CN116007938B - 一种轴承劣化分析和故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种轴承劣化分析及故障诊断方法，包括：数据采集模块，用于获取机械生产过程中轴承的振动信号；数据处理模块，用于对采集的轴承数据进行信号分解和特征降维处理，降低计算难度以及减小其他特征对结果的影响；模型训练模块，用于建立基于DBN‑ELM的轴承劣化分析和故障诊断模型，并通过数据处理模块处理后的数据对建立的劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；智能优化模块，通过改进的AGDE算法对VME算法与DBN‑ELM模型进行同步优化；劣化分析和故障诊断模块，用于对轴承数据的劣化分析和故障诊断。本发明通过改进AGDE优化DBN‑ELM模型，提高了对轴承振动信息的利用，有效提高轴承劣化分析和故障诊断效率。

Description

一种轴承劣化分析和故障诊断方法及系统

技术领域

本发明属于机械轴承劣化分析和故障诊断领域，具体涉及一种轴承劣化分析和故障诊断方法及系统。

背景技术

轴承是各种旋转机械中应用最广泛的一种通用机械零件﹐它是机器最易损坏的零件之一。据统计，旋转机械的故障有30％是由轴承引起的，感应电机的故障中因轴承引起的故障约占电机故障的40％左右，齿轮箱各类故障中的轴承故障率仅次于齿轮而占20％。可见轴承的好坏对机器的工作状况影响很大。因此对轴承的劣化分析和故障诊断尤为重要。

对轴承的故障预测主要包括四个阶段:轴承的状态实时监测阶段、检测数据的处理分析阶段、轴承劣化状态分析和计算剩余寿命。故障诊断技术从本质上来说是一个故障模式识别的过程，通俗意义上来讲就是寻找故障分类的方法，基于数据的方法通常可分为统计方法和机器学习方法。深度学习作为机器学习的主导分支，具有强大数据处理和特征学习能力，在轴承劣化分析和故障诊断领域有着广泛地应用。

目前的轴承劣化分析和故障诊断模型不能充分利用轴承振动信号的故障特征，模型参数设置的不够准确，诊断精度有待提升。现有技术也有通过AGDE算法优化诊断模型，但其未考虑到AGDE算法在迭代后期易陷入局部最优的缺点。

发明内容

发明目的：针对背景技术中指出的问题，本发明公开一种轴承劣化分析和故障诊断方法及系统，利用改进AGDE优化基于DBNELM的轴承劣化分析和故障诊断模型，提高了对轴承振动信息的利用，有效提高轴承劣化分析和故障诊断效率。

技术方案：本发明提供一种轴承劣化分析和故障诊断方法，包括如下步骤：

步骤1：获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动；其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

步骤2：对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

步骤3：建立基于深度置信网络和极限学习机混合模型DBN-ELM的轴承劣化分析和故障诊断模型，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率w_d和二次惩罚项α与DBN-ELM的轴承劣化分析和故障诊断模型的权重所述改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；

步骤4：通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN-ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

步骤5：利用步骤4中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。

进一步地，所述步骤2中利用AGDE-VME分解模型把振动数据分解为多个不同频率的分解步骤如下：

步骤2.1：构建和求解变分问题是VME的主要内容，约束变分模型公式如下：

其中，f(t)代表的是输入信号；f_r(t)代表剩余信号；w_d代表近似中心频率；θ是狄拉克分布；α是二次惩罚项；u_d(t)代表期望模态；β(t)代表滤波器的脉冲响应；

步骤2.2：将拉格朗日乘法算子λ和二次惩罚项α引入用于解决重建约束问题，增广拉格朗日函数公式如下：

步骤2.3：对上述变分问题使用交替方向乘子算法和傅里叶变换进行求解，交替更新和λⁿ⁺¹可得出新的表达式如下所示：

步骤2.4：近似中心频率w_d和惩罚因子α决定了VME的降噪性能，因此，选取正确的w_d和α是VME算法准确分解信号的关键。

进一步地，所述深度置信网络DBN由2个RBM和一个BP分类器组成。

进一步地，所述步骤2中通过UMAP对重构的高维度数据集进行特征降维具体步骤如下：

步骤2.5：设X＝{x₁,…,x_n}为输入数据集，对于每个x_i，定义ρ_i和σ_i：

ρ_i＝min{d(x_i,x_j)1≤j≤k,d(x_i,x_j)＞0}

其中，ρ_i的选择要确保至少有一个边缘权值为1的数据点与x_i相连，σ_i为长度尺度参数；

步骤2.6：为有向加权图，利用/>的对称性质可得到无向加权图G，设A为G的加权邻接矩阵，可以得到一个对称矩阵：

其中，利用邻接矩阵B定义了无向加权邻域图G，是Hadamard乘积；

步骤2.7：UMAP沿顶点和边界分别施加斥力和引力来推导出一个由点集{y_i},i＝1...N组成的等效加权图H；再使用交叉熵度量计算H和加权邻域图G之间的差异，使H的拓扑结构与G捕获的源数据相匹配，就可以得到数据整体拓扑的低维表示。

进一步地，所述步骤3中改进的自适应差分进化算法OAGDE对DBN-ELM模型的优化流程步骤为：

步骤3.1：设置AGDE算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；

步骤3.2：利用反向学习构建新的AGDE算法初始种群，反向学习的公式为：

其中，a表示种群上界限，b表示种群下界限，γ为初始种群个体，为反向种群个体；

步骤3.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为X_pbest；

步骤3.4：通过CR的值判断是否需要变异操作，CR的自适应更新公式如下：

步骤3.5：根据CR和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：

其中，是迭代后的粒子，F是[0,1]之间的随机值，是当前最优和最差配对池对迭代的影响因子，/>为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池；

步骤3.6：将标准AGDE算法中的变异配对池转化为FDB指导的配对池，计算公式如下：

其中，为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池，为FDB指导配对池；

步骤3.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤3.2；否则，结束运行，输出最终运行结果。

本发明还公开一种轴承劣化分析和故障诊断系统，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、劣化分析和故障诊断模块；

数据采集模块，用于获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动。其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

数据处理模块，对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

模型训练模块，通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN-ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

智能优化模块，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率w_d和二次惩罚项α与DBN-ELM的轴承劣化分析和故障诊断模型的权重，模块内部包含一种改进的自适应差分进化算法程序，改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；

劣化分析和故障诊断模块，模型优化模块中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。

有益效果：

本发明应用AGDE-VME、DBN和UMAP对输入信号进行重构，去除无效信号对模型精度的影响并有效地降低了输入维度。针对AGDE算法容易陷入局部最优的缺点提出一种改进的AGDE算法，通过使用反向学习优化初始种群并加入适应度距离平衡策略，增强AGDE算法的优化能力，提高模型的诊断性能。本发明利用改进的AGDE算法对VME和DBNELM进行同步优化，更好地捕捉输入特征因子和模型参数之间的潜在关系。

附图说明

图1为本发明的系统流程图；

图2为所提出轴承劣化分析和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详细说明。

本发明提供一种轴承劣化分析和故障诊断系统，该系统中设置一种轴承劣化分析和故障诊断方法，具体包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、劣化分析和故障诊断模块。

数据采集模块，用于获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动。其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况。

数据采集模块包括数据检测单元与通信单元，检测单元由各种传感器、仪器仪表、微处理器和通信接口构成，微处理器可选择单片机、CPLD芯片、FPGA芯片等，通信单元主要通过CAN总线技术负责检测单元与各模块和上位机之间的通信。

数据处理模块，对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取VME分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络(DBN)进行特征提取，得到高维特征集；高维特征集数据作为核主成分分析(UMAP)模型的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入。VME分解模型的具体内容为：

VME在VMD基础上提出的信号分解方法，构建和求解变分问题是VME的主要内容，约束变分模型公式如下：

其中，f(t)代表的是输入信号；f_r(t)代表剩余信号；w_d代表近似中心频率；θ是狄拉克分布；α是二次惩罚项；u_d(t)代表期望模态；β(t)代表滤波器的脉冲响应。

将拉格朗日乘法算子λ和二次惩罚项α引入用于解决重建约束问题，增广拉格朗日函数公式如下：：

对上述变分问题使用交替方向乘子算法和傅里叶变换进行求解，交替更新和λⁿ⁺¹可得出新的表达式如下所示：

近似中心频率w_d和惩罚因子α决定了VME的降噪性能，因此，选取正确的w_d和α是VME算法准确分解信号的关键。

UMAP步骤如下：

设X＝{x₁,...,x_n}为输入数据集，对于每个x_i，定义ρ_i和σ_i：

ρ_i＝min{d(x_i,x_j)|1≤j≤k,d(x_i,x_j)＞0}

其中，ρ_i的选择要确保至少有一个边缘权值为1的数据点与x_i相连，σ_i为长度尺度参数。

为有向加权图，利用/>的对称性质可得到无向加权图G，设A为G的加权邻接矩阵，可以得到一个对称矩阵：

其中，利用邻接矩阵B定义了无向加权邻域图G，是Hadamard乘积。

UMAP沿顶点和边界分别施加斥力和引力来推导出一个由点集{y_i},i＝1...N组成的等效加权图H。再使用交叉熵度量计算H和加权邻域图G之间的差异，使H的拓扑结构与G捕获的源数据相匹配，就可以得到数据整体拓扑的低维表示。

模型训练模块，通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN-ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差。

智能优化模块，用于优化所使用VME分解模型与基于DBN-ELM的轴承劣化分析和故障诊断模型的关键参数，模块内部包含一种改进的自适应差分进化算法程序，改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池。

改进的AGDE算法对DBN-ELM模型的优化流程为：

步骤3.1：设置AGDE算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小。

步骤3.2：利用反向学习构建新的AGDE算法初始种群，反向学习的公式为：

其中，a表示种群上界限，b表示种群下界限，γ为初始种群个体，为反向种群个体。

步骤3.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为X_pbest。

步骤3.4：通过CR的值判断是否需要变异操作，CR的自适应更新公式如下：

步骤3.5：根据CR和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：

其中，是迭代后的粒子，F是[0,1]之间的随机值，是当前最优和最差配对池对迭代的影响因子，/>为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池。

步骤3.6：将标准AGDE算法中的变异配对池转化为FDB指导的配对池，计算公式如下：

其中，为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池，为FDB指导配对池。

步骤3.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤3.2；否则，结束运行，输出最终运行结果。

劣化分析和故障诊断模块，模型优化模块中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。

本发明并不局限于上述具体实施案例，在本领域技术人员所具备的知识范围内，任何根据本发明的技术方案及其发明构思加以等同替换或改变，均应包含在本发明保护范围之内。

Claims (5)

1.一种轴承劣化分析和故障诊断方法，其特征在于，包括如下步骤：

步骤1：获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动；其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

步骤2：对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

步骤3：建立基于深度置信网络和极限学习机混合模型DBN-ELM的轴承劣化分析和故障诊断模型，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率w_d和二次惩罚项α与DBN-ELM的轴承劣化分析和故障诊断模型的权重，所述改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；改进的自适应差分进化算法OAGDE对DBN-ELM模型的优化流程步骤为：

步骤3.1：设置AGDE算法的目标函数为诊断准确率并初始化相关参数，包括：种群规模、迭代次数、维度大小；

步骤3.2：利用反向学习构建新的AGDE算法初始种群，反向学习的公式为：

其中，a表示种群上界限，b表示种群下界限，γ为初始种群个体，为反向种群个体；

步骤3.3：根据目标函数，计算每个个体的适应度值，并记录当前适应度值最高个体的位置为X_pbest；

步骤3.4：通过CR的值判断是否需要变异操作，CR的自适应更新公式如下：

步骤3.5：根据CR和0～1之间的随机变量p的值选择不同的方式更新每个个体的位置，更新公式如下：

其中，是迭代后的粒子，F是[0,1]之间的随机值，是当前最优和最差配对池对迭代的影响因子，/>为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池；

步骤3.6：将标准AGDE算法中的变异配对池转化为FDB指导的配对池，计算公式如下：

其中，为最佳个体配对池，/>为中间个体配对池，/>为最差个体配对池，为FDB指导配对池；

步骤3.7：迭代次数加1，判断是否达到算法的最大迭代次数，若未达到最大迭代次数则进入步骤3.2；否则，结束运行，输出最终运行结果；

步骤4：通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN-ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

步骤5：利用步骤4中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。

2.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述步骤2中利用AGDE-VME分解模型把振动数据分解为多个不同频率的分解步骤如下：

步骤2.1：构建和求解变分问题是VME的主要内容，约束变分模型公式如下：

其中，f(t)代表的是输入信号；f_r(t)代表剩余信号；w_d代表近似中心频率；θ是狄拉克分布；α是二次惩罚项；u_d(t)代表期望模态；β(t)代表滤波器的脉冲响应；

步骤2.2：将拉格朗日乘法算子λ和二次惩罚项α引入用于解决重建约束问题，增广拉格朗日函数公式如下：

步骤2.3：对上述变分问题使用交替方向乘子算法和傅里叶变换进行求解，交替更新和λⁿ⁺¹可得出新的表达式如下所示：

步骤2.4：近似中心频率w_d和惩罚因子α决定了VME的降噪性能，因此，选取正确的w_d和α是VME算法准确分解信号的关键。

3.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述深度置信网络DBN由2个RBM和一个BP分类器组成。

4.根据权利要求1所述的一种轴承劣化分析和故障诊断方法，其特征在于，所述步骤2中通过UMAP对重构的高维度数据集进行特征降维具体步骤如下：

步骤2.5：设X＝{x₁,…,x_n}为输入数据集，对于每个x_i，定义ρ_i和σ_i：

其中，ρ_i的选择要确保至少有一个边缘权值为1的数据点与x_i相连，σ_i为长度尺度参数；

步骤2.6：为有向加权图，利用/>的对称性质可得到无向加权图G，设A为G的加权邻接矩阵，可以得到一个对称矩阵：

其中，利用邻接矩阵B定义了无向加权邻域图G，是Hadamard乘积；

步骤2.7：UMAP沿顶点和边界分别施加斥力和引力来推导出一个由点集{y_i},i＝1...N组成的等效加权图H；再使用交叉熵度量计算H和加权邻域图G之间的差异，使H的拓扑结构与G捕获的源数据相匹配，就可以得到数据整体拓扑的低维表示。

5.一种基于权利要求1所述的轴承劣化分析和故障诊断方法的轴承劣化分析和故障诊断系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、劣化分析和故障诊断模块；

数据采集模块，用于获取机械生产过程中轴承的振动信号，包括与轴承工作面的裂痕、波纹相关和与轴承弹性相关的振动，其中与轴承表面裂痕、波纹相关振动能够反映其损伤的情况；

数据处理模块，对采集的轴承数据进行信号分解和特征降维处理；轴承的振动数据作为变分模态提取分解模型的输入，VME分解模型把轴承振动信号分解为多个不同频率的分量，对分解后的信号利用深度置信网络DBN进行特征提取，得到高维特征集；高维特征集数据作为均匀流形逼近与投影模型UMAP的输入，通过UMAP对重构的高维度数据集进行特征降维，去除无效信息的变量输入；

模型训练模块，通过轴承振动信号与改进的自适应差分进化算法对建立的基于DBN-ELM的轴承劣化分析和故障诊断模型进行训练，求出网络的最优参数，最小化损失函数误差；

智能优化模块，利用改进的自适应差分进化算法OAGDE同步优化VME分解模型的近似中心频率w_d和二次惩罚项α与DBN-ELM的轴承劣化分析和故障诊断模型的权重，模块内部包含一种改进的自适应差分进化算法程序，改进的自适应差分进化算法包括：反向学习构建新的初始化群，添加适应度距离平衡策略优化自适应差分进化配对池；

劣化分析和故障诊断模块，模型优化模块中训练优化后的轴承劣化分析和故障诊断模型对机械生产过程中轴承数据在线劣化分析和故障诊断，得到对应的诊断结果。