本發(fā)明專利技術(shù)公開了一種基于SGMD和優(yōu)化CNN模型的軸承故障診斷方法。該方法根據(jù)軸承的振動信號特性，使用辛幾何模態(tài)分解對軸承信號進行分解，得到一系列辛幾何模態(tài)分量，基于皮爾遜相關(guān)系數(shù)指標選取辛幾何模態(tài)分量并對其求模糊散布熵，將模糊散布熵作為特征向量構(gòu)建振動信號的特征樣本集。融合卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)模型，構(gòu)建CNN?LSTM模型，利用訓練樣本集調(diào)整卷積核等參數(shù)得到訓練后的模型。使用最小二乘法支持向量機替換訓練后的CNN?LSTM模型歸一化指數(shù)函數(shù)層，基于電鰻覓食優(yōu)算法優(yōu)化最小二乘法支持向量機參數(shù)。最后將測試樣本集輸入到改進后的CNN?LSTM模型中進行故障識別和分類。本發(fā)明專利技術(shù)方法在小樣本噪聲環(huán)境下軸承故障診斷中具有更高準確率。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種基于sgmd和優(yōu)化cnn模型的軸承故障診斷方法，用于多故障下的軸承故障特征提取與分類，屬于信號處理。
技術(shù)介紹
1、滾動軸承作為旋轉(zhuǎn)機械的關(guān)鍵組件，在不同工況下承受各種載荷，容易出現(xiàn)疲勞斷裂等故障。研究表明，超過45％的旋轉(zhuǎn)機械設(shè)備故障源于軸承損傷，因此軸承的有效診斷對于確保系統(tǒng)安全性和經(jīng)濟性至關(guān)重要。然而，在數(shù)據(jù)采集過程中，環(huán)境噪聲對軸承信號造成干擾，導致傳統(tǒng)機器學習對軸承信號的局部特征不夠敏感，且信號具有非高斯性和非平穩(wěn)性，造成診斷率低下的問題。學術(shù)界針對軸承數(shù)據(jù)的處理提出了多種方法，包括集合經(jīng)驗?zāi)Ｊ椒纸狻⒔?jīng)驗小波分解、變分模式分解等。其中，集合經(jīng)驗?zāi)Ｊ椒纸馔ㄟ^添加白噪聲以消除模態(tài)混疊，但對長時間序列計算耗時較長。變分模式分解則需要手動選擇模式數(shù)量和正則化參數(shù)，若選擇不當易導致過分解現(xiàn)象。這些方法不能很好地將信號的特征提取出來。
2、深度學習是近年來機器學習的研究熱點，比傳統(tǒng)的方法有了一定的提升。卷積神經(jīng)網(wǎng)絡(luò)作為其重要算法之一，可以進行監(jiān)督學習，具有強大的特征學習和表示能力，可自動從數(shù)據(jù)中學習特征，因而許多學者將其應(yīng)用于故障診斷中。但是卷積神經(jīng)網(wǎng)絡(luò)在處理軸承信號時對局部特征不太敏感，所以需要增強對信號局部特征的捕捉。另外，目前大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法的分類器使用歸一化指數(shù)函數(shù)進行分類，通過計算類別概率來判斷故障類型。這種方法在處理復(fù)雜邊界時效果有限，特別是難以處理采用交叉熵的損失函數(shù)。因此，需要重新設(shè)計分類器以提升分類性能。
技術(shù)實現(xiàn)思路
<
p>1、為了克服現(xiàn)有技術(shù)不足，本專利技術(shù)提供了一種基于sgmd和優(yōu)化cnn模型的軸承故障診斷方法，能夠解決在小樣本噪聲環(huán)境下無法準確提取軸承故障信號特征的問題。2、為達到以上目的，本專利技術(shù)使用辛幾何模態(tài)分解對軸承信號進行分解，得到一系列辛幾何模態(tài)分量，基于皮爾遜相關(guān)系數(shù)選取合適的分量并計算各分量的模糊散布熵，將模糊散布熵作為特征向量構(gòu)建振動信號的特征樣本集。融合卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)，構(gòu)建cnn-lstm模型，更好地捕捉信號的局部特征。將基于電鰻覓食算法優(yōu)化后的最小二乘法支持向量機替換cnn-lstm模型的歸一化指數(shù)函數(shù)層，來幫助模型處理復(fù)雜的邊界問題，實現(xiàn)軸承故障準確識別和分類。該方法包括如下步驟：
3、(1)采集不同工況下的軸承故障診斷信號，并對其進行預(yù)處理；
4、(2)對不同工況下的振動信號進行辛幾何模態(tài)分解(sgmd)，得到一系列辛幾何模態(tài)分量(sgc)，基于皮爾遜相關(guān)系數(shù)指標選取合適的sgc，并求各sgc的模糊散布熵(fde)，將fde作為特征向量構(gòu)建振動信號的特征樣本集；
5、(3)融合卷積神經(jīng)網(wǎng)絡(luò)(cnn)和長短時記憶網(wǎng)絡(luò)(lstm)模型，構(gòu)建cnn-lstm模型。使用訓練樣本集訓練cnn-lstm模型，調(diào)整卷積層數(shù)、核大小、epoch、學習率、lstm層數(shù)和隱藏單元，得到訓練后的cnn-lstm模型；
6、(4)利用最小二乘法支持向量機(lssvm)替換訓練后cnn-lstm模型中的歸一化指數(shù)函數(shù)層(softmax)；
7、(5)使用電鰻覓食優(yōu)化算法(eefo)對lssvm進行參數(shù)優(yōu)化；
8、(6)將測試樣本集輸入到改進后的cnn-lstm模型中，獲得故障診斷結(jié)果。
9、所述步驟(2)中振動信號的辛幾何模態(tài)分解步驟如下：
10、假設(shè)一維振動信號x＝(x1,x2,…,xn)，根據(jù)takens嵌入定理，采用時間序列延遲拓撲等價方法將x映射為多維信號，得到軌跡矩陣x：
11、
12、其中，d是嵌入維度，τ是延遲時間，m＝n-(d-1)τ。
13、利用軌跡矩陣x構(gòu)建協(xié)方差矩陣a，a＝xtx。
14、對軌跡矩陣x進行重構(gòu)，重構(gòu)后的軌跡矩陣z通過一系列初始單分量矩陣zi(i＝1,2,…,d)進行構(gòu)造，即z＝z1+z2+l+zd。其中，zi＝qisi，qi為矩陣a的特征向量，si為轉(zhuǎn)換系數(shù)矩陣，
15、定義初始單分量矩陣zi中元素為zij，1≤i≤d，1≤j≤m。利用對角平均化轉(zhuǎn)換將初始單分量矩陣zi轉(zhuǎn)化為長度為n的一維時間序列信號，對角平均化表達式為
16、
17、其中，d*＝min(m,d)，m*＝max(m,d)，當m<d時，否則
18、利用上式計算得到與單分量矩陣zi相對應(yīng)的一維單分量信號yi＝(y1,y2,…,yn)，依次對各單分量矩陣進行對角平均化，可得到d個單分量信號，即y＝y(tǒng)1+y2+l+yd。
19、基于周期相似性評價指標對d個單分量信號進行組分重組，首先y1與其余分量進行周期相似性比較，將高度相似的單分量信號進行疊加，得到sgc1。然后，將sgc1從y中分離，y分離后的第一個單分量信號與剩余分量進行周期相似性比較，得到sgc2。經(jīng)過h次迭代可以得到sgch，最終剩余的分量求和得到信號的殘余項gh。構(gòu)建h次迭代后殘余信號與原信號之間的歸一化均方差(nmse)為
20、
21、當nmseh小于閾值時，結(jié)束整個分解過程，否則繼續(xù)迭代分解，直至滿足迭代終止條件。
22、最終分解結(jié)果表示為
23、
24、式中，n表示sgc的數(shù)量。
25、所述步驟(2)中構(gòu)建特征樣本集時，預(yù)處理后的各段信號分別選擇相關(guān)系數(shù)較大的3個sgc，并計算與scg相對應(yīng)的fde，得到三維特征向量[e1,e2,e3]，以此作為特征樣本集。
26、所述步驟(2)中的特征樣本集被劃分為訓練特征樣本集和測試特征樣本集。
27、所述步驟(4)中的lssvm是基于統(tǒng)計理論的改進型支持向量機，能夠?qū)⒍蝺?yōu)化問題的解轉(zhuǎn)化為線性方程組的求解，線性方程組的表達式
28、
29、其中，γ是用于確定模型復(fù)雜度和精度之間權(quán)衡的正則化參數(shù)，b表示偏置項，e是元素為1的列向量，α表示拉格朗日乘數(shù)向量，y表示輸出數(shù)據(jù)，ω是輸入數(shù)據(jù)的核函數(shù)對稱矩陣，核函數(shù)矩陣中的元素采用徑向基函數(shù)，其表達式為
30、
31、式中，σ表示核函數(shù)的帶寬，且σ＞0。
32、所述步驟(5)中所述的使用eefo對lssvm進行參數(shù)優(yōu)化，優(yōu)化的是lssvm中的γ和σ兩個參數(shù)，eefo具體優(yōu)化過程：
33、設(shè)置種群中個體數(shù)量n和最大迭代次數(shù)t，隨機初始化鰻魚種群xi(i＝1,…,n)，評估鰻魚個體候選位置的適應(yīng)度fit(xi)，獲得該階段最優(yōu)個體的位置向量xprey。判斷xprey是否滿足收斂條件，如果滿足收斂條件，則輸出xprey，即優(yōu)化后的γ和σ。
34、如果不滿足收斂條件，計算能量因子e(t)＝4sin(1-t/t)×ln(1/r7)，其中r7為(0,1)內(nèi)的隨機數(shù)。當e>1時，對種群實施交互行為，交互行為表達式
35、
36、式中，p1和p2是(0,1)內(nèi)的隨機數(shù)，xi為當前種群中本文檔來自技高網(wǎng)
...
【技術(shù)保護點】
1.一種基于SGMD和優(yōu)化CNN模型的軸承故障診斷方法，其特征在于，包含以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于SGMD和優(yōu)化CNN模型的故障診斷方法，其特征在于：所述步驟(2)中振動信號的辛幾何模態(tài)分解步驟如下：
3.根據(jù)權(quán)利要求1所述的一種基于SGMD和優(yōu)化CNN模型的故障診斷方法，其特征在于：所述步驟(2)中構(gòu)建特征樣本集時，預(yù)處理后的各段信號分別選擇相關(guān)系數(shù)較大的3個SGC，并計算與SCG相對應(yīng)的FDE，得到三維特征向量[e1,e2,e3]，以此作為特征樣本集。
4.根據(jù)權(quán)利要求1所述的一種基于SGMD和優(yōu)化CNN模型的故障診斷方法，其特征在于：所述步驟(2)中的特征樣本集被劃分為訓練特征樣本集和測試特征樣本集。
5.根據(jù)權(quán)利要求1所述的一種基于SGMD和優(yōu)化CNN模型的故障診斷方法，其特征在于：所述步驟(4)中的LSSVM是基于統(tǒng)計理論的改進型支持向量機，能夠?qū)⒍蝺?yōu)化問題的解轉(zhuǎn)化為線性方程組的求解，線性方程組的表達式
6.根據(jù)權(quán)利要求1所述的一種基于SGMD和優(yōu)化CNN模型的故障診斷方法，其特征在于：所述步驟(5)中所述的使用EEFO對LSSVM進行參數(shù)優(yōu)化，優(yōu)化的是LSSVM中的γ和σ兩個參數(shù)，EEFO具體優(yōu)化過程：
...
【技術(shù)特征摘要】
1.一種基于sgmd和優(yōu)化cnn模型的軸承故障診斷方法，其特征在于，包含以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于sgmd和優(yōu)化cnn模型的故障診斷方法，其特征在于：所述步驟(2)中振動信號的辛幾何模態(tài)分解步驟如下：
3.根據(jù)權(quán)利要求1所述的一種基于sgmd和優(yōu)化cnn模型的故障診斷方法，其特征在于：所述步驟(2)中構(gòu)建特征樣本集時，預(yù)處理后的各段信號分別選擇相關(guān)系數(shù)較大的3個sgc，并計算與scg相對應(yīng)的fde，得到三維特征向量[e1,e2,e3]，以此作為特征樣本集。
4.根據(jù)權(quán)利要求1所述的一種基于sgmd...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曹建斌，徐國慧，劉文藝，李響，張淼淼，
申請(專利權(quán))人：江蘇師范大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。