CN117609768A - 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 - Google Patents
一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 Download PDFInfo
- Publication number
- CN117609768A CN117609768A CN202410091611.5A CN202410091611A CN117609768A CN 117609768 A CN117609768 A CN 117609768A CN 202410091611 A CN202410091611 A CN 202410091611A CN 117609768 A CN117609768 A CN 117609768A
- Authority
- CN
- China
- Prior art keywords
- model
- whale
- water pump
- vibration signals
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 241000283153 Cetacea Species 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 239000002131 composite material Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 description 8
- 241000764238 Isis Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06F18/20—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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进鲸鱼算法的立式水泵机组故障诊断方法，属于振动信号处理领域，包括以下步骤：采集四种工况下的振动信号；使用均匀相位经验模态分解方法对振动信号进行详细分解；利用精细复合多尺度余弦相似熵方法从分解后的振动信号中提取特征向量，并组成特征集。将特征集分为训练集和测试集，将特征集输入改进鲸鱼算法优化反向传播神经网络，训练模型得到ALWOA‑BP模型，将测试集输入ALWOA‑BP模型进行状态识别，完成对水泵机组振动信号的故障诊断。实验结果表明，该方法的准确率达到了100%，为水泵组振动信号特征提取和故障诊断提供了重要的技术支持。
Description
技术领域
本发明属于振动信号处理领域，公开了一种基于均匀相位经验模态分解（UPEMD）融合精细复合多尺度余弦相似熵（RCMCSE）和改进鲸鱼算法优化反向传播神经网络（ALWOA-BP）的立式水泵机组故障诊断方法。
背景技术
立式水泵机组广泛应用于工业生产、城市供水、农田灌溉等领域，是现代社会中不可或缺的重要设备。然而，由于长期运行、环境变化和操作不当等原因，立式水泵机组可能会出现各种故障，严重影响其正常运行和效率。因此及时准确地诊断和排除故障对于保障立式水泵机组的运行安全和可靠性至关重要。而机组在运行中的工作状态往往通过振动信号进行反馈，所以立式水泵机组振动信号处理的研究对于故障检测与预警、故障诊断与分析、运行状态评估与优化以及数据驱动的维护策略具有重要意义。
对于信号处理，现有技术有采用基于变分模态分解（Variational modedecomposition，VMD）和能量熵的特征向量提取方法，但VMD对信号的噪声比较敏感，特别是当噪声水平较高时，VMD的分解结果可能受到噪声的干扰导致模态提取的不准确性。也有通过在小波变换中加入经验模态分解（Empirical mode decomposition，EMD）和自相关去噪，开发了一种EMD-Correlation的去噪和特征提取方法，但该方法对于长时间序列信号的处理较慢同时很依赖于信号的稳定性，尤其是非平稳或非周期性的振动信号，这些方法的分解效果可能不如预期。
在机组振动信号特征提取领域，信息熵理论不断发展，取得了很多成果。样本熵、能量熵、排列熵等被广泛应用于信号的非线性特征提取，以表征信号的复杂程度。现有技术有一种基于噪声辅助多变量经验模态分解和近似熵的水电机组振动信号去噪方法，但近似熵是基于样本数据的估计，因此它可能会受到样本数据的限制和偏差的影响。如果样本数量不足或者样本不代表概率分布的全貌，近似熵的估计结果可能会失真。也有引入余弦相似熵（Cosine Similarity Entropy，CSE）进行特征提取，但上述熵方法只能量化单一时间尺度的特征。
在机组故障诊断时，将特征信息输入到分类器中，利用分类器区分不同故障信号。近些年来，大量学者提出多种分类模型，例如：麻雀搜索算法、支持向量机、粒子群算法等等。但是这些算法有着对参数的敏感性高，收敛速度慢等问题。
综上可知，现有针对振动信号分析以及故障诊断的技术存在准确性差、预测结果不理想的问题，因此亟需开发一种可靠性更高的立式水泵机组故障诊断方法。
发明内容
本发明的目的在于提供一种基于改进鲸鱼算法的立式水泵机组故障诊断方法，解决现有方法存在准确性差、预测结果不理想的问题。
为解决上述的技术问题，本发明采用以下技术方案：
一种基于改进鲸鱼算法的立式水泵机组故障诊断方法，其特征在于包括如下步骤：
（1）采集四种工况下的振动信号；
（2）使用均匀相位经验模态分解方法对振动信号进行详细分解；
（3）利用精细复合多尺度余弦相似熵方法从分解后的振动信号中提取特征向量，并组成特征集；
（4）将特征集分为训练集和测试集，将特征集输入改进鲸鱼算法优化反向传播神经网络，训练模型得到ALWOA-BP模型，将测试集输入ALWOA-BP模型进行状态识别，完成对水泵机组振动信号的故障诊断。
更进一步的技术方案是所述步骤（1）中采集的振动信号为转子故障试验台模拟水泵机组正常、碰撞摩擦、不平衡以及不对中4种不同类别的振动信号。
更进一步的技术方案是所述步骤（2）具体步骤为将振动信号数据先进行均匀相位经验模态分解，每种状态分解得到6个IMF分量和1个残差分量，将IMF分量组合后进行特征计算。
更进一步的技术方案是所述步骤（3）从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，具体方法如下：
3-1. 假定一组长度为N的振动信号：当尺度因子为时，计算粗粒
化序列，得到新的时间序列；将分为每段长度为的小段，并算出每小
段的均值按大小顺序排列，第个粗粒化序列为：
式中： )
3-2. 算出每个粗粒化序列的余弦相似模式π的概率，求出平均值：
3-3 整合得精细复合多尺度余弦相似熵RCMCSE为：
式中：m为嵌入维数，c为类别个数，d为时延；
3-4.依上述方法分别计算每一个分量的RCMCSE，形成特征集。
更进一步的技术方案是所述步骤(4)具体如下：特征集按照2：8分为测试集和训练集，构建ALWOA-BP模型，输入训练集到改进鲸鱼算法优化反向传播神经网络进行模型训练，再将测试集输入到训练完成的ALWOA-BP模型中，完成对于振动信号的状态识别；
具体方法如下：
4-1.鲸鱼算法中：鲸鱼收缩包围机制位置更新公式为：
式中，为当前迭代次数；为猎物位置；和为系数向量，表示鲸鱼第t次
迭代时位置向量，X（t+1）表示更新后鲸鱼位置向量； 和可定义为：
式中，和为[0,1]之间的随机向量；为收敛因子，它随着迭代次数增加，从2线
性地减小到0，即：
式中为最大迭代次数；
螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物，其公式如下：
其中，为鲸鱼与猎物之间的距离；为用于限定对数螺旋形
状的常数；为[-1,1]之间的常数；为了模拟该行为，在优化过程中，选择收缩包围机制与螺
旋位置更新，概率均为50%；
4-2.使用基于对数的自适应权重策略，如下：
式中，和分别为自适应权重因子的最大值与最小值，为当前迭代次
数，为最大迭代次数；
4-3 .引入飞行后，将A更新为以下公式：
式中：表示其服从参数为的莱维分布；即：
采用Mantegna算法执行飞行，步长计算公式如下：
式中：为Lévy飞行随机步长，的取值一般为1.5，均服从正态分布，分布式分
别如下：
的计算方法如下：
式中：为标准伽马函数；
4-4.将改进后的鲸鱼算法用于优于BP神经网络的权重因子和阈值。
与现有技术相比，本发明的有益效果是：提出了一种新的熵值指标精细复合多尺度余弦相似熵RCMCSE和改进鲸鱼算法优化反向传播神经网络ALWOA-BP故障诊断模型并将其与均匀相位经验模态分解UPEMD信号分解方法相结合，构建了一个新的振动信号分析和智能诊断模型。首先，利用UPEMD对振动信号进行分解，得到多个分量形成一个新的分量集，再计算每个分量的RCMCSE值，生成特征熵向量。最后，采用ALWOA-BP模型对振动信号的特征向量进行准确诊断识别，并通过对比模型对该模型进行全面验证。结果表明，振动信号的识别准确率达到100%，为立式水泵机组振动信号特征提取和故障诊断提供了重要的技术支持。
附图说明
图1是本发明的流程图。
图2是实施例中转子故障试验台4种工况振动信号。
图3是实施例中4种工况UPEMD分解图。
图4是实施例中不同工况下熵分布情况图。
图5是实施例中4种不同工况不同熵特征可视化图。
图6是实施例优化迭代过程曲线图。
图7是实例中不同函数三维参数空间和各算法适应度曲线图。
图8是不同模型状态识别与诊断结果图。
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，对本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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的目的是为水泵机组振动信号提供全新诊断方法，评估效率和准确性更高，并解决传统方法难以有效地将熵值提取和故障诊断等问题。
如图1所示，本发明实施例的一种基于UPEMD融合RCMCSE和ALWOA-BP的立式水泵组故障诊断方法，包括三个阶段：第一阶段是利用UPEMD对原始信号进行分解；第二阶段为利用RCMCSE提取特征；第二阶段利用ALWOA-BP基于提取的特征进行故障诊断。包括以下步骤：
步骤1：首先收集不同工况的转子故障试验台模拟水泵机组的振动信号；
具体包括正常、碰撞摩擦、不平衡以及不对中4种不同类别的振动信号。其中振动信号的采集频率为2048Hz，共采集到180个振动信号，每种类别的振动信号45个。4种不同类别的信号如图2所示。
步骤2： 将原始振动信号进行UPEMD分解，得到6个分量和1个残差，将所有分量收集在一起形成分量集。其中UPEMD是在EEMD的基础上进一步优化得到的分解方法，主要解决EEMD分解方法无法完全消除辅助噪声成分，导致IMF分量受到残余噪声的影响较大的问题。其具体的原理如下：
对原始信号添加干扰波
式中：为相位，为频率，为幅值。
为相数，且。假设个相均匀分布在空间上，则表示为：
联立式（1）和（2）得：
对输入信号添加正负干扰波得到干扰信号和
用EMD方法处理和，将每一个不同相位的干扰波信号分解为个模态
分量和，将结果集成平均处理得到
式中：，。
其中，
式中：为EMD算子。最后将个取均值得到第个IMF分量，其表
达式为：
根据以上公式可知，值越大，模态分解次数越多，得到的IMF分量更细致。本发明
综合水泵机组实际应用场景需求，结合分离精度与计算时间，选取= 7进行信号分解处
理。
将图3的四组振动信号进UPEMD分解，如图3所示，分解结果显示，原始信号分解成从IMF1到IMF6的6个IMF分量和一个反映数据序列中趋势成分的残差。
步骤3：用RCMCSE对输入数据进行特征提，通过对信号进行平移来捕捉时间上的局部特征，求取RCMCSE，具体方法如下：
3-1. 假定一组长度为N的振动信号：当尺度因子为时，计算粗
粒化序列，得到新的时间序列。将分为每段长度为的小段，并算出
每小段的均值按大小顺序排列。第个粗粒化序列为：
式中：
3-2.算出每个粗粒化序列的余弦相似模式的概率，求出平均值：
3-3整合上式，RCMCSE表达式所示：
(10)
式中：m为嵌入维数，c为类别个数，d为时延。
3-4.依上述方法分别计算每一个分量的RCMCSE，形成特征集。
将UPEMD分解后的IMF1-IMF6分进行整合，形成IMF样本集。对全部IMF分量的RCMCSE作为特征向量进行提取，再把特征叠加在一起组成一个信号的复合特征，并引入CMSCSE（多尺度余弦相似熵）、MCSE（多尺度余弦相似熵）、CSE（余弦相似熵）进行对比，对比结果如图4所示。图4清晰表明采用RCMCSE相较于其他方法更为稳定。为了验证RCMCSE的合理性，利用(T-distributed stochastic neighbor embedding)T-SNE 将四种工况下的振动信号的特征三维可视化。从图5中可以看出，RCMCSE 可以很好的将各种工况振动信号区分开，其他2种熵在三种工况下都有着不同严重的混叠。其中CSE混叠最为明显，说明精细复合思想的引用对于熵值的稳定性起到关键性作用。
步骤4：将特征集按照2：8分为测试集和训练集，构建ALWOA-BP模型，输入训练集进行模型训练，再将测试集输入到训练完成的ALWOA-BP模型中，完成对于振动信号的故障诊断。具体方法如下：
4-1. WOA算法源自于自然界座头鲸群体捕食行为的模拟。座头鲸群体在捕食时会通过包围、追捕和攻击猎物来实现优化搜索。算法首先在搜索空间中随机生成一定数量的鲸鱼个体，形成初始种群。接着，在进化过程中，群体根据当前最优的鲸鱼个体或随机选择的一个鲸鱼个体来更新各自的位置。最后，每个鲸鱼个体根据随机产生的数值来决定是进行螺旋运动还是包围运动，通过循环迭代直至找到最优解。这种算法模拟了座头鲸群体捕食的行为，并通过不断优化搜索空间来寻找最佳解决方案。鲸鱼收缩包围机制位置更新公式为：
式中，为当前迭代次数；为猎物位置；和为系数向量，和可定义为：
式中，和为[0,1]之间的随机向量；为收敛因子，它随着迭代次数增加，从2线
性地减小到0，即：
式中为最大迭代次数。
螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物，其公式如下：
其中，为鲸鱼与猎物
之间的距离；为用于限定对数螺旋形状的常数；为[-1,1]之间的常数。为了模拟该行为，
在优化过程中，选择收缩包围机制与螺旋位置更新，概率均为50%。
4-2自适应权重是WOA算法中需要调节的重要参数，它是一种根据数据特点自动调
整权重的方法，从而提高数据处理的准确性和效率。在数据处理过程中，自适应权重法会根
据数据的分布情况、数据的重要性、数据的相关性等因素来调整权重，使得数据处理的结果
更加准确和可靠。本发明使用基于对数的自适应权重策略， 如下：
式中，和分别为的最大值与最小值，为当前迭代次数，为最大迭
代次数。
4-3 Lévy飞行的优势主要在于扩大搜索范围、增加种群多样性、跳出局部最优解、适用于多峰值函数优化和复杂优化问题以及提高搜索效率。当与WOA结合时很大程度上解决 WOA跳出局部最优的问题，使得算法可以收敛到全局最优。
引入飞行后，式（13）更新为以下公式：
式中：表示其服从参数为的莱维分布。即：
采用Mantegna算法执行飞行，步长计算公式如下：
式中：为Lévy飞行随机步长，的取值一般为1.5,均服从正态分布，分布式
分别如下：
的计算方法如下：
式中：为标准伽马函数。
4-4 .利用上述改进后的鲸鱼算法对BP神经网络的权重和阈值进行了优化。ALWOA和WOA算法用于操作该优化过程。它们的收敛迭代过程曲线如图6所示。随着速度和位置的不断更新，种群不断进化，最优个体的适应度函数值下降。经过50次迭代计算，IWSO算法可以在不到10次迭代的时间内完成收敛。另一方面，未优化的WOA算法需要大约15次迭代才能完成收。此外，WOA算法还陷入了局部最优。根据故障诊断需要，利用2个单峰值函数测试本发明算法的收敛精度。图7为ALWOA算法和WOA算法在各函数的三维参数空间及各算法在不同测试函数熵的适应度曲线，可以看出ALWOA具有更高的效率和更准确的计算结果。
（1）Sphere函数表达式为：
式中：；；全局最小值为0。
（2）Schwefel2.22 函数表达式为：
式中：；；全局最小值为0。
4-5为了体现所建模型的有效性和高效性，本发明对比了RCMCSE-ALWOA-BP和RCMCSE-BP的对比结果，其混淆矩阵和状态分类识别如图8所示，图中横纵坐标中的1、2、3、4分别代表正常、碰撞摩擦、不平衡、不对中工况类别。从图8可看出，RCMCSE-ALWOA-BP和RCMCSE-BP的准确度分别为100%和91.67%，采用ALWOA优化BP的方法故障诊断率提高了8.33%。本发明所提方法具有较好的诊断性能和鲁棒性，该项研究可以对现有水泵机组故障诊断方法进行有价值的补充，为水泵机组故障诊断提供了重要的技术支撑，具有较高的工程应用价值。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进鲸鱼算法的立式水泵机组故障诊断方法，其特征在于包括如下步骤：
（1）采集四种工况下的振动信号；
（2）使用均匀相位经验模态分解方法对振动信号进行详细分解；
（3）利用精细复合多尺度余弦相似熵方法从分解后的振动信号中提取特征向量，并组成特征集；
（4）将特征集分为训练集和测试集，将特征集输入改进鲸鱼算法优化反向传播神经网络，训练模型得到ALWOA-BP模型，将测试集输入ALWOA-BP模型进行状态识别，完成对水泵机组振动信号的故障诊断。
2.根据权利要求1所述的方法，其特征在于：所述步骤（1）中采集的振动信号为转子故障试验台模拟水泵机组正常、碰撞摩擦、不平衡以及不对中4种不同类别的振动信号。
3.根据权利要求1所述的方法，其特征在于：所述步骤（2）具体步骤为将振动信号数据先进行均匀相位经验模态分解，每种状态分解得到6个IMF分量和1个残差分量，将IMF分量组合后进行特征计算。
4.根据权利要求1所述的方法，其特征在于：所述步骤（3）从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，具体方法如下：
3-1. 假定一组长度为N的振动信号：当尺度因子为/>时，计算粗粒化序列，得到新的时间序列/>；将/>分为每段长度为/>的小段，并算出每小段的均值按大小顺序排列，第/>个粗粒化序列/>为：
；
式中： )；
3-2. 算出每个粗粒化序列的余弦相似模式π的概率，求出平均值：
；
3-3 整合得精细复合多尺度余弦相似熵RCMCSE为：
；
式中：m为嵌入维数，c为类别个数，d为时延；
3-4.依上述方法分别计算每一个分量的RCMCSE，形成特征集。
5.根据权利要求1所述的方法，其特征在于：所述步骤(4)具体如下：特征集按照2：8分为测试集和训练集，构建ALWOA-BP模型，输入训练集到改进鲸鱼算法优化反向传播神经网络进行模型训练，再将测试集输入到训练完成的ALWOA-BP模型中，完成对于振动信号的状态识别；
具体方法如下：
4-1.鲸鱼算法中：鲸鱼收缩包围机制位置更新公式为：
；
；
式中，为当前迭代次数；/>为猎物位置；/>和/>为系数向量，/>表示鲸鱼第t次迭代时位置向量，X（t+1）表示更新后鲸鱼位置向量； />和/>可定义为：
；
；
式中，和/>为[0,1]之间的随机向量；/>为收敛因子，它随着迭代次数增加，从2线性地减小到0，即：
；
式中为最大迭代次数；
螺旋更新位置方法中，模拟鲸鱼螺旋式运动以捕获猎物，其公式如下：
；
；
其中，为鲸鱼与猎物之间的距离；/>为用于限定对数螺旋形状的常数；/>为[-1,1]之间的常数；为了模拟该行为，在优化过程中，选择收缩包围机制与螺旋位置更新，概率/>均为50%；
4-2.使用基于对数的自适应权重策略，如下：；
式中，和/>分别为自适应权重因子/>的最大值与最小值，/>为当前迭代次数，为最大迭代次数；
4-3 .引入飞行后，将A更新为以下公式：
；
式中：表示其服从参数为/>的莱维分布；即：
；
采用Mantegna算法执行飞行，步长计算公式如下：
；
式中：为Lévy飞行随机步长，/>的取值一般为1.5，/>均服从正态分布，分布式分别如下：
；
；
的计算方法如下：
；
式中：为标准伽马函数；
4-4.将改进后的鲸鱼算法用于优于BP神经网络的权重因子和阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410091611.5A CN117609768A (zh) | 2024-01-23 | 2024-01-23 | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410091611.5A CN117609768A (zh) | 2024-01-23 | 2024-01-23 | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117609768A true CN117609768A (zh) | 2024-02-27 |
Family
ID=89956558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410091611.5A Pending CN117609768A (zh) | 2024-01-23 | 2024-01-23 | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117609768A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
| CN110136165A (zh) * | 2019-05-17 | 2019-08-16 | 河南科技学院 | 一种基于自适应鲸鱼优化的突变运动目标跟踪方法 |
| CN111245821A (zh) * | 2020-01-08 | 2020-06-05 | 中国科学院信息工程研究所 | 辐射源识别方法、装置及辐射源识别模型创建方法、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 |
| CN112560914A (zh) * | 2020-12-08 | 2021-03-26 | 昆明理工大学 | 一种基于改进lssvm的滚动轴承故障诊断方法 |
| CN113807005A (zh) * | 2021-08-12 | 2021-12-17 | 北京工业大学 | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
| 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 |
| CN115096590A (zh) * | 2022-05-23 | 2022-09-23 | 燕山大学 | 一种基于iwoa-elm的滚动轴承故障诊断方法 |
| CN115866621A (zh) * | 2022-11-08 | 2023-03-28 | 重庆邮电大学 | 一种基于鲸鱼算法的无线传感器网络覆盖方法 |
| CN115876476A (zh) * | 2023-02-16 | 2023-03-31 | 山东科技大学 | 滚动轴承故障诊断方法、系统、计算机设备以及存储介质 |
| CN116088576A (zh) * | 2023-02-21 | 2023-05-09 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机三维路径规划方法 |
| CN116294811A (zh) * | 2023-02-17 | 2023-06-23 | 南京航空航天大学 | 基于多目标狼群算法的武装直升机火飞协同机制分析方法 |
| CN116933948A (zh) * | 2023-09-18 | 2023-10-24 | 北京邮电大学 | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 |
| CN116990588A (zh) * | 2023-08-04 | 2023-11-03 | 广东电网有限责任公司 | 一种基于sg-upemd的光伏谐波检测方法及装置 |
| CN117332659A (zh) * | 2023-10-23 | 2024-01-02 | 昆明理工大学 | 一种基于改进鲸鱼优化算法获取多源微波加热系统温度均匀性最佳功率组合的方法 |
| CN117388709A (zh) * | 2023-11-01 | 2024-01-12 | 华北电力大学 | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 |
-
2024
- 2024-01-23 CN CN202410091611.5A patent/CN117609768A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044602A (zh) * | 2019-03-15 | 2019-07-23 | 昆明理工大学 | 一种基于振动信号分析的高压隔膜泵单向阀故障诊断方法 |
| CN110136165A (zh) * | 2019-05-17 | 2019-08-16 | 河南科技学院 | 一种基于自适应鲸鱼优化的突变运动目标跟踪方法 |
| CN111245821A (zh) * | 2020-01-08 | 2020-06-05 | 中国科学院信息工程研究所 | 辐射源识别方法、装置及辐射源识别模型创建方法、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 |
| CN112560914A (zh) * | 2020-12-08 | 2021-03-26 | 昆明理工大学 | 一种基于改进lssvm的滚动轴承故障诊断方法 |
| CN113807005A (zh) * | 2021-08-12 | 2021-12-17 | 北京工业大学 | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
| 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 |
| CN115096590A (zh) * | 2022-05-23 | 2022-09-23 | 燕山大学 | 一种基于iwoa-elm的滚动轴承故障诊断方法 |
| CN115866621A (zh) * | 2022-11-08 | 2023-03-28 | 重庆邮电大学 | 一种基于鲸鱼算法的无线传感器网络覆盖方法 |
| CN115876476A (zh) * | 2023-02-16 | 2023-03-31 | 山东科技大学 | 滚动轴承故障诊断方法、系统、计算机设备以及存储介质 |
| CN116294811A (zh) * | 2023-02-17 | 2023-06-23 | 南京航空航天大学 | 基于多目标狼群算法的武装直升机火飞协同机制分析方法 |
| CN116088576A (zh) * | 2023-02-21 | 2023-05-09 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机三维路径规划方法 |
| CN116990588A (zh) * | 2023-08-04 | 2023-11-03 | 广东电网有限责任公司 | 一种基于sg-upemd的光伏谐波检测方法及装置 |
| CN116933948A (zh) * | 2023-09-18 | 2023-10-24 | 北京邮电大学 | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 |
| CN117332659A (zh) * | 2023-10-23 | 2024-01-02 | 昆明理工大学 | 一种基于改进鲸鱼优化算法获取多源微波加热系统温度均匀性最佳功率组合的方法 |
| CN117388709A (zh) * | 2023-11-01 | 2024-01-12 | 华北电力大学 | 一种基于鲸鱼优化核极限学习机的储能电池故障诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| FANG DAO 等: "An intelligent CPSOGSA-based mixed robust controller for the multi-hydro-turbine governing system with sharing common penstock", 《RENEWABLE ENERGY》, 30 April 2023 (2023-04-30), pages 481 - 497 * |
| K花开富贵: "余弦相似熵，多尺度余弦相似熵，层次余弦相似熵，时移多尺度余弦相似熵，复合多尺度余弦相似熵，精细复合多尺度余弦相似熵（Matlab版）", 《HTTPS://BLOG.51CTO.COM/U_16157233/6629348》, 5 July 2023 (2023-07-05), pages 1 - 3 * |
| SEYEDALI MIRJALILI 等: "The Whale Optimization Algorithm", 《ADVANCES IN ENGINEERING SOFTWARE》, 31 May 2016 (2016-05-31), pages 51 - 67 * |
| THEERASAK CHANWIMALUEANG 等: "Cosine Similarity Entropy Self-Correlation-Based Complexity Analysis of Dynamical Systems", 《ENTROPY》, 30 November 2017 (2017-11-30), pages 1 - 23 * |
| 叶金义 等: "基于精细复合多尺度熵特征向量相关系数在滚动轴承故障诊断中应用", 《噪声与振动控制》, vol. 38, no. 05, 14 October 2018 (2018-10-14), pages 186 - 191 * |
| 李畸勇 等: "改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪", 《电工技术学报》, 3 February 2021 (2021-02-03), pages 1771 - 1781 * |
| 马军;贾鹤鸣;: "基于改进飞蛾扑火算法的多阈值彩色图像分割", 计算机应用与软件, 12 January 2020 (2020-01-12), pages 223 - 229 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| 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 | |
| CN111832353A (zh) | 基于emd与ba优化svm的汽轮机转子故障诊断方法 | |
| Gai et al. | A parameter-optimized DBN using GOA and its application in fault diagnosis of gearbox | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
| Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
| Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
| CN117407797B (zh) | 基于增量学习的设备故障诊断方法及模型的构建方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN108983179A (zh) | 一种群智能敏捷的雷达海上目标检测系统 | |
| CN115051864B (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 | |
| CN114781435A (zh) | 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法 | |
| Tan et al. | Fault diagnosis method for rolling bearing based on VMD and improved SVM optimized by METLBO | |
| Man et al. | Bearing Remaining Useful Life Prediction Based on AdCNN and CWGAN under Few Samples | |
| CN110701487B (zh) | 一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法 | |
| CN117609768A (zh) | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 | |
| CN116186586A (zh) | 基于改进经验模态分解算法与优化深度置信网络的滚动轴承故障诊断方法 | |
| Feng et al. | Water leakage detection based on variation bayesian neural network autoencoder | |
| Qiao et al. | Bearing fault diagnosis based on natural adaptive moment estimation algorithm and improved octave convolution | |
| CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
| Zhao et al. | Combine assembly quality detection based on multi-entropy data fusion and optimized LSSVM | |
| Zhang et al. | Artificial Intelligence-Based Joint Movement Estimation Method for Football Players in Sports Training |
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 |