CN117574057B - 一种立式水泵机组智能故障诊断方法 - Google Patents
一种立式水泵机组智能故障诊断方法 Download PDFInfo
- Publication number
- CN117574057B CN117574057B CN202311581882.0A CN202311581882A CN117574057B CN 117574057 B CN117574057 B CN 117574057B CN 202311581882 A CN202311581882 A CN 202311581882A CN 117574057 B CN117574057 B CN 117574057B
- Authority
- CN
- China
- Prior art keywords
- follows
- signal
- hawk
- water pump
- pump unit
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 47
- 241000287127 Passeridae Species 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 19
- 230000002431 foraging effect Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 244000062645 predators Species 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000004459 forage Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002789 length control Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 241000251468 Actinopterygii Species 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 17
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000036039 immunity Effects 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 18
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000566150 Pandion haliaetus Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种立式水泵机组智能故障诊断方法,属于故障信号分析处理技术领域。将采集到的水泵机组振动信号进行CEEMDAN分解,将分解后的信号重构为高中低三个频率层次的信号;利用时移多尺度样本熵TSMSE对重构后的信号进行特征提取并创建特征集;最后将特征集输入训练好的IBiLSTM模型进行特征分类,从而判定是否为故障信号。采用时移多尺度样本熵TSMSE提取不同频率层次的特征信息搭配IBiLSTM模型能更好的进行立式水泵机组故障诊断,克服了当前特征提取算法抗噪性差、不稳定以及特征分类模型容易陷入局部最优的问题。
Description
技术领域
本发明涉及故障信号分析处理技术领域,具体涉及一种立式水泵机组智能故障诊断方法。
背景技术
随着抽水蓄能泵站装机容量的攀升和设备复杂度的提高,机组运行的稳定性开始受到广泛关注。立式水泵机组作为蓄能电站发电的核心部件,其运行状态直接关系到厂房的安全稳定。但由于机组结构及其运行方式的原因,其稳定性受到水力、机械和电磁等多种因素的影响,导致故障机理复杂性和种类的多样性。
立式水泵机组由于工作环境以及本身结构的问题,通过传感器所采集到的信号包含了大量的环境噪声,导致从中提取故障特征信息十分困难。现有的水泵机组故障诊断技术主要通过特征提取和特征状态分类完成机组的故障诊断,无法准确定位故障的部位以及诊断精度不足。
因此,提出一种立式水泵机组智能故障诊断方法,能够准确的提取出故障特征信息,并进行故障分类,确保故障诊断的准确率。
发明内容
针对上述问题,本发明提出了一种立式水泵机组智能故障诊断方法,利用时移多尺度样本熵TSMSE提取不同频率层次振动信号特征信息结合改进的双向长短时记忆IBiLSTM,克服了当前特征提取算法抗噪性差、不稳定以及特征分类模型容易陷入局部最优的问题。
为实现上述内容,本发明采用以下技术:一种立式水泵机组智能故障诊断方法,其特征在于包括如下步骤:
S1.采集立式水泵机组不同运行工况下的振动信号;
S2.将振动信号使用CEEMDAN进行分解,计算分量样本熵值,根据样本熵值将信号按高中低频率层次进行重构,得到重构后的信号;
S3.利用时移多尺度样本熵提取重构信号的特征信息,根据运行工况分别建立相应的特征集;
S4.将特征集随机分为训练集和测试集,训练集按运行工况输入基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络,训练网络模型,得到训练好的故障特征分类器;
S5.将测试集输入到训练好的故障特征分类器,进行信号特征分类,得到故障诊断结果。
更进一步的技术方案是所述运行工况包括正常运行状态,转子不平衡、转子不对中、轴承磨损3种故障状态,每种状态各选取100组数据,每组数据为2048个振动信号。
更进一步的技术方案是所述步骤S2的具体步骤如下:
S2-1.将振动信号进行CEEMDAN分解,具体的:
向采集信号y(t)中添加正负成对的高斯白噪声εiωi(t),则
其中,εi为噪声的幅值,i=1,2,...,i,i为添加噪声的次数;
对分别进行EMD分解,取第一阶IMF分量/>求其平均值,得到CEEMDAN的第1个IMF分量,残余信号为:
Y1(t)=y(t)-C1(t);
对Y1(t)继续进行加噪处理,得到第2个IMF分量,残余信号为:
Y2(t)=Y1(t)-C2(t);
以此类推,当余量信号无法满足分解条件时迭代结束,残余信号为:
Yn(t)=Yn-1(t)-Cn(t);
最终,信号y(t)分解结果为:
式中:n为CEEMDAN分解个数,Cn(t)为最终余量信号;
S2-2.计算每一个分量的样本熵,具体的:
将分量构造成m维矢量
Y(i)={Y(i),Y(i+1),…,Y(i+m-1)}
式中,i=1,2,3...,n-m+1
给定阈值r,定义样本间的最大距离d,
d[Y(i),Y(j)]=max|y(i+k)-y(j+k)|
式中,j=1,2,3...,n-m+1,k在0到m-1之间;
统计d[Y(i),Y(j)]<r的数目并计算与总的维数n-m的比值
对所有求平均
再将维数m加1,重复计算步骤,则样本熵为:
求所有分量样本熵平均值为S=mean(SampEN);
S2-3.取S1=1.5S、S2=0.5S为阈值,将样本熵大于S1的分量重构为高频信号,处于S1与S2之间的信号重构为中频信号,小于S2的信号重构为低频信号。
更进一步的技术方案是所述步骤S3中时移多尺度样本熵具体步骤如下:
S3-1.对于一个长度为N的时间序列X={x(1),x(2),...,x(N)},定义尺度因子s和样本维度d;
在给定的时间序列X中,以s将时间序列X缩放至长度为N/s的新时间序列
X(s)={x(1),x(1+s),...,x(1+(N/s-1)s)};
以样本维度d构造样本序列:
S(i)={x(i),x(i+1),...,x(i+d-1)},其中i=1,2,...,N/s-d+1;
S3-2.在给定的尺度因子s和样本维度d下,计算时间序列X(s)的样本熵:
SE(d,s)=-∑p(s)ln(p(s));
其中p(s)表示样本序列S(i)中出现的概率;
S3-3.将时间序列X(s)向右移动一个单位,得到时间序列
X(s+1)={x(2),x(2+s),...,x(2+(N/s-1)s)};
S3-4.分别计算时间序列X(s)和X(s+1)的样本熵:
TSMSE(x,d,r,s)=1/s|∑[SE(d,s)-SE(d,s+1)]|。
更进一步的技术方案是所述步骤S4中基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络,即利用基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法对BiLSTM进行优化,双向长短期记忆(BiLSTM)是LSTM的变形结构,包含前向和后向LSTM层,同时考虑数据的过去和未来信息;但BiLSTM容易陷入局部最优,因此利用基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法对BiLSTM进行优化,具体如下:
S4-1.以BiLSTM的隐藏层节点和学习率作为优化目标,融合随机差分变异的麻雀优化算法SSA与鱼鹰优化算法OOA,具体流程如下:
麻雀优化算法中个体区分为发现者、跟随者和警戒者,每个个体位置对应一个解,发现者为整个种群提供觅食方向和区域,跟随者则是跟随发现者进行觅食,警戒者负责对于觅食区域的监视;在觅食过程中,不断更新三者位置,完成资源的获取;发现者位置更新如下
其中,t为当前迭代次数,为第t次迭代位置,α在(0,1)之间,R2表示报警值,ST为阈值,Q为服从正太分布的随机数,L为全1矩阵;
跟随者位置更新如下
式中,为当前迭代中最差麻雀位置,/>为最优麻雀位置;D表示维度,N表示麻雀种群数量;
S4-2.引入随机差分变异策略,新的跟随着位置更新如下:
式中,r为[0,1]的随机数;表示随机选择的个体位置;
警戒者位置更新如下
其中,表示全局最优位置,β为控制步长,ε为一个常数,k表示麻雀移动的方向,也是步长控制系数;
当R2<ST意味着觅食区域周围没有捕食者,发现者可以广泛搜索食物;R2≥ST意味着捕食者出现,所有发现者都需要飞往安全区域;
当表示第i个加入者的适应度较低,没有同发现者竞争食物的资格,需要飞往其他区域觅食;当/>加入者将在最优个体/>附近觅食;
当fi>fj意味着该个体处于种群外围,需要采取反捕食行为,不断变换位置获得更高的适应度;当fi=fj意味着该个体处于种群中心,它将不断接近附近的同伴,以此远离危险区域;
S4-3.鱼鹰优化算法如下:
初始化种群
xi,j=lbj+r(ubj-lbj)
其中,xi,j为个体,ubj、lbj为上下边界,r为(0,1)之间的随机数;
探索阶段
其中,为探索阶段的对应位置,/>为对应的适应度值,SFi,j、Ii,j分别为不同集合内的随机数;ri,j矩阵第i行j列位置上的随机数,Xi表示当前位置,如果/>满足条件,那么替换Xi为探索阶段位置;
开发阶段
其中,为开发阶段的对应位置,/>为对应的适应度值,r为(0,1)之间的随机数,t为迭代次数;
S4-4.基于Cubic映射的鱼鹰算法结合随机差分变异的麻雀优化算法流程如下:
利用Cubic映射初始化种群,增加算法的多样性,避免过早陷入局部最优其定义形式如下
xn+1=xnρ(1-xn 2)
其中,ρ为控制参数,xn表示第n次映射状态;
结合鱼鹰捕食行为策略和麻雀算法的发现者-追随者机制,设定OOA和SSA的算法参数;在SSA框架下,将种群分为发现者、追随者,对于每次迭代使用OOA策略进行全局搜索,模拟鱼鹰捕鱼行为来探索搜索空间,其位置更新如下
依据当前迭代和种群状态,发现者进行局部搜索以精细调整解,跟随者根据发现者的信息和自身的搜索进行位置更新,发现者位置更新如下
其中,ω为动态权重因子,为上一代全局最优解,r为[0,1]之间的随机数;
追随者位置更新如下:
共享OOA和SSA种群中的最佳解,则混合更新策略为:
计算每个位置适应度,按适应度值将整个种群排序,更新混合种群的适应度值,保持最佳适应度值的个体,使用交叉操作来选择两种算法中的个体:
其中,α为平衡系数、为麻雀优化算法中的位置更新、/>分别鱼鹰优化算法中的更新;
S4-5.根据迭代的进度,动态调整权重因子,平衡全局搜索与局部搜索的能力,将权重设定为随着迭代次数的增加而逐渐减小,以促使算法从全局搜索转向局部搜索,输出最优参数。
与现有技术相比,本发明的有益效果是:
1.本发明利用时移多尺度样本熵(TSMSE)提取不同频率层次振动信号特征信息结合基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆(BiLSTM)进行特征分类。首先,对振动信号进行预处理,利用CEEMDAN算法将信号分解并重构为高中低三个频率层次的信号。其次,针对传统多尺度样本熵鲁棒性差、粗粒化不足的问题,提出了时移多尺度样本熵(TSMSE),通过仿真实验,证明了所提方法具有良好的时序长度鲁棒性、抗噪性以及特征提取能力。然后,将TSMSE提取的特征输入改进的双向长短时记忆网络模型中,完成特征分类工作。仿真结果表明,所提模型具有良好的分类效果,是一种有效且准确率高的立式水泵机组故障诊断方法。
2.采用本发明的提出的分频率层次重构信号再进行信号频域特征信息的提取更适用于故障信息的采集;针对传统多尺度熵鲁棒性、稳定性差、对噪声敏感的问题,提出了时移多尺度样本熵,能更有效的减小噪声的影响并提取出故障信息;对双向长短时记忆进行结构上的改进,引入基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法,增加神经网络对局部特征的提取能力。
3.本发明所提出的故障诊断模型相比于其他水泵机组故障诊断模型具有更高的准确率。
附图说明
为清楚的描述出本发明的技术方案,下面将对本发明的现有技术中所使用的附图进行简单描述
图1为本发明的流程图。
图2为时移多尺度样本熵计算示意图。
图3为实施例中熵值标准差图。
图4为实施例中熵值均值图。
图5为实施例中抗噪性分析图。
图6为实施例中故障原始信号及其重构信号图。
图7为实施例中熵值特征分类二维映射图。
图8为不同优化算法的收敛曲线图。
图9为不同模型故障诊断准确率图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出一种立式水泵机组智能故障诊断方法,包含了数据采集、数据处理、特征提取、故障分类,如图1所示,具体步骤如下所示:
1.利用组态软件与高频振动传感器,采集立式水泵机组正常运行状态,转子不平衡、转子不对中、轴承磨损3种故障状态下的振动信号,每种状态各选取100组数据,每组数据为2048个振动信号。
2.对采集到的振动信号进行CEEMDAN分解,具体的:
向采集信号y(t)中添加正负成对的高斯白噪声εiωi(t),则
其中,εi为噪声的幅值,i=1,2,...,i,i为添加噪声的次数;
对分别进行EMD分解,取第一阶IMF分量/>求其平均值,得到CEEMDAN的第1个IMF分量,残余信号为:
Y1(t)=y(t)-C1(t);
对Y1(t)继续进行加噪处理,得到第2个IMF分量,残余信号为:
Y2(t)=Y1(t)-C2(t);
以此类推,当余量信号无法满足分解条件时迭代结束,残余信号为:
Yn(t)=Yn-1(t)-Cn(t);
最终,信号y(t)分解结果为:
式中:n为CEEMDAN分解个数,Cn(t)为最终余量信号;
各个振动信号经分解后均得到8个IMF分量和1个余项。
3.计算每个分量的样本熵值,具体的:
将分量构造成m维矢量
Y(i)={Y(i),Y(i+1),…,Y(i+m-1)}
式中,i=1,2,3...,n-m+1
给定阈值r,定义样本间的最大距离d,
d[Y(i),Y(j)]=max|y(i+k)-y(j+k)|
式中,j=1,2,3...,n-m+1,k在0到m-1之间;
统计d[Y(i),Y(j)]<r的数目并计算与总的维数n-m的比值
对所有求平均
再将维数m加1,重复计算步骤,则样本熵为:
4.求所有分量样本熵平均值为S=mean(SE),取S1=1.5S、S2=0.5S为阈值,将样本熵大于S1的分量重构为高频信号,处于S1与S2之间的信号重构为中频信号,小于S2的信号重构为低频信号。
5.计算重构信号的时移多尺度样本熵
对于一个长度为N的时间序列X={x(1),x(2),...,x(N)},定义尺度因子s和样本维度d;
在给定的时间序列X中,以s将时间序列X缩放至长度为N/s的新时间序列
X(s)={x(1),x(1+s),...,x(1+(N/s-1)s)};
以样本维度d构造样本序列:
S(i)={x(i),x(i+1),...,x(i+d-1)},其中i=1,2,...,N/s-d+1;
在给定的尺度因子s和样本维度d下,计算时间序列X(s)的样本熵:
SE(d,s)=-∑p(s)ln(p(s));
其中p(s)表示样本序列S(i)中出现的概率;
S3-3.将时间序列X(s)向右移动一个单位,得到时间序列
X(s+1)={x(2),x(2+s),...,x(2+(N/s-1)s)};
分别计算时间序列X(s)和X(s+1)的样本熵:
TSMSE(x,d,r,s)=1/s|∑SE(d,s)-SE(d,s+1)|。
6.构建基于基于混沌映射改进的鱼鹰优化算法融合柯西变异的麻雀优化算法改进的双向长短时记忆网络,将TSMSE算法提取到的故障特征作为训练完成的神经网络初始输入,通过神经网络的计算、分类,最终输出立式水泵机组故障类型的识别结果。具体的:
6-1.以BiLSTM的隐藏层节点和学习率作为优化目标,融合随机差分变异的麻雀优化算法SSA与鱼鹰优化算法OOA,具体流程如下:
麻雀优化算法中个体区分为发现者、跟随者和警戒者,每个个体位置对应一个解,发现者为整个种群提供觅食方向和区域,跟随者则是跟随发现者进行觅食,警戒者负责对于觅食区域的监视;在觅食过程中,不断更新三者位置,完成资源的获取;发现者位置更新如下
其中,t为当前迭代次数,为第t次迭代位置,α在(0,1)之间,R2表示报警值,ST为阈值,Q为服从正太分布的随机数,L为全1矩阵;
跟随者位置更新如下
式中,为当前迭代中最差麻雀位置,/>为最优麻雀位置;D表示维度,N表示麻雀种群数量。
6-2.引入随机差分变异策略,新的跟随着位置更新如下:
式中,r为[0,1]的随机数;表示随机选择的个体位置。
警戒者位置更新如下
其中,表示全局最优位置,β为控制步长,ε为一个常数,k表示麻雀移动的方向,也是步长控制系数。
当R2<ST意味着觅食区域周围没有捕食者,发现者可以广泛搜索食物;R2≥ST意味着捕食者出现,所有发现者都需要飞往安全区域;
当表示第i个加入者的适应度较低,没有同发现者竞争食物的资格,需要飞往其他区域觅食;当/>加入者将在最优个体/>附近觅食;
当fi>fj意味着该个体处于种群外围,需要采取反捕食行为,不断变换位置获得更高的适应度;当fi=fj意味着该个体处于种群中心,它将不断接近附近的同伴,以此远离危险区域;
6-3.鱼鹰优化算法如下:
初始化种群
xi,j=lbj+r(ubj-lbj)
其中,xi,j为个体,ubj、lbj为上下边界,r为(0,1)之间的随机数;
探索阶段
其中,为探索阶段的对应位置,/>为对应的适应度值,SFi,j、Ii,j分别为不同集合内的随机数;ri,j表示矩阵第i行j列位置上的随机数,Xi表示当前位置,如果/>满足条件,那么Xi替换为探索阶段位置;
开发阶段
其中,为开发阶段的对应位置,/>为对应的适应度值,r为(0,1)之间的随机数,t为迭代次数;
6-4.基于Cubic映射的鱼鹰算法结合随机差分变异的麻雀优化算法流程如下:
利用Cubic映射初始化种群,增加算法的多样性,避免过早陷入局部最优其定义形式如下
xn+1=xnρ(1-xn 2)
其中,ρ为控制参数,xn表示第n次映射状态。
结合鱼鹰捕食行为策略和麻雀算法的发现者-追随者机制,设定OOA和SSA的算法参数;在SSA框架下,将种群分为发现者、追随者,对于每次迭代使用OOA策略进行全局搜索,模拟鱼鹰捕鱼行为来探索搜索空间,其位置更新如下
依据当前迭代和种群状态,发现者进行局部搜索以精细调整解,跟随者根据发现者的信息和自身的搜索进行位置更新,发现者位置更新如下
其中,ω为动态权重因子,为上一代全局最优解,r为[0,1]之间的随机数。
追随者位置更新如下:
共享OOA和SSA种群中的最佳解,则混合更新策略为:
计算每个位置适应度,按适应度值将整个种群排序,更新混合种群的适应度值,保持最佳适应度值的个体,使用交叉操作来选择两种算法中的个体:
其中,α为平衡两种策略的系数、为麻雀优化算法中的位置更新策略、/>分别鱼鹰优化算法中的更新策略。
6-5.根据迭代的进度,动态调整权重因子,平衡全局搜索与局部搜索的能力,将权重设定为随着迭代次数的增加而逐渐减小,以促使算法从全局搜索转向局部搜索,输出最优参数。
7.特征提取效果验证:
对TSMSE特征提取算法的时序长度鲁棒性、尺度因子稳定性以及抗噪性进行分析,并且与搭配神经网络模型的识别精度进行验证。
(1)分析TSMSE的时序长度鲁棒性与尺度因子稳定性
随机选取一条样本信号,分别取其信号长度为N=256、N=512、N=1024、N=2048时,对TSMSE和MSE两种多尺度熵的均值分布情况进行分析,如图3、4所示。随着尺度因子的增加,MSE的均值曲线出现波动,而TSMSE的曲线光滑且慢慢趋于平缓。TSMSE算法具有更好的时序长度鲁棒性。
对比MSE和TSMSE两种熵的标准差,在不同尺度因子下,MSE的标准差波动较大,而TSMSE的标准差波动较小,表明TSMSE算法更加稳定。
(2)分析TSMSE的抗噪性
利用模拟振动信号添加高斯白噪声的方法,对特征提取工具的抗噪性进行分析
x1=0.25*cos(0.875*pi*50*t);
x2=0.3*sin(2*pi*50*t)*(1+1.5*sin(0.5*pi*40*t));
x3=0.15*exp(-15*t)*sin(200*pi*t);
x=x1+x2+x3+X(t);
式中:x为模拟的含噪信号,Z(t)为高斯白噪声,本文取20dB、30dB以及40dB。对比TSMSE、MPE和MSE在不同噪声下的熵值分布情况,揭示它们在不同尺度以及不同噪声下的不同表现,结果如图5所示。从图中可知,TSMSE算法提取的特征受噪声的影响最小。
(3)利用转子实验台模拟机组正常运行状态以及转子不平衡、转子不对中、轴承磨损3种故障状态,进行故障振动模拟分析。对上述四种状态各选取100组数据,每组数据包含2048个振动信号,采样频率为2048Hz;故障信号及其重构信号如图6所示。
引入MPE与MSE两种常见多尺度熵与本发明提出的TSMSE进行对比,其中参数设置如下:
模型 | 尺度因子 | 维数 |
MSE | 10 | 2 |
MPE | 12 | 6 |
TSMSE | 10 | 2 |
特征结果如图7所示,MPE与MSE提取方法都发生了不同程度的特征混叠。而本发明采用的TSMSE提取方法能有效区分四种状态特征,验证了此方法良好的特征提取效果。
(4)神经网络模型
以Rosenbrock函数为实验优化函数,种群数量为100,最大迭代次数为1000,对几种不同的优化算法进行验证,如图8所示,本发明提出的双重优化算法收敛效果最好。
将几种特征提取方法的所提取到的结果输入IBiLSTM神经网络模型中,为了评估模型的泛化性能并避免随机试验对结果的影响,采用不同的数据划分比例(20%、30%、40%)进行模型验证;并引入其他四组常见诊断模型进行对比,结果如下表。
模型1使用MSE-BiLSTM进行故障诊断;
模型2使用TSMSE-BiLSTM进行故障诊断;
模型3使用TSMSE-OOA-BiLSTM进行故障诊断;
模型4使用TSMSE-SSA-BiLSTM进行故障诊断;
模型5使用TSMSE-OOA-SSA-BiLSTM进行故障诊断。
从上表模型诊断结果可以看出,采用时移多尺度样本熵特征提取方法TSMSE的诊断精度高于未采用此方法的模型,这说明采用新的时序分割方法可以更加充分利用故障信息。并且,两种算法共同优化的情况下比单一优化算法准确率更高,说明这是一种有效的优化结合。如图8所示,本发明识别精度高达100%,说明本发明是一种有效的立式水泵机组故障诊断方法。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的范围之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对组成部件或布局进行多种变形和改进。除了对组成部件或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (4)
1.一种立式水泵机组智能故障诊断方法,其特征在于包括如下步骤:
S1.采集立式水泵机组不同运行工况下的振动信号;
S2.将振动信号使用CEEMDAN进行分解,计算分量样本熵值,根据样本熵值将信号按高中低频率层次进行重构,得到重构后的信号;
S3.利用时移多尺度样本熵提取重构信号的特征信息,根据运行工况分别建立相应的特征集;
S4.将特征集随机分为训练集和测试集,训练集按运行工况输入基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络,训练网络模型,得到训练好的故障特征分类器;
S5.将测试集输入到训练好的故障特征分类器,进行信号特征分类,得到故障诊断结果;
所述步骤S4中基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络,即利用基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法对BiLSTM进行优化,具体如下:
S4-1.以BiLSTM的隐藏层节点和学习率作为优化目标,融合随机差分变异的麻雀优化算法SSA与鱼鹰优化算法OOA,具体流程如下:
麻雀优化算法中个体区分为发现者、跟随者和警戒者,每个个体位置对应一个解,发现者为整个种群提供觅食方向和区域,跟随者则是跟随发现者进行觅食,警戒者负责对于觅食区域的监视;在觅食过程中,不断更新三者位置,完成资源的获取;发现者位置更新如下
其中,t为当前迭代次数,为第t次迭代位置,α在(0,1)之间,R2表示报警值,ST为阈值,Q为服从正太分布的随机数,L为全1矩阵;
跟随者位置更新如下
式中,为当前迭代中最差麻雀位置,/>为最优麻雀位置;D表示维度,N表示麻雀种群数量;
S4-2.引入随机差分变异策略,新的跟随着位置更新如下:
式中,r为[0,1]的随机数;表示随机选择的个体位置;
警戒者位置更新如下
其中,表示全局最优位置,β为控制步长,ε为一个常数,k表示麻雀移动的方向,也是步长控制系数;
当R2<ST意味着觅食区域周围没有捕食者,发现者可以广泛搜索食物;R2≥ST意味着捕食者出现,所有发现者都需要飞往安全区域;
当表示第i个加入者的适应度较低,没有同发现者竞争食物的资格,需要飞往其他区域觅食;当/>加入者将在最优个体/>附近觅食;
当fi>fj意味着该个体处于种群外围,需要采取反捕食行为,不断变换位置获得更高的适应度;当fi=fj意味着该个体处于种群中心,它将不断接近附近的同伴,以此远离危险区域;
S4-3.鱼鹰优化算法如下:
初始化种群
xi,j=lbj+r(ubj-lbj)
其中,xi,j为个体,ubj、lbj为上下边界,r为(0,1)之间的随机数;
探索阶段
其中,为探索阶段的对应位置,/>为对应的适应度值,SFi,j、Ii,j分别为不同集合内的随机数;ri,j表示矩阵第i行j列位置上的随机数,Xi表示当前位置,如果/>满足条件,那么Xi替换为探索阶段位置;
开发阶段
其中,为开发阶段的对应位置,/>为对应的适应度值,r为(0,1)之间的随机数,t为迭代次数;
S4-4.基于Cubic映射的鱼鹰算法结合随机差分变异的麻雀优化算法流程如下:
利用Cubic映射初始化种群,增加算法的多样性,避免过早陷入局部最优其定义形式如下
xn+1=xnρ(1-xn 2)
其中,ρ为控制参数,xn表示第n次映射状态;
结合鱼鹰捕食行为策略和麻雀算法的发现者-追随者机制,设定OOA和SSA的算法参数;在SSA框架下,将种群分为发现者、追随者,对于每次迭代使用OOA策略进行全局搜索,模拟鱼鹰捕鱼行为来探索搜索空间,其位置更新如下
依据当前迭代和种群状态,发现者进行局部搜索以精细调整解,跟随者根据发现者的信息和自身的搜索进行位置更新,发现者位置更新如下
其中,ω为动态权重因子,为上一代全局最优解,r为[0,1]之间的随机数;
追随者位置更新如下:
共享OOA和SSA种群中的最佳解,则混合更新策略为:
计算每个位置适应度,按适应度值将整个种群排序,更新混合种群的适应度值,保持最佳适应度值的个体,使用交叉操作来选择两种算法中的个体:
其中,α为平衡系数、为麻雀优化算法中的位置更新、/>分别鱼鹰优化算法中的更新;
S4-5.根据迭代的进度,动态调整权重因子,平衡全局搜索与局部搜索的能力,将权重设定为随着迭代次数的增加而逐渐减小,以促使算法从全局搜索转向局部搜索,输出最优参数。
2.根据权利要求1所述的一种立式水泵机组智能故障诊断方法,其特征在于:所述运行工况包括正常运行状态,转子不平衡、转子不对中、轴承磨损3种故障状态,每种状态各选取100组数据,每组数据为2048个振动信号。
3.根据权利要求1所述的一种立式水泵机组智能故障诊断方法,其特征在于:所述步骤S2的具体步骤如下:
S2-1.将振动信号进行CEEMDAN分解,具体的:
向采集信号y(t)中添加正负成对的高斯白噪声εiωi(t),则
其中,εi为噪声的幅值,i=1,2,...,i,i为添加噪声的次数;
对分别进行EMD分解,取第一阶IMF分量/>求其平均值,得到CEEMDAN的第1个IMF分量,残余信号为:
Y1(t)=y(t)-C1(t);
对Y1(t)继续进行加噪处理,得到第2个IMF分量,残余信号为:
Y2(t)=Y1(t)-C2(t);
以此类推,当余量信号无法满足分解条件时迭代结束,残余信号为:
Yn(t)=Yn-1(t)-Cn(t);
最终,信号y(t)分解结果为:
式中:n为CEEMDAN分解个数,Cn(t)为最终余量信号;
S2-2.计算每一个分量的样本熵,具体的:
将分量构造成m维矢量
Y(i)=Y(i),Y(i+1),…,Y(i+m-1)
式中,i=1,2,3...,n-m+1;
给定阈值r,定义样本间的最大距离d,
d[Y(i),Y(j)]=maxy(i+k)-y(j+k)
式中,j=1,2,3...,n-m+1,k在0到m-1之间;
统计d[Y(i),Y(j)]<r的数目并计算与总的维数n-m的比值
对所有求平均
再将维数m加1,重复计算步骤,则样本熵为:
求所有分量样本熵平均值为S=mean(SampEN)
S2-3.取S1=1.5S、S2=0.5S为阈值,将样本熵大于S1的分量重构为高频信号,处于S1与S2之间的信号重构为中频信号,小于S2的信号重构为低频信号。
4.根据权利要求1所述的一种立式水泵机组智能故障诊断方法,其特征在于:所述步骤S3中时移多尺度样本熵具体步骤如下:
S3-1.对于一个长度为N的时间序列X={x(1),x(2),...,x(N)},定义尺度因子s和样本维度d;
在给定的时间序列X中,以s将时间序列X缩放至长度为N/s的新时间序列
X(s)={x(1),x(1+s),...,x(1+(N/s-1)s)};
以样本维度d构造样本序列:
S(i)={x(i),x(i+1),...,x(i+d-1)},其中i=1,2,...,N/s-d+1;
S3-2.在给定的尺度因子s和样本维度d下,计算时间序列X(s)的样本熵:
SE(d,s)=-∑p(s)ln(p(s));
其中p(s)表示样本序列S(i)中出现的概率;
S3-3.将时间序列X(s)向右移动一个单位,得到时间序列X(s+1)={x(2),x(2+s),...,x(2+(N/s-1)s)};
S3-4.分别计算时间序列X(s)和X(s+1)的样本熵:
TSMSE(x,d,r,s)=1/s∑[SE(d,s)-SE(d,s+1)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581882.0A CN117574057B (zh) | 2023-11-24 | 2023-11-24 | 一种立式水泵机组智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581882.0A CN117574057B (zh) | 2023-11-24 | 2023-11-24 | 一种立式水泵机组智能故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574057A CN117574057A (zh) | 2024-02-20 |
CN117574057B true CN117574057B (zh) | 2024-05-28 |
Family
ID=89885969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311581882.0A Active CN117574057B (zh) | 2023-11-24 | 2023-11-24 | 一种立式水泵机组智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574057B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118075032A (zh) * | 2024-04-19 | 2024-05-24 | 湖南天冠电子信息技术有限公司 | 基于人工智能的虚拟局域网安全风险预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
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 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN114689322A (zh) * | 2022-04-24 | 2022-07-01 | 沈阳航空航天大学 | 基于灰狼算法优化elm的中介轴承故障诊断方法 |
CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 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 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7941298B2 (en) * | 2006-09-07 | 2011-05-10 | DynaDx Corporation | Noise-assisted data analysis method, system and program product therefor |
-
2023
- 2023-11-24 CN CN202311581882.0A patent/CN117574057B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105971901A (zh) * | 2016-05-03 | 2016-09-28 | 北京航空航天大学 | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
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 |
CN112733603A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于改进vmd与svm的变频涡旋压缩机故障诊断方法 |
CN113269252A (zh) * | 2021-05-26 | 2021-08-17 | 安徽理工大学 | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 |
CN113780056A (zh) * | 2021-07-22 | 2021-12-10 | 山东科技大学 | 基于振动信号的滚动轴承故障诊断方法 |
CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 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 |
CN114689322A (zh) * | 2022-04-24 | 2022-07-01 | 沈阳航空航天大学 | 基于灰狼算法优化elm的中介轴承故障诊断方法 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
" On-Load Tap-Changer Mechanical Fault Diagnosis Method Based on CEEMDAN Sample Entropy and Improved Ensemble Probabilistic Neural Network";Yuezhou Dong 等;2021 IEEE 4th International Electrical and Energy Conference (CIEEC);20210817;全文 * |
"An Improved Empirical Mode Decomposition Based on Adaptive Weighted Rational Quartic Spline for Rolling Bearing Fault Diagnosis";Xuerong Ye 等;《IEEE Access》;20200130;第8卷;全文 * |
"CEEMDAN能量熵与贝叶斯网络相结合的电机轴承故障诊断";仝兆景 等;《机械科学与技术》;20230914;全文 * |
"基于CEEMDAN-组合预测模型的短时交通流预测";张向阳 等;《安徽理工大学学报(自然科学版)》;20221130;第42卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117574057A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
Zhao et al. | Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis | |
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 | |
CN117574057B (zh) | 一种立式水泵机组智能故障诊断方法 | |
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 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN111582534A (zh) | 一种基于极限学习机的水力发电预测方法 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN110232416A (zh) | 基于hsmm-svm的装备故障预测方法 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
Nababan et al. | Attribute weighting based K-nearest neighbor using gain ratio | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
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 | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN116454863A (zh) | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Laith et al. | Salp swarm algorithm: a comprehensive survey | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
CN116720057A (zh) | 基于特征筛选与权值分配的江河水质预测方法及系统 | |
Qian et al. | Fault diagnosis for generator unit based on RBF neural network optimized by GA-PSO |
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 |