数[K,α]作为PSO算法的个体位置坐标,随机生成每个个体的初始坐标与初始速度;
使用VMD模型对每个个体进行分解,计算每个个体对应的局部极小熵值,利用每个个体的局部极小熵值对VMD模型进行迭代,每次迭代更新局部极小熵值以及全局极小熵值,直到迭代结束,输出最优个体的坐标和速度,最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。
可以理解的是,本实施例中采用PSO(Particle Swarm Optimization, 粒子群优化)算法对VMD模型进行了优化,以通过优化后的VMD模型获得更准确的IMF分量。
在一种可能的实施例方式中,所述的使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,包括:
确定VMD的IMF分量个数K,使得所有IMF分量的带宽之和最小,将每个IMF分量定义成一个调幅-调频信号;
利用Hilbert变换求出每个IMF分量的解析信号,分别估算K个IMF分量的中心频
率,引入指数项调制各IMF分量的频谱到其所属基频带;求出调制后的信号的梯度平
方范数,通过梯度平方范数估算每个IMF分量的带宽;
基于约束条件,得到变分约束模型,将惩罚因子α和Lagrange乘数λ引入变分约束模型,使变分约束模型转换成变分非约束模型;
基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的‘鞍点’,直至满足迭代停止条件,输出变分约束模型的最优解,通过最优解获得优化的变分约束模型,通过优化的变分约束模型输出K个有限带宽的IMF分量。
更加详细的,现对基于优化VMD算法进行特征提取的基本原理进行说明。
1.VMD分解
VMD是在维纳滤波、希尔伯特变换以及外差调解的基础上建立的一种新的非线性
信号分解方法,避免了EMD(Empirical Mode Decomposition,经验模态分解)在处理信号时
可能出现端点效应或模态混跌的情况,该算法预先确定VMD模态分量个数,保证它们的带
宽之和最小,每个IMF分量被新定义成一个调幅-调频信号,表示如下:
具体分解步骤如下:
1)利用Hilbert变换求出每个IMF分量的解析信号,其单边频谱表示如下:
3)求出调节信号的梯度平方L 2范数,估算每个IMF分量的带宽。最后基于约束条件,得到变分约束模型:
4)将二次罚参数α和Lagrange乘数λ引入公式(4),使变分约束模型转换成变分非约束模型:
2.VMD的参数优化方法
在使用VMD进行分解时,分解层数K和惩罚因子α决定着信号处理的效果,当K值较小时,会存在分解不完全造成原始信号信息丢失的情况,当K值较大时,相邻IMF分量的频率中心间距较小,可能出现模态混叠的现象。惩罚因子α影响着分解过程的降噪性能以及细节保留度。本实施例利用粒子群优化算法(Particle Swarm Optimization, PSO)获得最优K与α的组合。
局部极小熵的值反映了概率分布特性,将其作为判断信号稀疏度的标准,本文引入局部极小熵作为PSO的适应度函数,迭代寻优步骤如下:
1)确定PSO的适应度函数并初始化其关键参数。
3)每次迭代更新,使用VMD对每个个体进行分解,计算其对应的局部极小熵值,将所有个体进行比较,更新局部极值以及全局极值。
4)更新个体的速度和位置,跳至上述步骤3),当迭代进行到预设最大次数或满足预设适应度值条件时停止,最优个体即为所需最佳VMD参数。
在一种可能的实施例方式中,所述的基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构,包括:
基于多尺度熵理论分别计算每个IMF分量的MSE值,得到与K个IMF分量一一对应的K个MSE值,K个MSE值所组成的一组向量就构成一个新的特征。
更加详细的,下面对多尺度熵理论应用到本实施例中进行解释。
基于样本熵概念,Costa等人提出了多尺度熵(Multi Scale Entropy,MSE)理论,从不同的尺度定义了时间序列的不规则变化,对原始信号进行粗粒化计算,得到样本序列在多个尺度下的样本熵,样本熵反映了信号在不同尺度下的复杂特性,进而可区分信号间的差异性。计算方法如下:
其中,i=1,2,3…,n-m。。
其中,i,j=1,2,3…,n-m,k=1,2,3…,m-1。。
当N为有限数时,样本熵表示为:
不同尺度τ的样本熵共同表示多尺度熵MSE:
在一种可能的实施例方式中,请参考图3所示的GWOA算法的流程图,所述的利用GA算法对WOA算法进行改进得到GWOA模型,其中,GWOA模型的工作步骤包括:
初始化GWOA模型,将原始超参数组合的数据集作为初始代种群输入GWOA模型,其中,每组超参数组合作为一个鲸鱼个体;
设定种群中最优适应度值作为目标,通过不断调整种群内各鲸鱼个体的参数,以更新种群中每个个体的位置;重新迭代计算种群的适应度值,直到达到迭代终止条件,输出基于种群的最优超参数组合。
可以理解的是,本实施例中,利用遗传算法对WOA算法进行了改进。
WOA是在2016年提出的一种元启发式群体智能优化算法,该算法是受鲸鱼的气泡网摄食行为启发而来的。如图2(a)所示为鲸鱼捕食行为示意图,鲸鱼在猎物的正下方,沿着螺旋状路径,使用收缩包围的方法逐步逼近猎物,在逼近的同时,不断向上喷吐气泡,猎物无法游过气泡网,与此同时鲸鱼加速上升,吃掉猎物,完成狩猎。WOA的参数优化如图2(b)所示,包括三个机制:环绕收缩、螺旋更新和全局搜索。
1)环绕收缩:
在该阶段,设定种群中的最优单位作为目标,其他个体更新自己的位置并向目标猎物逼近,其数学模型为:
X(t+1)=X P (t)-A∙D (13),
其中:X(t)是鲸鱼个体的位置向量;t为当前的迭代次数;X P (t)是猎物的位置向量;A和B表示系数向量,且有:
其中:r 1 和r 2 是[0,1]内的随机数;a表示调控参数,随着迭代的进行,a从2递减至0,即:
其中:t max 是最大迭代次数。
2)螺旋更新:
螺旋更新机制的数学模型为:
其中:D’表示搜索目标和搜索个体之间的距离;b是形状参数,用来辅助定义图2(b)中的对数螺旋线,l是[-1,1]之间的随机数。
但要注意,捕猎过程中,鲸鱼收缩环形路径的过程与鲸鱼沿环形路径前进的过程是同步进行的,因此,在优化时,群体进行环绕包围和螺旋更新的概率p是相同的,均为0.5,如下所示:
其中p是[0,1]之间随机生成的一个数。
3)全局搜索:
在该阶段,对鲸鱼搜寻猎物的行为进行建模。搜索个体的位置是根据种群中随机选取的一个搜索个体进行更新,而非当前的最优个体。该阶段其他个体将远离随机选取的搜索个体,以执行全局搜索:
其中X rand (t)为种群中随机选取的寻优个体位置。
鲸鱼优化算法往往存在过早陷入局部最优解的现象,于是在WOA模型中引入GA算法的选择、交叉、变异操作,能够使得个体跳出局部最优解获得全局最优解。
4)选择:
采用赌轮选择法,即基于适应度比例的选择策略,对每个个体进行选择,每个个体的选择概率P s 为下式:
其中,F(i)表示第i个个体适应度函数值,适应度值越小越好。个体适应度值与适应能力成反比,适应能力强,则适应度值小。由于适应度值越小越好所以在对个体进行选择之前对适应度值求倒数,记为f i ,f i 越大被选择的概率就越大。
5)交叉:
对选出的个体两两配对,以交叉概率P m 进行均匀算术交叉。交叉概率P m 的计算公式如下:
其中,m是[0,1]区间随机生成的实数。
6)变异:
可以理解的是,在进行选择操作时常用“轮盘赌法”,该操作能够增加种群的平均适应度,但难以产生更优的个体,会导致种群多样性下降,造成部分有意义的点丢失,所以在进行选择时增加一定的选择比例这样即提高了平均适应度,又保证了种群基因的多样性。对于选择操作,在整个迭代过程的早期,使用较大的交叉概率尽可能获得更优的个体,在算法迭代的后期,个体间的差异较小,为避免优秀个体被破坏,需降低交叉概率。同理,当进行变异操作时,前期使用较小的变异概率促进种群前期的进化,后期增加变异概率,避免陷入局部最优,改进的WOA鲸鱼优化算法流程如图3。
在一种可能的实施例方式中,所述的通过GWOA模型对XGBoost模型进行优化,包括:
将XGBoost模型的多组初始超参数组合输入GWOA模型,将振动信号训练集以及GWOA模型中的任一组超参数组合输入XGBoost模型进行训练,根据训练得到的诊断结果计算当前超参数组合的适应度值,通过训练过程的反向传播,将当前超参数组合的适应度值与GWOA模型中当前最优超参数组合的适应度值相比较,采用使适应度值最小的方式,通过GWOA模型不断更新最优超参数组合使XGBoost模型输出迭代逼近真实值,最终得到的超参数组合作为XGBoost模型的最优超参数组合。
本实施例中,所述适应度值为真实值与诊断结果的均方误差;通过GWOA模型不断更新最优超参数组合的过程中,将均方误差更小的超参数组合更新为当前最优超参数组合。
本实施例中,超参数组合至少包括XGBoost模型的迭代次数n、学习率η、最大深度d max 、随机样本比r subsample 、特征占比r colsample 以及决策树分裂点指标r split 。
可以理解的是,XGBoost模型是基于树模型集成的一种新型机器学习算法,它主要是将多个分类精度不高的CART树模型结合,搭建出一个精度较高的模型。模型精度迭代增加,每一轮迭代使用一个新的CART树模型去拟合前一个树模型的残差,该过程叫做梯度提升。XGBoost模型构建如下。
其中,每个f k 对应着一个单独的树模型;q表示一个从样本指向对应叶子标签的向
量;表示树模型的权重,即第i个节点的权重为;T表示叶子节点的数量;F表示树模型
组成的集合;表示对样本x的打分,即模型输出值。
XGBoost的目标函数正则化可以表示为:
其中,式(27)是可微的损失函数,表示输出值和设置标签的差值;式(27)中的表示正则项,用来惩罚模型的复杂性,对叶子节点进行平滑处理,防止其过拟合,、是模型的自定义参数,数值越小,模型约束容易出现过拟合现象。当、为0时,目
标函数就退化为GBDT(Gradient Boosting Decision Tree,梯度提升决策树)了。传统方法
无法求解式(27),利用贪婪学习方法使目标函数f k 最小。
利用XGBoost模型进行分类训练时,迭代次数过少存在欠拟合现象,导致模型
无法充分训练,当n过大,则存在过拟合现象,导致模型对数据训练过于极限而泛化能力下
降;学习率η过小时,模型训练过慢,过大时可能忽略全局最优解;决策树最大深度d max 、随机
样本比r subsample 、特征占比r colsample 以及决策树分裂点指标r split 等共同影响模型的分类能力
和预测精度。本实施例利用改进得到的GWOA算法对这6个参数进行迭代寻优,以增强模型的
故障诊断性能。
基于GWOA优化的XGBoost模型进行电机轴承故障诊断流程如图4,步骤简要概括如下:
数据采集:在电机轴承的位置加装振动加速度传感器,采集在不同故障类型下的原始振动数据;
数据预处理:利用VMD算法分解原始振动信号获得IMF分量,计算每组IMF分量的多尺度熵值,构成新的特征向量;
初始化模型:随机初始化XGBoost模型的6个超参数、设置GWOA算法的初始化参数,GWOA的每个鲸鱼个体的位置即为XGBoost模型的6个超参数;
训练模型:以真实值与诊断结果的均方误差作为适应度值,计算鲸鱼个体的适应度值,并与当前最优鲸鱼个体的适应度值进行比较,更新最优鲸鱼个体、迭代更新每个个体的位置;
故障诊断:当满足停止准则或达到最大迭代次数时终止迭代,将最优鲸鱼个体所对应的超参数代入XGBoost模型,得到优化后的GWOA-XGBoost模型。
最后,采用GWOA-XGBoost模型进行故障诊断测试并与现有技术常用的几种不同模型进行测试结果对比,验证GWOA-XGBoost模型的准确性。
请参考表1,本实施例所使用的实验数据集包含电机轴承的内圈、外圈、滚动体的轻微故障以及严重故障再加上正常运行状态共七类数据。样本运行状态编码如表1。
表 1 电机轴承故障编码
本次实验选择电机运行工况为1马力、转速1772r/min、采样频率12kHz的电机轴承故障数据集,将数据集切分成长度为1200个点的700组数据来验证本实施例所提模型的可行性。数据集中不同故障状态的时频波形如图5所示。
进行实验时,首先是基于优化VMD分解的特征提取。
本实验利用PSO算法训练VMD以获得最优超参数组合,将局部极小熵值作为适应度,适应度变化曲线如图6所示。
由图6看出,在8次迭代后适应度值基本不变,进行10次计算取其平均值,获得最优超参数组合(K,α)=(4,1347),此时的局部最小包络熵值最小。使用优化后的VMD对轴承故障数据进行分解,由于篇幅有限,此处仅列出外圈严重故障分解的时频波形如图7所示。
正交性指数(Index of Orthogonality, IO)可以用来表征各IMF分量的整体正交性,IO值越小,则各IMF分量的正交性越强,能量保存度(Index of Energy Conservation,IEC)表示分解前后能量对比量,IEC的值与1越接近,则分解时保留下的能量越多,分解稳定性越好。优化前后VMD模型分解效果对比如表2,可以看出优化后的VMD模型分解正交性与稳定性都更优异。
表 2 VMD优化前后效果对比
使用优化后的VMD对电机轴承振动信号分解后获得多个IMF分量,由于MSE能够反映信号的复杂性,于是再进行多尺度熵计算重构特征向量。
然后是基于GWOA-XGBoost模型的故障诊断。
将处理好的700组数据随机抽取90%作为训练集,剩下10%作为测试集。利用改进得到的GWOA算法优化XGBoost参数,设置GWOA寻优个体数量为20,维数为7,最大迭代次数为100,将训练集数据输入GWOA-XGBoost模型训练,得最优超参数如表3。
表 3 最优超参数
将训练好的GWOA-XGBoost分类器应用于测试集,故障诊断结果如图8,为验证经GWOA优化的XGBoost模型对电机轴承故障诊断的提升效果,分别利用WOA-XGBoost、PSO-XGBoost、GA-XGBoost、XGBoost对相同的训练集和测试集进行故障诊断,故障诊断结果依次如图9至图12。将诊断结果图8~12对比可以看出未经优化的XGBoost模型的故障诊断效果是很差的,而GWOA-XGBoost模型的故障诊断效果极好,仅在滚动体裂纹以及滚动体严重故障中出现了2处错误诊断,诊断准确率高达97.14%,完全满足工程需求。而出现误诊的原因是由于采集振动信号时,传感器离内圈和外圈更近,采集信号时能够更清晰的采集到内外圈的振动特性,同时滚动体在运转时除了随着内外圈进行公转还存在自传现象,这也为振动信号的采集造成了干扰,因此滚动体的故障诊断更容易出现误诊现象。
为了进一步说明本发明建立的电机轴承故障诊断模型的可靠性与准确性,将本发明所建立模型与常用的故障诊断模型,如BP神经网络、支持向量机(Support VectorMachine,SVM)、极限学习机(Extreme Learing Machine,ELM)进行对比,结果如表4所示。从表4中可以看出,大部分的故障诊断方法在电机轴承故障诊断中的故障诊断率在90%以下,而本发明建立的GWOA-XGBoost模型的故障诊断准确率均高于其他算法,准确率高达97.1%,再一次验证了本发明的技术先进性。
表 4 不同模型的故障诊断准确率
本发明针对电机轴承故障的多样性和模糊性造成诊断精度较低的问题,建立了一种基于改进的GWOA-XGBoost模型的电机轴承故障诊断模型,结合算例分析,所得结论如下:
1)针对轴承振动信号的非线性和非平稳性特点,利用优化的VMD算法对振动信号进行列预处理,结合多尺度熵理论提高了信号特征提取的能力,有助于深度挖掘振动信号与故障状态的内在联系;
2)在WOA算法中引入遗传算法的选择、交叉、变异操作,得到GWOA算法,有效地帮助WOA算法跳出局部最优解;再利用改进后得到的GWOA算法优化XGBoost模型,使用得到的GWOA-XGBoost模型对电机轴承的故障进行诊断验证。经实验验证,本发明所提GWOA-XGBoost模型与传统算法相比在电机轴承的故障诊断中具有更高的诊断精度。
图13为本发明实施例提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统结构图,如图13所示,基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统,包括特征优选模块、模型优化模块和故障诊断模块,其中:
特征优选模块,用于使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;
模型优化模块,用于利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;
故障诊断模块,用于将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
可以理解的是,本发明提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统与前述各实施例提供的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法相对应,基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统的相关技术特征可参考基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法的相关技术特征,在此不再赘述。
请参阅图14,图14为本发明实施例提供的电子设备的实施例示意图。如图14所示,本发明实施例提了一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机软件程序,处理器执行计算机程序时实现以下步骤;
使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;
利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;
将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
请参阅图15,图15为本发明提供的一种计算机可读存储介质的实施例示意图。如图15所示,本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下步骤:
使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;
利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;
将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,包括如下步骤:
使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;
利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;
将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
2.根据权利要求1所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,对VMD进行优化的过程,包括:
预设VMD的IMF分量个数K与惩罚因子α;
初始化PSO算法的关键参数,将局部极小熵值作为PSO算法的适应度函数,将待优化的参数[K,α]作为PSO算法的个体位置坐标,随机生成每个个体的初始坐标与初始速度;
使用VMD对每个个体进行分解,计算每个个体对应的局部极小熵值,利用每个个体的局部极小熵值对VMD进行迭代,每次迭代更新局部极小熵值以及全局极小熵值,直到迭代结束,输出最优个体的坐标和速度,最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。
3.根据权利要求1或2所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,所述的使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,包括:
确定VMD的IMF分量个数K,使得所有IMF分量的带宽之和最小,将每个IMF分量定义成一个调幅-调频信号;
利用Hilbert变换求出每个IMF分量的解析信号,分别估算K个IMF分量的中心频率,引
入指数项调制各IMF分量的频谱到其所属基频带;求出调制后的信号的梯度平方
范数,通过梯度平方范数估算每个IMF分量的带宽;
基于约束条件,得到变分约束模型,将惩罚因子α和Lagrange乘数λ引入变分约束模型,使变分约束模型转换成变分非约束模型;
基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的‘鞍点’,直至满足迭代停止条件,输出变分约束模型的最优解,通过最优解获得优化的变分约束模型,通过优化的变分约束模型输出K个有限带宽的IMF分量。
4.根据权利要求3所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,所述的基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构,包括:
基于多尺度熵理论分别计算每个IMF分量的MSE值,得到与K个IMF分量一一对应的K个MSE值,K个MSE值所组成的一组向量就构成一个新的特征。
5.根据权利要求1或4所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,所述的通过GWOA模型对XGBoost模型进行优化,包括:
将XGBoost模型的多组初始超参数组合输入GWOA模型,将振动信号训练集以及GWOA模型中的任一组超参数组合输入XGBoost模型进行训练,根据训练得到的诊断结果计算当前超参数组合的适应度值,通过训练过程的反向传播,将当前超参数组合的适应度值与GWOA模型中当前最优超参数组合的适应度值相比较,采用使适应度值最小的方式,通过GWOA模型不断更新最优超参数组合使XGBoost模型输出迭代逼近真实值,最终得到的超参数组合作为XGBoost模型的最优超参数组合。
6.根据权利要求5所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,所述适应度值为真实值与诊断结果的均方误差;将均方误差更小的超参数组合更新为当前最优超参数组合。
7.根据权利要求5所述基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法,其特征在于,所述的利用GA算法对WOA算法进行改进得到GWOA模型,其中,GWOA模型的工作步骤包括:
初始化GWOA模型,将原始超参数组合的数据集作为初始代种群输入GWOA模型,其中,每组超参数组合作为一个鲸鱼个体;
设定种群中最优适应度值作为目标,通过不断调整种群内各鲸鱼个体的参数,以更新种群中每个个体的位置;重新迭代计算种群的适应度值,直到达到迭代终止条件,输出基于种群的最优超参数组合。
8.基于特征优选和GWOA-XGBoost的电机轴承故障诊断系统,其特征在于,包括:
特征优选模块,用于使用优化的VMD对电机轴承的振动信号进行特征分解,获得其IMF分量,基于多尺度熵理论计算各IMF分量的MSE值,通过所述MSE值对振动信号进行特征重构;
模型优化模块,用于利用GA算法对WOA算法进行改进得到GWOA模型,通过GWOA模型对XGBoost模型进行优化;
故障诊断模块,用于将特征重构的振动信号输入优化后的XGBoost模型,得到电机轴承故障诊断结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,实现权利要求1至7任一项所述的基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有用于实现权利要求1至7任一项所述的基于特征优选和GWOA- XGBoost的电机轴承故障诊断方法的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126343.7A CN114169110B (zh) | 2022-02-10 | 2022-02-10 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126343.7A CN114169110B (zh) | 2022-02-10 | 2022-02-10 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169110A true CN114169110A (zh) | 2022-03-11 |
CN114169110B CN114169110B (zh) | 2022-06-07 |
Family
ID=80489778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210126343.7A Active CN114169110B (zh) | 2022-02-10 | 2022-02-10 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169110B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434872A (zh) * | 2022-08-11 | 2022-12-06 | 兰州理工大学 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
CN115719040A (zh) * | 2022-11-22 | 2023-02-28 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN116881854A (zh) * | 2023-09-08 | 2023-10-13 | 国际关系学院 | 融合XGBoost计算特征权重的时间序列预测方法 |
CN118484647A (zh) * | 2024-07-08 | 2024-08-13 | 北京理工大学长三角研究院(嘉兴) | 一种基于vmd-hmm的电连接器间歇故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003042012A (ja) * | 2001-08-01 | 2003-02-13 | Toyota Motor Corp | エバポパージシステムの故障診断装置 |
CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
CN113033611A (zh) * | 2021-02-25 | 2021-06-25 | 东北大学 | 一种电机轴承数据采集与故障诊断系统 |
CN113358357A (zh) * | 2021-06-25 | 2021-09-07 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
-
2022
- 2022-02-10 CN CN202210126343.7A patent/CN114169110B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003042012A (ja) * | 2001-08-01 | 2003-02-13 | Toyota Motor Corp | エバポパージシステムの故障診断装置 |
CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
CN113033611A (zh) * | 2021-02-25 | 2021-06-25 | 东北大学 | 一种电机轴承数据采集与故障诊断系统 |
CN113358357A (zh) * | 2021-06-25 | 2021-09-07 | 上海应用技术大学 | 数控机床滚动轴承故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434872A (zh) * | 2022-08-11 | 2022-12-06 | 兰州理工大学 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
CN115719040A (zh) * | 2022-11-22 | 2023-02-28 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
CN115719040B (zh) * | 2022-11-22 | 2023-05-26 | 淮阴工学院 | 一种青霉素发酵过程关键变量软测量方法及系统 |
CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN116058818B (zh) * | 2023-02-21 | 2024-05-10 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN116881854A (zh) * | 2023-09-08 | 2023-10-13 | 国际关系学院 | 融合XGBoost计算特征权重的时间序列预测方法 |
CN116881854B (zh) * | 2023-09-08 | 2023-12-22 | 国际关系学院 | 融合XGBoost计算特征权重的时间序列预测方法 |
CN118484647A (zh) * | 2024-07-08 | 2024-08-13 | 北京理工大学长三角研究院(嘉兴) | 一种基于vmd-hmm的电连接器间歇故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114169110B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN111307453B (zh) | 一种基于多信息融合的传动系统故障诊断方法 | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112036296A (zh) | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN111062533A (zh) | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 | |
Berghout et al. | A semi-supervised deep transfer learning approach for rolling-element bearing remaining useful life prediction | |
CN112560914A (zh) | 一种基于改进lssvm的滚动轴承故障诊断方法 | |
CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
Tian et al. | Joint learning model for underwater acoustic target recognition | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN115238736A (zh) | 一种旋转机械早期故障的识别方法 | |
CN116629431A (zh) | 一种基于变分模态分解和集成学习的光伏发电量预测方法及装置 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN114220164B (zh) | 一种基于变分模态分解和支持向量机的手势识别方法 | |
CN115130514A (zh) | 一种工程设备健康指标构建方法及系统 | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN117194903A (zh) | 一种基于生成对抗网络的网络流量数据补全方法及系统 | |
CN116223038A (zh) | 一种基于改进wgan网络的轴承故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |