CN116910485A - 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 - Google Patents

一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 Download PDF

Info

Publication number
CN116910485A
CN116910485A CN202311090814.4A CN202311090814A CN116910485A CN 116910485 A CN116910485 A CN 116910485A CN 202311090814 A CN202311090814 A CN 202311090814A CN 116910485 A CN116910485 A CN 116910485A
Authority
CN
China
Prior art keywords
impa
vmd
bigru
speed ratio
entropy
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
CN202311090814.4A
Other languages
English (en)
Inventor
孔维宾
杜义
张豪南
贾保敏
刘博通
师雨桥
陈鑫琪
李鹏翔
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.)
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
Original Assignee
Yancheng Institute of Technology
Yancheng Institute of Technology Technology Transfer Center Co Ltd
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 Yancheng Institute of Technology, Yancheng Institute of Technology Technology Transfer Center Co Ltd filed Critical Yancheng Institute of Technology
Priority to CN202311090814.4A priority Critical patent/CN116910485A/zh
Publication of CN116910485A publication Critical patent/CN116910485A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

基于IMPA‑VMD能量熵与改进BiGRU的旋转机械故障诊断方法，1)输入旋转机械振动数据；2)初始化改进海洋捕食者算法参数，设置K与α范围，K、α为VMD处理参数；3)将包络熵作为IMPA的目标函数优化VMD得到最优[K,α]组合；4)基于[K,α]的最优组合对振动信号进行VMD信号处理，得到若干IMF分量；5)计算每个IMF分量的能量熵，构建能量熵特征向量；6)采用IMPA优化BiGRU初始参数，将能量熵特征向量按7:3比例随机划分为训练集与测试集输入IMPA‑BiGRU网路进行故障分类与识别；针对海洋捕食者算法MPA进行算法改进，使用IMPA对VMD关键参数进行寻优。

Description

一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断 方法
技术领域
本发明属于旋转机械故障诊断技术领域，具体涉及一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法。
背景技术
旋转机械包括重要的发电设备和发动机(如大型发电机、航空发动机、大型风力发电机)，其运行的安全保障要求极高，齿轮与轴承是旋转机械设备中的重要组成零件，其健康状态对于设备的正常运行具有重要影响。这些零件在工作中经常承受动态载荷甚至过载，容易产生各种类型的故障损伤，因此，对它们进行运行的振动状态监测与故障诊断是非常有必要的。当齿轮或轴承出现损伤时，损伤处的接触刚度改变，再加上齿轮啮合或轴承元件滚动接触的不平顺性，会激励一系列的冲击。此时若旋转机械设备平稳运行，这些冲击则会在设备振动信号中以周期性的特征呈现，并对振动信号产生调幅调频影响。冲击特征频率与设备的健康状态密切相关，不同的频率指示着设备不同的故障状态，如何从设备振动信号中提取出故障特征频率，是进行旋转机械故障诊断的关键。但由于旋转机械设备中通常包含多个旋转运动的零件，不同零件激励的振动相互耦合叠加，且振动信号会沿着从故障源头到振动传感器的传递路径衰减，因此，从传感器获取的设备运行的振动状态信号中提取出故障特征并不是一件容易的事情。
目前，旋转机械特征提取方法主要有小波变换、经验模态分解(EMD)、局部均值分解(LMD)等。EMD可以自适应地将信号分解为几个特征模态函数，然而，EMD容易出现终点效应和模式重叠等问题。与EMD相比，LMD提高了迭代次数和运行速度，但仍然无法解决端点效应的问题。2014年，Konstantin等人提出了一种新的可变尺度处理方法，称为可变模式分解(VMD)。该方法引入变分模型，将信号分解转化为约束模型的优化问题，可以避免终点效应，抑制模态混叠，分解效率高。遗憾的是，在使用VMD进行信号处理时需要对模态分量的数量(K)和惩罚因子(α)进行预设。传统的K和α的设置是基于经验或中心频率法，极大地限制了信号处理的效果。
多目标优化算法即海洋捕食者算法(Marine Predators Algorithm，MPA)是Afshin Faramarzi等于2020年提出的一种新型元启发式优化算法，其灵感来源于海洋适者生存理论，即海洋捕食者通过在Lévy游走或布朗游走之间选择最佳觅食策略。
VMD变分模态分解和经验模态(EMD)分解区别是：分解方式不同。变分模态分解需要先通过迭代搜算变分模型函数最优解来确定每个分量的频率中心和带宽，再自适应地实现信号有效分离。能量熵是分子动力学模拟中的基本概念，是描述分子系统状态的两个重要参数。在分子动力学模拟中,能量是一个重要的指标,可以用来评估系统的稳定性和热力学性质。熵是描述分子系统无序程度的参数，熵越大，系统越无序。
旋转机械故障诊断是典型的模式识别问题。常用的方法有支持向量机(SVM)、反向传播(BP)神经网络等。这类方法属于机器学习中的浅层网络模型，在处理大量样本和复杂数据时存在效率不高的问题。得益于近年来人工智能的发展，深度学习模型被开发并广泛用于复杂数据下的机械故障诊断。常见的深度学习模型有卷积神经网络(CNN)、循环神经网络(RNN)等。在RNN的基础上，长短期记忆神经网络(LSTM)改进了循环神经网络的结构。LSTM是一种特殊的RNN，用于解决梯度消失和梯度爆炸的问题。GRU的原理与LSTM类似，通过将遗忘门和输入门组合成一个“更新门”来简化门控结构，但是参数比LSTM少，在某些应用中可以实现与LSTM相当的功能。BiGRU模型是一种递归神经网络(Recurrent Neural Network,RNN)模型，用于处理序列数据，如文本、语音等。它的基本单位是GRU单元，每个GRU单元包含一个更新门(update gate)和一个重置门，BiGRU模型输入的是一个序列数据，经过嵌入层转换为固定维度的向量表示。BiGRU结合了单元状态和隐藏状态，训练速度比LSTM更快，预测性能更好。BiGRU中超参数设置不准确会导致旋转机械故障识别效率低下，另一方面，手动查找超参数需要广泛的专业知识和大量的实验，因此有必要找到一种方法优化BiGRU初始参数，提高诊断准确率。
发明内容
本发明目的在于，提出一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，克服传统VMD方法需要人为预设模态分量的数量(K)和惩罚因子(α)造成信号分解准确性降低与经验设置BiGRU初始参数而影响故障诊断准确率的问题。
本发明的技术方案是：一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，包括如下步骤：
针对海洋捕食者算法MPA存在的收敛速度慢，易陷入局部最优进行算法改进，提出IMPA(改进的MPA)；使用IMPA对VMD关键参数进行寻优；
步骤1：输入旋转机械振动信号；
步骤2：初始化改进海洋捕食者算法参数，设置K与α范围，K、α为VMD处理参数；
步骤3：将包络熵作为IMPA的目标函数优化VMD得到最优[K,α]组合；
步骤4：基于[K,α]的最优组合对振动信号进行VMD信号处理，得到若干IMF分量；
步骤5：计算每个IMF分量的能量熵，构建能量熵特征向量。基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，具体包括：通过VMD分解得到本征模态函数(IMF)；
步骤6：采用IMPA优化BiGRU初始参数，将能量熵特征向量按7:3比例随机划分为训练集与测试集输入IMPA-BiGRU网路进行故障分类与识别。
步骤2中包括：
步骤2-1：单位速度比阶段采用一种变步长莱维飞行策略猎物更新，帮助算法更快的跳出局部最优，提高算法搜索精度；
步骤2-2：低速比阶段通过改进差分变异策略更新位置，增强算法全局搜索能力；
步骤2-3：调整算法迭代阶段，改变三个阶段的迭代时间提高局部搜索的占比，帮助算法更快搜索到全局最优解。
步骤3：将包络熵作为IMPA的目标函数优化VMD得到最优[K,α]组合，包络熵EP定义为：
其中α(j)表示为信号x(j)(j＝1,2,···,m)通过希尔伯特解调后所得的包络信号序列；H(·)表示信号的Hilbert变换；Pj是α(j)的归一化形式。
步骤4：基于[K,α]的最优组合对振动信号进行VMD信号处理，得到若干IMF分量，具体包括：
步骤4-1：初始化参数，包括：种群数量N，维度D，最大迭代次数T等；
步骤4-2：初始化种群，设置K与α范围，将包络熵作为VMD的适应度函数；
步骤4-3：生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)。
步骤4-4：猎物位置更新。根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)。高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索。
步骤4-5考虑FADs效应与涡流，更新种群。
步骤4-6判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优解，终止迭代，反之转至步骤4-5继续迭代。
步骤5：计算每个IMF分量的能量熵，构建能量熵特征向量，能量熵定义如下：
能量熵是信号中能量的分布情况，熵值越大，对应信号所占能量越低，能量熵越小，对应IMF分量所占信号中能量越高。能量熵Hen计算公式为：
其中，Ek是各imf分量的能量，E为所有能量的总和，Pk表示第k个信息分量能量的比重概率为各IMF分量的能量值。
步骤6：采用IMPA优化BiGRU初始参数，将能量熵特征向量按7:3比例随机划分为训练集与测试集输入IMPA-BiGRU网路进行故障分类与识别，具体包括：
步骤6-1设置算法参数。种群数量N，维度D，最大迭代次数T等。
步骤6-2初始化种群，设定BiGRU各初始化参数范围。
步骤6-3通过IMPA-VMD-能量熵方法从旋转机械故障数据中提取特征，构建特征矩阵并按照7:3比例随机划分训练集和测试集。
步骤6-4计算旋转机械故障预测错误率作为算法的适应度函数。
步骤6-5生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)。
步骤6-6：猎物位置更新。根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)。高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索。
步骤6-7考虑FADs效应与涡流，更新种群。
步骤6-8判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优参数，终止迭代，反之转至步骤3-5继续迭代。
步骤6-9通过基于最优参数的BiGRU网络进行故障诊断。
本发明采用变步长莱维飞行策略与改进差分变异策略优化海洋捕食者算法MPA的不同迭代阶段，同时调整迭代阶段提高算法的搜索速度；采用改进后的海洋捕食者算法优化变分模态分解(VMD)，得到最优参数组合[K,α]；3)基于最优参数组合[K,α]进行VMD分解，得到若干IMF分量，计算每个分量的能量熵并构建特征向量；通过改进海洋捕食者优化算法优化BiGRU初始超参数，将能量熵特征向量以7:3比例分为训练集与测试集输入IMPA-BiGRU网络进行故障分类诊断。
有益效果：相对于现有技术，本发明的优点包括：在机械设备中，若齿轮发生轻微故障，虽然不会导致机器设备运行停止，但机器运行的稳定性和效率会大幅降低。基于目前机械变工况、变负载现状，用加速度传感器采集到的振动信号中常含有较强的噪声和干扰。需要在传统的故障特征提取和故障诊断方法上加以改进，减小背景噪声对特征提取和故障诊断过程的干扰。基于此，本发明提出一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法。
本发明基于变步长莱维飞行策略、改进差分变异策略与调整算法迭代阶段提出一种改进海洋捕食者算法(IMPA)，有效改善了原始海洋捕食者算法存在的收敛速度慢，寻优精度不高，易陷入局部最优的缺点，具有更好的鲁棒性。
本发明通过IMPA优化VMD参数，解决了传统信号分解方法EMD存在的模态混叠和端点效应缺陷，同时采用算法优化VMD与BiGRU超参数，以提高特征提取的有效性与故障诊断的准确率，克服了经验设置参数而造成分解效果不佳，限制信号处理效果的问题，提高了非线性、非平稳振动信号的分解精度。
本发明利用IMF分量的能量熵作为特征向量，有效反映故障状态信息，使不同状态间的差异性更明显，在提高故障识别精度的基础上减少了数据维数。
本发明提出一种IMPA-BiGRU的参数寻优方法，避免了初始参数不精确导致故障诊断识别率不高的缺陷。本发明采用东南大学齿轮箱数据集进行验证，结果表明，本发明方法适用于旋转机械故障诊断技术领域，能够有效提取故障信号特征，同时准确对故障信号进行分类诊断，本发明具有诊断的准确性和很好的应用价值。
附图说明
图1为本发明基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法整体流程图；
图2为本发明提出IMPA优化VMD迭代过程图；
图3为本发明采用的VMD信号分解图；
图4为本发明实施例提供的GRU模型图；
图5为本发明采用的BiGRU模型图；
图6为本发明方法故障诊断混淆矩阵图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明实施例提供一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，如图1所示，该方法包括以下步骤：
针对海洋捕食者算法存在的收敛速度慢，易陷入局部最优进行算法改进，提出IMPA；
使用IMPA对VMD关键参数进行寻优；
基于IMPA寻优得到的最优参数对旋转机械振动(齿轮或轴承的振动信号)数据进行变分模态分解，得到若干本征模态函数(IMF)分量；
计算每个IMF分量的能量熵作为特征向量，并将该能量熵特征向量按7:3随机划分为训练样本与测试样本；
采用IMPA对BiGRU关键参数进行寻优；
基于BiGRU最优参数对能量熵特征向量样本进行故障诊断；其中，所述VMD关键参数为分解个数K和惩罚因子α。
通过东南大学齿轮箱数据集验证本发明方法有效性。
本实施例中，对所述改进海洋捕食者算法IMPA的具体步骤包括：
根据如下公式在搜索空间内随机初始化位置生成初始化种群。
X0＝Xmin+rand(Xmax-Xmin)
式中，Xmax和Xmin为搜索空间的上下限值，rand为(0,1)内均匀随机向量。
在MPA中，通过初始化种群形成猎物矩阵(Prey)，并计算每一个个体的适应度，将适应度最优的个体XI复制N份组成顶级捕食者，利用顶级捕食者构建精英矩阵(Elite)：
式中，Xn,d为第d维空间的第n个猎物，N是种群数量，D为个体维度数。
式中，XI为顶级捕食者位置向量，执行N次后组成精英矩阵。每次迭代结束后，如果出现更好的顶级捕食者，精英矩阵也将更新。
MPA通过三个阶段模拟海洋捕食者不同运动速度下捕食猎物的运动过程，第一阶段为高速比阶段，猎物比捕食者移动更快；第二阶段为单位速比阶段，二者速度几乎持平；第三阶段为低速比阶段，捕食者比猎物移动更快。
1.高速比阶段
此阶段为迭代初期，发生在t＜T/5时(t表示当前迭代次数，T是最大迭代数)，此时捕食者维持在当前位置，表现为勘探阶段，其位置更新的数学模型如下所示：
其中，stepsizei表示移动步长，RB表示布朗运动，是基于非正态分布的随机向量。P是常数，数值为0.5，R表示[0,1]之间的随机均匀分布值。
2.单位速度比阶段
此阶段为迭代中期，发生在T/5≤t≤3T/5时，前一半种群用于勘探，通过变步长莱维运动方式移动，公式如下：
后一半种群用于开发，通过布朗运动进行移动，公式如下：
其中RL是基于莱维运动生成的随机向量，c为变步长因子，CF为自适应参数，表示控制捕食者的移动步长。
3.低速比阶段
该阶段为迭代后期，发生在t＞2T/3时，此时捕食者通改进差分变异策略更新位置，数学模型如下所示：
在捕食者的捕食过程中，涡流的形成和鱼类聚集装置(FADs)会改变捕食者觅食行为，从而陷入局部最优。这一策略采用较长的跳跃克服早熟收敛问题，避免陷入局部最优。其数学模型如下所示：
其中FADs是优化过程的影响概率，取0.2，r是[0,1]中均匀分布的随机数，Preyr1和Preyr2为随机猎物位置。
其中FADs是优化过程的影响概率，取0.2，r是[0,1]中均匀分布的随机数，Preyr1和Preyr2为随机猎物位置。
所述基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，具体包括：
通过VMD分解得到本征模态函数(IMF)，将其定义为一个调幅调频信号uk(t)，表达式如下：
uk(t)＝Ak(t)cos[φk(t)],(k＝1,2,…,K)
其中，Ak(t)≥0，为uk(t)的瞬时幅值，φk(t)表示uk(t)相位，K为IMF个数。
构造变分模型，方程式为：
式中为时间t的偏导数，f(t)为原始信号。
引入平衡因子α与拉格朗日乘数λ，将变分约束模型转换为变分非约束模型，增广拉格朗日表达式如下：
采用交替方向乘子法迭代更新增广拉格朗日表达式中的鞍点。直到满足迭代精度ε时停止，即:
所述计算每个IMF分量的能量熵作为特征向量，并将该能量熵特征向量按7:3随机划分为训练样本与测试样本，所述能量熵计算公式如下：
所述采用IMPA对BiGRU关键参数进行寻优，关键参数包括：
第一层神经元个数，第二层神经元个数，学习率，最大训练周期和Batch_size。
采用IMPA对五个参数优化得到最优参数。
所述基于BiGRU最优参数对能量熵特征向量样本进行故障诊断，包括：
所述BiGRU是由两个单向GRU组成，其中单个GRU计算公式如下：
Zt＝σ(XtWz+Ht-1Wz+bz)
Rt＝σ(XtWr+Ht-1Wr+br)
其中，Xt为输入数据，Ht表示GRU单元的输出，更新门同时控制当前时刻的Xt和前一时刻的隐藏状态Ht-1，计算得到更新门输出Zt。σ(·)为sigmoid函数，Wz为更新门权重，bz为偏置。
重置门控制Ht-1对的影响程度，如果Ht-1与新的隐藏信息状态没有关系，则重置门计算得到新的输出Rt，Wr为重置门权重，br为偏置，Rt控制被遗忘的信息。tanh(·)为激活函数，Wh为候选隐藏状态权重，bh是偏置。
BiGRU在t时刻的隐层状态是通过t-1时刻的正向隐层状态输和反向隐层状态输/>加权求和得到的，计算公式如下：
所述基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，具体包括：
通过VMD分解得到本征模态函数(IMF)，将其定义为一个调幅调频信号uk(t)，表达式如下：
uk(t)＝Ak(t)cos[φk(t)],(k＝1,2,…,K)
其中，Ak(t)≥0，为uk(t)的瞬时幅值，φk(t)表示uk(t)相位，K为IMF个数。
构造变分模型，方程式为：
式中为时间t的偏导数，f(t)为原始信号。
本实施例中，优选地，利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据旋转机械信号自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
初始化参数，包括：种群数量N，维度D，最大迭代次数T等；
初始化种群，设置K与α范围，将包络熵作为VMD的适应度函数；
生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)。
猎物位置更新。根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)。高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索。
考虑FADs效应与涡流，更新种群。
判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优参数[K,α]，否则继续迭代寻优。
最终基于东南大学齿轮箱数据集得到的最优[K,α]，结果如下表1所示。
表1 IMPA-VMD最优参数
本实施例中，基于最优参数[K,α]的VMD的特征提取能量熵计算公式如下：
本实施例中，采用IMPA对BiGRU关键参数进行寻优，包括：
设置算法参数。种群数量N，维度D，最大迭代次数T等。
初始化种群，设定BiGRU各初始化参数范围。
通过IMPA-VMD-能量熵方法从旋转机械故障数据中提取特征，构建特征矩阵并按照7:3比例随机划分训练集和测试集。
计算旋转机械故障预测错误率作为算法的适应度函数。
生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)。
猎物位置更新。根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)。高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索。
考虑FADs效应与涡流，更新种群。
判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优参数，终止迭代，反之继续迭代更新寻找最优值。
基于IMPA优化BiGRU得到的最优参数如下表2-3所示。
表2轴承信号IMPA-BiGRU参数
参数 最佳结果
第一层神经元个数 55
第二层神经元个数 152
学习率 0.031408
最大训练周期 593
Batch_size 72
表3齿轮信号IMPA-BiGRU参数
参数 最佳结果
第一层神经元个数 66
第二层神经元个数 99
学习率 0.35236
最大训练周期 494
Batch_size 195
本实施例中，分别设置轴承与齿轮五种状态的信号数据全部添加标签“1-5”，将能量熵样本输入IMPA优化的BiGRU中进行训练。同时，为验证本发明方法可行性，将本发明模型与IMPA-VMD-EE-LSTM,IMPA-VMD-EE-GRU,IMPA-VMD-EE-BiGRU以及端到端的BiGRU网络进行对比，对比结果如下表4所示。
表4不同故障诊断模型准确率对比结果
从表4与附图6可以看出本发明方法的准确性与优越性。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于，包括以下步骤：
步骤1：输入旋转机械振动数据；
步骤2：初始化改进海洋捕食者算法参数，设置K与α范围，K、α为VMD处理参数；
步骤3：将包络熵作为IMPA的目标函数优化VMD得到最优[K,α]组合；
步骤4：基于[K,α]的最优组合对振动信号进行VMD信号处理，得到若干IMF分量；
步骤5：计算每个IMF分量的能量熵，构建能量熵特征向量；
步骤6：采用IMPA优化BiGRU初始参数，将能量熵特征向量按7:3比例随机划分为训练集与测试集输入IMPA-BiGRU网路进行故障分类与识别；
针对海洋捕食者算法MPA进行算法改进，使用IMPA对VMD关键参数进行寻优；
步骤2中，步骤2-1：单位速度比阶段采用一种变步长莱维飞行策略猎物更新，帮助算法更快的跳出局部最优，提高算法搜索精度；
步骤2-2：低速比阶段通过改进差分变异策略更新位置，增强算法全局搜索能力；
步骤2-3：调整算法迭代阶段，改变三个阶段的迭代时间提高局部搜索的占比，帮助算法更快搜索到全局最优解；
步骤3中：将包络熵作为IMPA的目标函数优化VMD得到最优[K,α]组合，包络熵EP定义为：
其中α(j)表示为信号x(j)(j＝1,2,···,m)通过希尔伯特解调后所得的包络信号序列；H(·)表示信号的Hilbert变换；Pj是α(j)的归一化形式；
步骤4：基于[K,α]的最优组合对振动信号进行VMD信号处理，得到若干IMF分量，具体包括：
步骤4-1：初始化参数，包括：种群数量N，维度D，最大迭代次数T等；
步骤4-2：初始化种群，设置K与α范围，将包络熵作为VMD的适应度函数；
步骤4-3：生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)；
步骤4-4：猎物位置更新；根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)；高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索；
步骤4-5考虑FADs效应与涡流，更新种群；
步骤4-6判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优解，终止迭代，反之转至步骤4-5继续迭代。
2.根据权利要求1所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：步骤5：计算每个IMF分量的能量熵，构建能量熵特征向量，能量熵定义如下：基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，通过VMD分解得到本征模态函数(IMF)，
能量熵是信号中能量的分布情况，熵值越大，对应信号所占能量越低，能量熵越小，对应IMF分量所占信号中能量越高；能量熵Hen计算公式为：
其中，Ek是各IMF分量的能量，E为所有能量的总和，Pk表示第k个信息分量能量的比重概率为各IMF分量的能量值。
3.根据权利要求1所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：步骤6：采用IMPA优化BiGRU初始参数，将能量熵特征向量按7:3比例随机划分为训练集与测试集输入IMPA-BiGRU网路进行故障分类与识别，具体包括：
步骤6-1设置算法参数；种群数量N，维度D，最大迭代次数T等；
步骤6-2初始化种群，设定BiGRU各初始化参数范围；
步骤6-3通过IMPA-VMD-能量熵方法从旋转机械故障数据中提取特征，构建特征矩阵并按照7:3比例随机划分训练集和测试集；
步骤6-4计算旋转机械故障预测错误率作为算法的适应度函数；
步骤6-5生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)；
步骤6-6：猎物位置更新；根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)；高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索；
步骤6-7考虑FADs效应与涡流，更新种群；
步骤6-8判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优参数，终止迭代，反之转至步骤3-5继续迭代；
步骤6-9通过基于最优参数的BiGRU网络进行故障诊断。
4.根据权利要求3所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：基于IMPA寻优得到的参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量；
计算每个IMF分量的能量熵作为特征向量，并将该能量熵特征向量按7:3随机划分为训练样本与测试样本；
采用IMPA对BiGRU关键参数进行寻优；
基于BiGRU最优参数对能量熵特征向量样本进行故障诊断。
5.根据权利要求4所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：
其中，所述VMD关键参数为分解个数K和惩罚因子α；
所述使用IMPA对VMD的关键参数进行寻优中，所述VMD的分解个数K和惩罚因子α决定其分解效果，使用IMPA寻优得到分解个数K和惩罚因子α，所述IMPA的具体步骤包括：
根据下式在搜索空间内随机初始化位置生成初始化种群；
X0＝Xmin+rand(Xmax-Xmin)
式中，Xmax和Xmin为搜索空间的上下限值，rand为(0,1)内均匀随机向量；
在MPA中，通过初始化种群形成猎物矩阵(Prey)，并计算每一个个体的适应度，将适应度最优的个体XI复制N份组成顶级捕食者，利用顶级捕食者构建精英矩阵(Elite)：
式中，Xn,d为第d维空间的第n个猎物，N是种群数量，D为个体维度数；
式中，XI为顶级捕食者位置向量，执行N次后组成精英矩阵；每次迭代结束后，如果出现更好的顶级捕食者，精英矩阵也将更新；
MPA通过三个阶段模拟海洋捕食者不同运动速度下捕食猎物的运动过程，第一阶段为高速比阶段，猎物比捕食者移动更快；第二阶段为单位速比阶段，二者速度几乎持平；第三阶段为低速比阶段，捕食者比猎物移动更快；
1)高速比阶段
此阶段为迭代初期，发生在t＜T/5时(t表示当前迭代次数，T是最大迭代数)，此时捕食者维持在当前位置，表现为勘探阶段，其位置更新的数学模型如下所示：
其中，stepsizei表示移动步长，RB表示布朗运动，是基于非正态分布的随机向量；P是常数，数值为0.5，R表示[0,1]之间的随机均匀分布值；
2)单位速度比阶段
此阶段为迭代中期，发生在T/5≤t≤3T/5时，前一半种群用于勘探，通过变步长莱维运动方式移动，公式如下：
后一半种群用于开发，通过布朗运动进行移动，公式如下：
其中RL是基于莱维运动生成的随机向量，c为变步长因子，CF为自适应参数，表示控制捕食者的移动步长；
3)低速比阶段
该阶段为迭代后期，发生在t＞2T/3时，此时捕食者通改进差分变异策略更新位置，数学模型如下所示：
在捕食者的捕食过程中，涡流的形成和鱼类聚集装置(FADs)会改变捕食者觅食行为，从而陷入局部最优；
这一策略数学模型如下所示：
其中FADs是优化过程的影响概率，取0.2，r是[0,1]中均匀分布的随机数，Preyr1和Preyr2为随机猎物位置。
6.根据权利要求4所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：
所述基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，具体包括：
通过VMD分解得到本征模态函数(IMF)，将其定义为一个调幅调频信号uk(t)，表达式如下：
uk(t)＝Ak(t)cos[φk(t)],(k＝1,2,…,K)
其中，Ak(t)≥0，为uk(t)的瞬时幅值，φk(t)表示uk(t)相位，K为IMF个数；
构造变分模型，方程式为：
式中为时间t的偏导数，f(t)为原始信号。
7.根据权利要求4所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：
所述采用IMPA对BiGRU关键参数进行寻优，关键参数包括：
第一层神经元个数，第二层神经元个数，学习率，最大训练周期和Batch_size；采用IMPA对五个参数优化得到最优参数；
所述基于BiGRU最优参数对能量熵特征向量样本进行故障诊断，
BiGRU在t时刻的隐层状态是通过t-1时刻的正向隐层状态输和反向隐层状态输加权求和得到的，计算公式如下：
所述基于IMPA寻优得到的最优参数对旋转机械振动数据进行变分模态分解，得到若干本征模态函数(IMF)分量，具体包括：
通过VMD分解得到本征模态函数(IMF)，将其定义为一个调幅调频信号uk(t)，表达式如下：
uk(t)＝Ak(t)cos[φk(t)],(k＝1,2,…,K)
其中，Ak(t)≥0，为uk(t)的瞬时幅值，φk(t)表示uk(t)相位，K为IMF个数；
构造变分模型，方程式为：
式中为时间t的偏导数，f(t)为原始信号。
8.根据权利要求4所述的基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法，其特征在于：
利用海洋捕食者算法优化变分模态分解算法，使变分模态分解算法根据旋转机械信号自适应的选择最佳的分解层数和惩罚因子的具体过程包括：
初始化参数，包括：种群数量N，维度D，最大迭代次数T等；
初始化种群，设置K与α范围，将包络熵作为VMD的适应度函数；
生成猎物矩阵(Prey)后，计算种群中每个猎物的包络熵值并排序替换，形成精英矩阵(Elite)；
猎物位置更新；根据迭代次数将优化过程分为高速比阶段(t＜T/5),单位速度比阶段(T/5≤t≤2T/3)和低速比阶段(t＞2T/3)；高速比阶段猎物采取布朗运动更新位置；单位速度比阶段前一半猎物采取变步长莱维运动方式，另一半则继续进行布朗运动；低速比阶段猎物采取差分变异方式进行局部搜索；
考虑FADs效应与涡流，更新种群；
判断算法当前迭代次数t是否达到最大迭代次数T，若满足则输出最优参数[K,α]，否则继续迭代寻优。
CN202311090814.4A 2023-08-28 2023-08-28 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 Pending CN116910485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311090814.4A CN116910485A (zh) 2023-08-28 2023-08-28 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311090814.4A CN116910485A (zh) 2023-08-28 2023-08-28 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法

Publications (1)

Publication Number Publication Date
CN116910485A true CN116910485A (zh) 2023-10-20

Family

ID=88368037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311090814.4A Pending CN116910485A (zh) 2023-08-28 2023-08-28 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN116910485A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117653146A (zh) * 2024-01-15 2024-03-08 广州市碳码科技有限责任公司 一种基于电信号的生理参数处理优化方法
CN117784615A (zh) * 2024-02-23 2024-03-29 沈阳顺义科技股份有限公司 一种基于impa-rf的火控系统故障预测方法
CN118483574A (zh) * 2024-07-16 2024-08-13 国网山东省电力公司金乡县供电公司 一种gis断路器异常运行状态的监测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117653146A (zh) * 2024-01-15 2024-03-08 广州市碳码科技有限责任公司 一种基于电信号的生理参数处理优化方法
CN117653146B (zh) * 2024-01-15 2024-07-23 广州市碳码科技有限责任公司 一种基于电信号的生理参数处理优化方法
CN117784615A (zh) * 2024-02-23 2024-03-29 沈阳顺义科技股份有限公司 一种基于impa-rf的火控系统故障预测方法
CN117784615B (zh) * 2024-02-23 2024-05-24 沈阳顺义科技股份有限公司 一种基于impa-rf的火控系统故障预测方法
CN118483574A (zh) * 2024-07-16 2024-08-13 国网山东省电力公司金乡县供电公司 一种gis断路器异常运行状态的监测方法及系统

Similar Documents

Publication Publication Date Title
CN116910485A (zh) 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法
CN109918752B (zh) 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111860982B (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113361777B (zh) 基于vmd分解和ihho优化lstm的径流预测方法及系统
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
Xiong et al. A Wasserstein gradient-penalty generative adversarial network with deep auto-encoder for bearing intelligent fault diagnosis
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN108062572A (zh) 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统
CN108106844B (zh) 一种自适应参数调节的自动编码机的轴承故障诊断方法
CN109163911A (zh) 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法
CN103559537B (zh) 一种乱序数据流中基于误差反向传播的模板匹配方法
CN111539132A (zh) 一种基于卷积神经网络的动载荷时域识别方法
CN107016239B (zh) 一种汽轮机阀门流量特性分析方法
CN112734130A (zh) 一种双馈型风机主轴的故障预警方法
CN114897144A (zh) 基于复值神经网络的复值时序信号预测方法
Zhang et al. Evolving neural network classifiers and feature subset using artificial fish swarm
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN117574057B (zh) 一种立式水泵机组智能故障诊断方法
CN116341717A (zh) 一种基于误差补偿的风速预测方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Li et al. Hyper-parameter tuning of federated learning based on particle swarm optimization
Fernandes et al. Binary ant algorithm
CN113807005B (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
CN110334869A (zh) 一种基于动态群优化算法的红树林生态健康预测训练方法

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