CN115329815A - 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统 - Google Patents

气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统 Download PDF

Info

Publication number
CN115329815A
CN115329815A CN202210971698.6A CN202210971698A CN115329815A CN 115329815 A CN115329815 A CN 115329815A CN 202210971698 A CN202210971698 A CN 202210971698A CN 115329815 A CN115329815 A CN 115329815A
Authority
CN
China
Prior art keywords
entropy
bubble
imf
fault
bearing
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.)
Pending
Application number
CN202210971698.6A
Other languages
English (en)
Inventor
陈剑
杨惠杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210971698.6A priority Critical patent/CN115329815A/zh
Publication of CN115329815A publication Critical patent/CN115329815A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统，所述方法包括：采集轴承故障的振动信号；对振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的初始IMF分量进行筛选，以获取需要的IMF分量；计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；将特征向量输入至故障诊断分类模型，获取轴承的故障类型，其中，故障诊断分类模型为采用算术优化算法优化的支持向量机模型。本发明通过自适应噪声集合经验模态分解和气泡熵实现有效特征提取，剔除了信号中的噪声干扰；采用算术优化算法优化惩罚因子和核参数，避免了SVM模型陷入局部最优，提高其故障诊断分类的结果的准确性。

Description

气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统
技术领域
本发明属于滚动轴承故障诊断和识别领域，具体涉及了一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统。
背景技术
当今机器设备正朝着高速、重载、精密方面发展，滚动轴承作为机器设备的核心零件，对维持设备运转起到重要作用。而轴承长期在复杂工况下工作以及受交变应力的持续作用，导致其性能退化，最终演变为故障。因此，对滚动轴承故障进行监测、识别具有重要意义，不仅能提前预防故障的产生，也能有效保障人的生命安全。
特征提取是故障诊断领域的热点和关键，国内外有不少学者都进行了深入研究。现有的集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)就是在经验模态分解(Empirical Mode Decomposition，EMD)的基础上加入白噪声辅助信号处理，有效抑制了模态混叠，但在低频部分依旧无法避免这种现象，而变分模态分解(Variation ModeDecomposition，VMD)算法避免了EMD的问题且具有良好的抗噪能力，但VMD分解结果容易受到分解层数和惩罚因子设定的影响。手动参数寻优依赖先验知识，计算效率不高而且不能获得最佳分解效果；若使用网格算法等进行全局寻优时，选取的目标函数会受到外界干扰，易陷入局部极值最优。
发明内容
鉴于以上现有技术的缺点，本发明的目的在于提供一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统，以解决上述技术问题。
为实现上述目的及其它相关目的，本发明提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，包括：
采集轴承故障的振动信号；
对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；
计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型，其中，所述故障诊断分类模型为采用算术优化算法优化的支持向量机模型。
在本发明的一个实施例中，对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量的步骤包括：
对所述振动信号添加白噪声后进行EMD分解，以获取多个第一IMF分量；
将分解得到的多个所述第一IMF分量取平均值以获取初始IMF分量；
将所述初始IMF分量从所述原信号中减去以获取残余分量；
判断所述残余分量是否为单调函数；
若否，则将所述残余分量作为振动信号，重新对振动信号进行分解计算残余分量；
若是，则将保存获取的多个初始IMF分量进行筛选，以获取所述IMF分量。
在本发明的一个实施例中，计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
将筛选得到的每个IMF分量分别进行相空间重构，以获取第一矩阵和第二矩阵，其中，所述第二矩阵的维数比所述第一矩阵的维数大一维；
根据所述第一矩阵和第二矩阵获取所述每个IMF分量对应的第一瑞丽熵和第二瑞丽熵；
根据所述第一瑞丽熵和所述第二瑞丽熵计算每个IMF分量对应的气泡熵。
在本发明的一个实施例中，获取瑞丽熵的步骤包括：
对矩阵中每一行中的相邻元素顺序进行交换，直至每一行元素的顺序为从左到右依次增大，并统计每一行的交换次数；
获取关于出现的每种交换次数与该交换次数的个数直方图，并将所述直方图归一化，以获取出现的每一种交换次数的概率，并计算其瑞丽熵。
在本发明的一个实施例中，每一种交换次数的概率通过下式计算：
Figure BDA0003793548970000031
其中，pi表示交换次数为i的概率；ni为交换次数为i的个数；N表示IMF分量的长度；m表示矩阵的维数。
在本发明的一个实施例中，瑞丽熵通过公式
Figure BDA0003793548970000032
计算。
在本发明的一个实施例中，所述气泡熵根据下式计算：
Figure BDA0003793548970000033
其中，BE表示气泡熵；
Figure BDA0003793548970000034
表示第二瑞丽熵；
Figure BDA0003793548970000035
表示第一瑞丽熵。
在本发明的一个实施例中，采用算术优化算法优化的支持向量机模型获取故障诊断分类模型的步骤包括：
设置参数惩罚因子和核参数的范围，在所述参数惩罚因子和核参数的范围分别随机选取一个值以构成粒子，并由多个所述粒子组成粒子群；
更新迭代所述粒子群中粒子的参数惩罚因子和核参数，并计算粒子的适应度值，若更新后粒子的适应度值优于更新前的适应度值，则将更新后的粒子作为最优粒子；
判断更新迭代次数是否等于预设最大迭代次数；
若迭代次数是等于预设最大迭代次数，则优化完成；获取其最优粒子，并根据所述最优粒子对应的参数惩罚因子和核参数构建最优支持向量机模型
否则，重复更新所述粒子的参数惩罚因子和核参数以进行迭代。
在本发明的一个实施例中，所述故障类型包括正常轴承、滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障和内圈滚子复合型故障中的一种或多种。
本发明还提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断系统，包括：
信号采集模块，用于采集轴承故障的振动信号；
数据处理模块，用于对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；以及用于计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
模型优化模块，用于采用算术优化算法优化的支持向量机模型，以获取故障诊断分类模型；
故障诊断分类模块，用于将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型。
本发明提出一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述实施例中任意一项所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法。
本发明提出一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如上述实施例中任意一项所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法。
本发明提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统，其是基于自适应噪声集合经验模态分解、气泡熵和支持向量机相结合的轴承故障诊断方法，通过自适应噪声集合经验模态分解和气泡熵实现有效特征提取，剔除了信号中的噪声干扰；采用算术优化算法优化惩罚因子和核参数，避免了SVM模型陷入局部最优，提高其故障诊断分类的结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明于一实施例中轴承故障诊断方法的流程图。
图2为本发明于一实施例中获取需要的IMF分量的步骤流程图。
图3为本发明于一实施例中计算气泡熵并重构特征向量的步骤流程图。
图4为本发明于一实施例中优化故障诊断分类模型的步骤流程图。
图5为本发明于一实施例中轴承故障诊断系统的结构框图。
图6为本发明于一实施例中轴承外圈故障时域信号图。
图7为本发明于一实施例中故障信号分解获得的前6阶IMF分量图。
图8为本发明于一实施例中AOA算法优化曲线图。
图9为本发明于一实施例中轴承故障诊断方法的分类结果图。
图10为现有的BE-SVM分类方法的分类结果图。
图11为现有的PE-AOA-SVM分类方法的分类结果图。
图12为本发明于一实施例中电子设备的计算机系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1所示，在本实施例中，为解决上述技术问题，本发明提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统，该轴承故障诊断分类方式是基于自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition withAdaptive Noise，CEEMDAN)、气泡熵和支持向量机(Support Vector Machine，SVM)相结合的方法，该方法首先经自适应噪声集合经验模态分解分解得到一系列本征模态函数(Intrinsic Mode Function，IMF)分量，然后筛选重要IMF分量计算其气泡熵值，根据其气泡熵值构建故障特征向量并输入到经算术优化算法(AOA)优化的支持向量机模型中进行训练和轴承故障分类，有效提高滚动轴承故障诊断准确率，该方法识别准确率高达97.8％，可以用于轴承故障分类。具体的，请参阅图1所示，所述轴承故障诊断方法包括：
步骤S101，采集轴承故障的振动信号；
请参阅图1所示，在本实施例中，在主轴轴承试验机上安装加速度振动传感器和声音传感器，以采集轴承运转过程中的振动信号，需要说明的是，该主轴轴承试验机实验转速3000t/min，径向载荷4kN，以20480Hz的采样频率采集振动信号，采样时间为1s。在本实施例中，通过利用设置在主轴轴承试验机上的加速度振动传感器和声音传感器采集轴承从初始运行至完全失效的全寿命数据。
步骤S102，对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；
请参阅图1及图2所示，在本实施例中，通过在每次分解过程中都加入白噪声，使其计算效率得到提高，重构误差几乎为0，具体的，对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量的步骤包括：
S201、对所述原信号添加白噪声后进行EMD分解，以获取多个第一IMF分量；
请参阅图1及图2所示，具体的，所述振动信号y(t)添加白噪声后得到第一信号为：Ri(t)＝y(t)+β0ωi(t)，分别将每次添加白噪声后得到的第一信号分别进行EMD分解，以得到多个第一IMF分量IMFi，其中，i表示EMD分解的次数，且i＝1,2,Λ,I；β0表示添加的白噪声的幅值；ωi(t)表示第i次分解时添加的满足正态分布的高斯白噪声；IMFi表示第i次EMD分解得到的IMF分量。
S202、将分解得到的多个所述第一IMF分量取平均值以获取初始IMF分量IMFj。请参阅图1及图2所示，其中，IMFj表示第j迭代过程的初始IMF分量，例如，第一次迭代过程中将振动信号y(t)作为原信号进行EMD分解后并取平均值后得到的初始IMF分量为第一初始IMF分量IMF1，即
Figure BDA0003793548970000081
S203、将所述初始IMF分量从所述原信号中减去以获取残余分量。请参阅图2所示，例如，第一次迭代过程中得到的残余分量为：Z1(t)＝y(t)-IMF1。
S204、判断所述残余分量是否为单调函数；
S205、若否，则将所述残余分量作为振动信号，重新对振动信号进行分解计算残余分量，即并重复添加白噪声进行EMD分解至取平均值获取残余分量的过程，即重复步骤S202至步骤S204的过程进行迭代。
S206、若是，则将保存获取的多个初始IMF分量进行筛选，以获取所述IMF分量。
请参阅图1及图2所示，例如，在第一次迭代过程中，步骤S205将所述残余分量Z1(t)作为原信号重复步骤S201至步骤S204的过程，以得到第一初始IMF分量IMF2以及对应的残余分量Z2(t)＝Z1(t)-IMF2，在其余迭代过程中其得到的初始IMF分量IMFj以及对应的残余分量Zj(t)＝Zj-1(t)-IMFj，其中，Zj(t)表示第j次迭代过程中得到的残余分量，j＝1,2，…，n，重复其过程，直至获取的残余分量为单调函数r(t)，同时多个初始IMF分量IMFj。
对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；请参阅图1及图2所示，具体的，例如根据分解得到的所有初始IMF分量和单调函数r(t)构建第一信号Y(t)，其中
Figure BDA0003793548970000082
再根据所述第一信号筛选出需要的IMF分量。
步骤S103，计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；其中，请参阅图1及图3所示，计算每个筛选得到的IMF分量对应的气泡熵的步骤包括：
S301，将筛选得到的每个IMF分量分别进行相空间重构，以获取第一矩阵和第二矩阵，其中，所述第二矩阵的维数比所述第一矩阵的维数大一维；
S302，根据所述第一矩阵和第二矩阵获取所述每个IMF分量对应的第一瑞丽熵和第二瑞丽熵；
S303，根据所述第一瑞丽熵和所述第二瑞丽熵计算每个IMF分量对应的气泡熵。
其中，取瑞丽熵的步骤包括：
S3021，对所述第一矩阵中每一行中的元素顺序进行交换，直至每一行元素的顺序为从左到右依次增大，并统计每一行的交换次数；
S3022，获取关于出现的交换次数与个数直方图，并将所述直方图归一化，以获取出现的每一种交换次数的概率，并计算其第一瑞丽熵。
以第一矩阵为例进行说明，请参阅图1及图3所示，例如，将筛选后得到的某一IMF分量进行相空间重构，以获取m维第一矩阵S，S＝{S(1),S(2),Λ,S(N-m+1)}，其中，S(i)＝{s(i),s(i+1),Λ,S(m)}，其中，N表示IMF分量的长度。
请参阅图1及图3所示，例如，分别对所述第一矩阵S中每一行中的元素的顺序进行交换，直至每一行元素的顺序为从左到右依次增大，并统计每一行的交换次数，例如每一行的元素的个数为m,从第一个元素开始，需要对后面m-1个元素进行判断，若左边元素小于右边元素，则位置不变，反之则交换位置，则其每一行的交换次数的最大值为
Figure BDA0003793548970000091
请参阅图1及图3所示，例如，每一行通过交换元素位置使其实现每一行元素的顺序为从左到右依次增大时的交换次数不定，通过统计每一种交换次数和与其对应的个数以获取直方图，并计算每一种交换次数的概率，其概率例如通过下式进行计算：
Figure BDA0003793548970000101
其中，pi表示交换次数为i的概率；ni为交换次数为i的个数；N表示IMF分量的长度；m表示矩阵的维数。
计算得到每一种交换次数的概率后通过公式
Figure BDA0003793548970000102
计算其对应的第一瑞丽熵。
请参阅图1及图3所示，具体的，所述气泡熵BE通过下式计算：
Figure BDA0003793548970000103
其中，BE表示气泡熵；
Figure BDA0003793548970000104
表示第二瑞丽熵；
Figure BDA0003793548970000105
表示第一瑞丽熵。
请参阅图1及图3所示，根据上述步骤S301至步骤S303计算处步骤S102中筛选得到所需的每个IMF分量所对应的气泡熵后，根据其气泡熵构建特征向量。
步骤S104，将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型，其中，所述故障诊断分类模型为采用算术优化算法优化的支持向量机模型。
请参阅图1及图4所示，在本实施例中，采用算术优化算法优化的支持向量机模型获取故障诊断分类模型的步骤包括：
S401，设置参数惩罚因子和核参数的范围，在所述参数惩罚因子和核参数的范围分别随机选取一个值以构成粒子，并由多个所述粒子组成粒子群；请参阅图1及图4所示，例如，通过预先设置待优化参数，即参数惩罚因子和核参数的参数取值范围，再分别从各自的取值范围内随机取一个值构成粒子，由多个所述粒子构成粒子群，即完成粒子群中粒子位置的初始化。
S402，更新迭代所述粒子的参数惩罚因子和核参数，并计算粒子的适应度值，若更新后粒子的适应度值优于更新前的适应度值，则将更新后的粒子作为最优粒子；
请参阅图1及图4所示，具体的，更新迭代所述粒子的参数惩罚因子和核参数，即更新所述粒子的位置的方法包括：
计算属性优化器概率MOA，其通过公式
Figure BDA0003793548970000111
计算得到，其中，
Figure BDA0003793548970000112
MOA为属性优化器概率；MOPmax和MOPmin分别表示加速函数的最大值和最小值；t为当前迭代次数；M为最大迭代次数；α表示迭代过程中局部探索的精度，在本实施例中，α取值为5。
在[0,1]之间随机获取r1的值，当r1＜MOA时，进入探索阶段；
在[0,1]之间随机获取r2的值，当r2＜0.5时，通过下式进行探索更新，
Figure BDA0003793548970000113
当r2≥0.5时，通过下式进行探索更新，
Figure BDA0003793548970000114
当r1＞MOA时，进行开发阶段；
在[0,1]之间随机获取r2的值，当r3＜0.5时，通过下式进行开发更新，
Figure BDA0003793548970000115
当r3≥0.5时，通过下式进行开发更新，
Figure BDA0003793548970000116
式中，Xt+1表示第t+1次迭代过程中粒子的参数惩罚因子或核参数；
Figure BDA0003793548970000117
表示为第t次迭代时种群最优粒子，ε为随机极小值，ubj和lbj分别为参数惩罚因子或核参数的参数取值上界和下界，ω为调整参数，r1、r2和r3均表示[0,1]之间的随机数。
请参阅图1及图4所示，通过上述公式更新粒子的位置，即更新参数惩罚因子和核参数，并计算粒子的适应度值，若更新后粒子的适应度值优于更新前的适应度值，则将更新后的粒子作为最优粒子。需要说明的是，每次更新粒子的参数惩罚因子或核参数过中是先将参数惩罚因子更新完成后再通过上述实施例更新粒子的核参数。
S403，判断更新迭代次数是否等于预设最大迭代次数M，在本实施例中，最大迭代次数M例如为100；
S404，若迭代次数是等于预设最大迭代次数M，则优化完成；获取其最优粒子，并根据所述最优粒子对应的参数惩罚因子和核参数构建最优支持向量机模型。
否则，继续更新所述粒子的参数惩罚因子和核参数以进行迭代，直至迭代次数是等于预设迭代次数M；
请参阅图1及图4所示，通过上述优化方法得到优化后的支持向量机模型，即故障诊断分类模型，将步骤S103中得到的特征向量作为故障诊断分类模型的输入，以输出轴承的故障类型。其中，所述故障类型包括正常轴承、滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障和内圈滚子复合型故障中的一种或多种。
请参阅图5所示，本发明还提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断系统，故障诊断分类系统100包括信号采集模块10、数据处理模块20、模型优化模块30和故障诊断分类模块40，所述信号采集模块10用于采集轴承故障的振动信号；所述数据处理模块20用于对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；所述数据处理模块20还用于计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；所述模型优化模块30用于采用算术优化算法优化的支持向量机模型，以获取故障诊断分类模型；所述故障诊断分类模块40用于将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型。
在一具体实施例中，采集轴承的振动信号，该轴承型号为NSK的NU1010单列圆柱滚子轴承，实验工况为转速为3000r/min，径向负荷为4KN，采样频率为20480Hz。
为了得到不同故障的轴承，对轴承内圈故障采用激光加工获得，外圈和滚子故障采用线切割获得。依据滚动轴承损伤的位置和损伤程度的不同，将实验轴承分为正常、外圈故障、内圈故障、滚子故障、外圈滚子故障和内圈滚子故障工6类故障类型，再对不同故障类型定义标签。
由于轴承试验台在工作时会受到背景噪音的干扰，首先对通过步骤S101采集到的6种状态下振动信号分别进行如上述实施例中步骤S102所描述的分解方法进行分解，具体的，加入的白噪声标准差为0.2，噪声添加次数为100次，采样点为2000，可以减少噪声的干扰。其中轴承外圈故障的时域信号如图6所示，在进行上述实施例中步骤S102所描述的分解方法的分解后，得到每种状态下的一系列IMF分量，在本实施例中，仅展示前6阶IMF分量，其前6阶的IMF分量如图7所示。
请参阅图7所述，从图7可以看出，IMF1和IMF2含有明显冲击成分，包含较多的故障信息，IMF3至IMF5含有较少冲击成分，IMF5波形类似于正弦波，IMF6至IMF10幅值相比前5阶小很多，故不做考虑。选取2个与原始信号相关程度较高的IMF分量，即前2阶IMF分量进行特征提取，滚动轴承6种状态下的部分特征值如表1所示。
表1滚动轴承6种状态下的部分特征值
Figure BDA0003793548970000141
根据各个IMF分类的气泡熵构建特征向量，并将特征向量作为样本输入到经AOA优化后的SVM模型中进行故障诊断分类。首先设置初始参数：种群数量N＝20，上边界ub＝100，下边界lb＝0.0001，最大迭代次数M＝100，待优化参数个数dim＝2，即参数惩罚因子c和核参数g；接着经过更新迭代后输出最优参数惩罚因子c和和最优核参数g，再根据最优参数惩罚因子c和和最优核参数g构建SVM模型以获取故障诊断分类模块；最后将特征向量输入到故障诊断分类模块中进行故障分类。AOA-SVM的寻优迭代曲线如图8所示，最终分类结果如图6所示，其中图6中纵坐标类别标签1、2、3、4、5、6分别对应轴承的正常状态、外圈故障、内圈故障、滚子故障、外圈滚子故障、内圈滚子故障。
为了验证方法的优越性，再将其分别与BE-SVM和PE-AOA-SVM诊断模型进行对比，其分类结果分别如图9、图10所示。具体的，3种故障诊断模型的故障识别准确率如表2所示。
表2故障分类模型识别准确率
Figure BDA0003793548970000151
从表2以及图9、图10和图11中可以看出本文中的方法(BE-AOA-SVM方法)准确率高达97.8％，只有2个样本未被正确识别，比BE-SVM提高了2.2％，而PE-AOA-SVM的准确率仅77.8％，表明所用方法的优越性。本发明提出的故障诊断分类的实验结果表明，本文所提方法分类正确率可达97.8％，验证了该方法分类的优越性。
本申请的实施例还提供了一种电子设备200，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法。
图12是示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图12示出的电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)，其可以根据存储在只读存储器(Read-Only Memory，ROM)中的程序或者从储存部分加载到随机访问存储器(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件，或者上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法。
本发明提出一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法及系统，其是基于自适应噪声集合经验模态分解、气泡熵和支持向量机相结合的轴承故障诊断方法，通过自适应噪声集合经验模态分解和气泡熵实现有效特征提取，剔除了信号中的噪声干扰；采用算术优化算法优化惩罚因子和核参数，避免了SVM模型陷入局部最优，提高其故障诊断分类的结果的准确性。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明，本领域技术人员应当理解，本申请中所涉及的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案，例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
除说明书所述的技术特征外，其余技术特征为本领域技术人员的已知技术，为突出本发明的创新特点，其余技术特征在此不再赘述。

Claims (10)

1.一种气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，包括：
采集轴承故障的振动信号；
对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；
计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型，其中，所述故障诊断分类模型为采用算术优化算法优化的支持向量机模型。
2.根据权利要求1所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量的步骤包括：
对所述振动信号添加白噪声后进行EMD分解，以获取多个第一IMF分量；
将分解得到的多个所述第一IMF分量取平均值以获取初始IMF分量；
将所述初始IMF分量从所述原信号中减去以获取残余分量；
判断所述残余分量是否为单调函数；
若否，则将所述残余分量作为振动信号，重新对振动信号进行分解计算残余分量；
若是，则将保存获取的多个初始IMF分量进行筛选，以获取所述IMF分量。
3.根据权利要求1所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
将筛选得到的每个IMF分量分别进行相空间重构，以获取第一矩阵和第二矩阵，其中，所述第二矩阵的维数比所述第一矩阵的维数大一维；
根据所述第一矩阵和第二矩阵获取所述每个IMF分量对应的第一瑞丽熵和第二瑞丽熵；
根据所述第一瑞丽熵和所述第二瑞丽熵计算每个IMF分量对应的气泡熵。
4.根据权利要求3所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，获取瑞丽熵的步骤包括：
对矩阵中每一行中的相邻元素顺序进行交换，直至每一行元素的顺序为从左到右依次增大，并统计每一行的交换次数；
获取关于出现的每种交换次数与该交换次数的个数直方图，并将所述直方图归一化，以获取出现的每一种交换次数的概率，并计算其瑞丽熵。
5.根据权利要求4所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，每一种交换次数的概率通过下式计算：
Figure FDA0003793548960000021
其中，pi表示交换次数为i的概率；ni为交换次数为i的个数；N表示IMF分量的长度；m表示矩阵的维数。
6.根据权利要求3所述的轴承故障诊断分类方法，其特征在于，瑞丽熵通过公式
Figure FDA0003793548960000022
计算。
7.根据权利要求3所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，所述气泡熵根据下式计算：
Figure FDA0003793548960000031
其中，BE表示气泡熵；
Figure FDA0003793548960000032
表示第二瑞丽熵；
Figure FDA0003793548960000033
表示第一瑞丽熵。
8.根据权利要求1所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，采用算术优化算法优化的支持向量机模型获取故障诊断分类模型的步骤包括：
设置参数惩罚因子和核参数的范围，在所述参数惩罚因子和核参数的范围分别随机选取一个值以构成粒子，并由多个所述粒子组成粒子群；
更新迭代所述粒子群中粒子的参数惩罚因子和核参数，并计算粒子的适应度值，若更新后粒子的适应度值优于更新前的适应度值，则将更新后的粒子作为最优粒子；
判断更新迭代次数是否等于预设最大迭代次数；
若迭代次数是等于预设最大迭代次数，则优化完成；获取其最优粒子，并根据所述最优粒子对应的参数惩罚因子和核参数构建最优支持向量机模型
否则，重复更新所述粒子的参数惩罚因子和核参数以进行迭代。
9.根据权利要求1所述的气泡熵和AOA优化SVM模型参数的轴承故障诊断方法，其特征在于，所述故障类型包括正常轴承、滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障和内圈滚子复合型故障中的一种或多种。
10.一种气泡熵和AOA优化SVM模型参数的轴承故障诊断系统，其特征在于，包括：
信号采集模块，用于采集轴承故障的振动信号；
数据处理模块，用于对所述振动信号添加自适应白噪声后进行分解，以获取初始IMF分量，并对所有的所述初始IMF分量进行筛选，以获取需要的IMF分量；以及用于计算每个筛选得到的IMF分量对应的气泡熵，并根据得到的所有气泡熵重构特征向量；
模型优化模块，用于采用算术优化算法优化的支持向量机模型，以获取故障诊断分类模型；
故障诊断分类模块，用于将所述特征向量输入至故障诊断分类模型，获取所述轴承的故障类型。
CN202210971698.6A 2022-08-11 2022-08-11 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统 Pending CN115329815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210971698.6A CN115329815A (zh) 2022-08-11 2022-08-11 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210971698.6A CN115329815A (zh) 2022-08-11 2022-08-11 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN115329815A true CN115329815A (zh) 2022-11-11

Family

ID=83923957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210971698.6A Pending CN115329815A (zh) 2022-08-11 2022-08-11 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115329815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855508A (zh) * 2023-02-22 2023-03-28 南京邮电大学 基于算术优化变分模态分解的轴承故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855508A (zh) * 2023-02-22 2023-03-28 南京邮电大学 基于算术优化变分模态分解的轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN111323220B (zh) 风力发电机齿轮箱故障诊断方法及系统
Qin et al. The fault diagnosis of rolling bearing based on ensemble empirical mode decomposition and random forest
CN108760305B (zh) 一种轴承故障检测方法、装置及设备
Ma et al. Early fault diagnosis of rotating machinery based on composite zoom permutation entropy
CN114662386A (zh) 一种轴承故障诊断方法及系统
Sun et al. Fine‐Grained Fault Diagnosis Method of Rolling Bearing Combining Multisynchrosqueezing Transform and Sparse Feature Coding Based on Dictionary Learning
CN112084375A (zh) 一种车辆的故障诊断方法、装置、终端设备及存储介质
Saravanakumar et al. Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks
CN113191240A (zh) 轴承故障诊断的多任务深度神经网络方法及装置
CN116502175A (zh) 一种图神经网络故障诊断方法、装置和存储介质
CN115329815A (zh) 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统
CN118094477B (zh) 基于多传感器信息融合的信号处理方法及系统
CN114139293A (zh) 一种滚动轴承故障诊断方法及系统
Ma et al. A health indicator construction method based on self-attention convolutional autoencoder for rotating machine performance assessment
Yang et al. A new model for bearing fault diagnosis based on optimized variational mode decomposition correlation coefficient weight threshold denoising and entropy feature fusion
Wang et al. A structurally re-parameterized convolution neural network-based method for gearbox fault diagnosis in edge computing scenarios
CN114722520A (zh) 基于增强字典学习的行星轴承智能故障诊断方法
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN117851872A (zh) 一种航空发动机高频振动处理诊断方法及系统
Ou et al. Research on Rolling Bearing Fault Diagnosis Using Improved Majorization‐Minimization‐Based Total Variation and Empirical Wavelet Transform
Bie et al. An Improved CEEMDAN Time‐Domain Energy Entropy Method for the Failure Mode Identification of the Rolling Bearing
CN112444395A (zh) 基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法
Medina et al. Gearbox fault classification using dictionary sparse based representations of vibration signals
CN111382792A (zh) 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
CN114912488A (zh) 基于foa-vmd的参数优化轴承故障诊断方法及系统

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