研究文章|开放访问
付文龙,谭家文,张晓元,陈铁,王凯, "旋转机械故障诊断MAR模型和变异混合GWO-SCA优化支持向量机的盲参数辨识“,复杂我>, 卷。2019年, 物品ID3264969, 17. 页面, 2019年. https://doi.org/10.1155/2019/3264969
旋转机械故障诊断MAR模型和变异混合GWO-SCA优化支持向量机的盲参数辨识
抽象的
作为具有良好复杂性的工业领域的一个至关重要的和广泛使用的部件,旋转机械的健康状况与生产效率和安全直接相关。因此,识别和诊断旋转机器断层仍然是防止机械系统故障的主要问题之一,这可以提高机械系统的可靠性和效率。本文提出了一种基于MS模型和突变混合GWO-SCA优化的基于盲参数识别的新方法,以诊断旋转机械的故障。从不同类型的故障收集的信号首先通过变分模式分解(VMD),分解模式编号分解成内在模式功能(IMF)组。<我>K我>其中预设中心频率观测法。然后建立所有IMFs的多元自回归(MAR)模型,采用施瓦茨贝叶斯准则(Schwartz Bayes Criterion, SBC)确定模型的阶数,通过QR分解盲目识别模型的所有参数,通过主成分分析(PCA)提取关键特征,构建不同故障类型的特征向量。然后,提出了一种结合突变算子、灰狼优化器(GWO)和正弦余弦算法(SCA)的混合优化算法,即突变混合GWO-SCA (MHGWOSCA),用于支持向量机(SVM)的参数选择。然后采用最优支持向量机模型对不同的故障样本进行分类。工程应用和对比分析表明了该方法的有效性和优越性。
1.介绍
旋转机械是现代工业制造中的关键部分,其失败可能导致严重的安全事故和经济损失。因此,在防止机械系统故障中进行调查的主要主题之一是识别和诊断旋转机器故障[
由于振动信号携带丰富的信息,大多数滚动轴承故障诊断方法依赖于对振动信号的分析[
滚动轴承故障诊断的本质是一种模式识别问题;也就是说,故障类型由样本的故障特征确定。在工程应用中,许多替代方法可用于解决此问题。例如,贝叶斯决策通过考虑现有概率以及类条件概率而具有强烈的识别能力,并且其良好的准确性需要假设合适的先前模型[
尽管SVM具有卓越的模式识别能力,但其性能受参数的影响。鉴于此,开发出各种优化算法并应用以搜索最佳参数,例如遗传算法(GA)[
论文组织如下
2.基本理论
2.1。变分模式分解
变分模态分解(VMD)是一种新的自适应信号预处理方法[
对于上述变分问题,利用二次罚函数项和拉格朗日乘子将其转化为一个无约束问题(
然后利用替代方向方法来获得拉格朗日乘法器的鞍点,即解决(
解决问题(
拉格朗日乘数可以用它来迭代 在哪里<我>τ我>是一个更新参数。
VMD的主要步骤可以总结如下:
步骤1。我>初始化 ,N我>=1.
第2步 :。我>执行循环,<我>N我>=<我>N我>+1。
第3步。我>更新<我>M我>K我>和<我>W我>K我>基于(
第四步。我>更新<我>β我>基于(
第5步。我>如果 ,循环端,否则转到步骤2进行下一次迭代。
2.2。多变量自回归模型
自回归(AR)模型利用自身推导回归变量,即利用时刻白噪声的线性组合<我>N我>和以前的价值<我>P我>时间来描述系统的输出<我>N我>。方程式可描述如下[
当需要进行多元建模时,AR模型必须进行多次分析和建立。因此,不同变量决定的模型顺序可能不一致。与AR模型相比,多元自回归(MAR)模型只建模一次,能反映不同变量之间的内在关系。让
是有价值的<我>K我>- 时间变量<我>N我>;显然它不仅涉及前一个的值<我>P我>时代和白噪音<我>N我>,而且是以前的价值观<我>P我>其他变量的次数[
2.3.支持向量机
支持向量机(SVM)是由VAPNIK开发的机器学习模型[
以二进制分类问题为例,以通过充分的分类间隔正确对样本进行分类,所有样本都需要满足以下约束。
在续集中,可以计算分类间隔作为
,最大化间隔相当于最小化
.解决线性不可等性问题,术语<我>ξ我>和罚款因素<我>C我>被纳入(
在将样本映射到高维空间时,不同的内积核函数会形成不同的算法,其中径向基函数在模式识别的应用中得到了广泛的应用 在哪里是内核参数。
约束优化问题的求解(
的最优值<我>μ我>我我>从上方的双问题获得,可以如下确定最佳分类判别函数。
3.基于MAR模型和变异混合GWO-SCA优化SVM的盲参数识别故障诊断
3.1。MAR模型的盲目参数识别
多元自回归(MAR)模型是自回归(AR)模型的多元版本。通过多变量的同步自回归建模和参数辨识,具有效率高、考虑变量相关性等优点。参数识别是MAR分析的关键部分,合适的参数将有助于获得更好的拟合效果,在这一过程中,MAR模型的阶次选择不仅关系到序列中包含的基本特征的提取,而且对识别效率有很大的影响。本研究采用Schwartz-Bayes准则(SBC)来估计MAR模型的阶数。SBC功能如下所示[
订单选择的具体方法是,在给定的模型顺序范围内,<我>s我>(<我>P我>)将随着订单的增加而逐渐减少。如果<我>s我>(<我>P我>)采取最小值或没有显着的减少<我>s我>(<我>P我>),随着顺序的增加,相应的<我>P我>价值是模型的顺序。
考虑到不同变量序列之间的内在联系,MAR模型中存在大量的参数,一般采用最小方差准则直接估计模型参数[
3.2.变异GWO-SCA优化
3.2.1。正弦余弦算法
正余弦算法(SCA)是一种结构简单、易于实现的新型群优化算法。SCA仅使用正弦和余弦函数,实现了良好的优化效果。研究和开发是SCA流程优化问题出现的两个关键阶段[
3.2.2。灰狼优化器
灰狼优化器是一种基于严格组织系统的灰狼及其复杂合作狩猎方法的群体智能算法。GWO算法在野外模拟灰狼的层次结构和狩猎行为。狼分为四个亚组,即,<我>α我>,<我>β我>,<我>δ我>,<我>ω我>.前三个亚组依次是具有最佳适应值的三只狼,它们指导其他狼(<我>ω我>)来搜寻目标。在优化过程中,狼更新的位置<我>α我>,<我>β我>,<我>δ我>,<我>ω我>.灰狼的更新方程可以描述为[
3.2.3。突变杂交GWO-SCA优化
在GWO的更新策略中,职位<我>α我>是最重要的,它指导其他个体的搜索行为。此外,在SCA中,(
GWO的分析表明,个体的多样性逐渐减少迭代,它可能导致局部迭代阶段的局部最佳,这会影响优化效果。为解决这个问题,引入了突变运营商以丰富个人的多样性[
所提出的突变杂种Gwo-SCA(MHGWOSCA)的主要步骤如下所示:
步骤1。我>在给定的变量范围内随机初始化种群并设置变异参数。
第2步。我>计算每个个体的适应度值。
第3步。我>选择并保存最好的三个人<我>α我>,<我>β我>,<我>δ我>.
第四步。我>更新其他个人资料(<我>ω我>)据(
第5步。我>更新参数<我>A.我>,<我>A.我>,<我>C我>.
第6步。我>如果未达到最大迭代次数,请转至步骤2。
第7步。我>输出个人的位置<我>α我>为最优解。
3.3。基于MS模型盲参数识别的诊断方法与突变杂交GWO-SCA优化
在本节中,为了促进故障诊断精度,提出了基于MS模型和突变混合GWO-SCA优化SVM的基于盲参数识别的故障诊断方法。具体步骤详细说明如下:
步骤1。我>收集振动信号。
第2步。我>确定模式编号<我>K我>采用中心频率观测法对VMD进行了分析。
第3步。我>使用VMD将样本分解为多组IMF。
第四步。我>建立所有IMFs的MAR模型,并应用SBC确定模型顺序;然后通过QR分解识别不同故障样本的MAR参数向量。
第5步。我>基于PCA的参数向量提取主功能;因此,获得了不同故障类型的特征向量。
第6步。我>优化参数<我>C我>和利用所提出的MHGWOSCA优化方法对支持向量机进行优化。
第7步。我>用最优参数训练支持向量机模型<我>C我>和 ;然后得到最优支持向量机模型。
第8步。我>应用最佳SVM模型来对不同的故障样本进行分类并评估模型的性能。
所提出的故障诊断模型流程图如图所示
4.工程应用
4.1.数据收集
具有不同故障位置和尺寸的振动信号从轴承箱中储备大学轴承数据中心收集[
|
||||||||||||||||||||||||||||||||||||||||||||||||||||
4.2。评估指标
在本申请中,调整的RAND指数(ARI),标准化的互信息(NMI),F法测量(F)和精度(ACC)作为四种广泛使用的评估措施用于评估诊断结果[
让为给定的实际标签集和是分类结果集。ARI考虑具有相同标签和不同标签的样本数量。ARI的范围为较高的值表明更多样本标记正确。它可以表达为 在哪里<我>N我>11.是两者中具有相同标签的样本对数<我>Φ我>和<我>Ω我>, 尽管<我>N我>00是具有不同标签的样本对数和<我>Ω我>.是样本对的所有可能组合。
NMI是一种常见的外部评估指标,可以衡量两个数据分布之间的一致性程度[
F和ACC是来自困惑矩阵的推导,其结构反映在表中
|
|||||||||||||||||||||||||
4.3.在滚动轴承故障诊断中的应用
为了证明所提出的VMD-MAR-MHGWOSCA-SVM方法的优越性,在每个阶段都以比较的形式进行了实验,如下所示:在信号处理阶段应用EMD进行比较;模糊熵(FE)[
在所提出的方法中,第一步是将每个故障类型的信号分解为一组IMF。模式号码<我>K我>VMD需要预先利用中央频率观察方法确定。如果<我>K我>太大,模糊混合会发生,因为相邻的IMF的中心频率太近。相比之下,难以有效地削弱不稳定性<我>K我>太小。中央频率不同<我>K我>表格列于表中
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
(一种)
(b)
(C)
(d)
(e)
(F)
(G)
(H)
(我)
(一种)
(b)
(C)
当获得样品的分解组分时,为所有IMFS建立多元归共(MAR)模型。SBC值的值<我>s我>(<我>P我>)如图所示
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
在优化阶段,将不同故障类型的特征向量随机分为两部分,分别为30和29个向量,其中30个用于训练,29个用于测试,并将提出的MHGWOSCA方法用于优化惩罚因子<我>C我>和核参数
,在搜索范围的同时,单个号码和迭代时间分别设置为30和100<我>C我>和均
.考虑到最大迭代次数和优化参数的个数,将突变幅度设置为0.5,突变周期设置为5。在优化过程中,通过对训练样本进行五次交叉验证来计算适应度值。因此,给定的优化效果<我>C我>和可以通过交叉验证的平均准确度来衡量,然后是最佳的<我>C我>和获得了。MHGWOSCA的收敛过程如图所示
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
(一种)
(b)
(一种)
(b)
最优参数<我>C我>和 ,培训由MHGWOSCA优化的SVM模型,并应用以识别测试样本。为了深入验证所提出的方法,诊断结果平均超过10个运行,每次运行时都随机选择训练样品。此外,计算每个结果的偏差作为结果评估的参考。最佳<我>C我>和给出了与10次运行中最佳精度相对应的结果。
表中显示了不同方法的故障诊断结果
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
5。结论
对于滚动轴承故障诊断,在本研究中提出了一种基于MAR模型和突变杂交GWO-SCA优化SVM的盲目参数识别的新方法。由于原始信号的非间转性,从不同类型的故障收集的信号首先通过VMD分成一组IMF,分解模式编号<我>K我>其中中心频率观测法确定。然后利用所有的imf建立MAR模型,由SBC确定其顺序。然后通过QR分解盲目识别MAR模型的所有参数,并通过PCA提取参数向量的关键特征,形成故障特征向量。最后,提出了一种结合突变算子、GWO和SCA理论的混合优化方法,即突变混合GWO-SCA (MHGWOSCA),对支持向量机模型进行优化,并应用该方法实现了不同故障样本的模式识别。本节的对比实验
数据可用性
用于支持本研究结果的数据可根据要求从相应作者处获得。
利益冲突
作者宣称没有利益冲突。
致谢
这项工作是由中国国家自然科学基金(编号51741907和51409095),基础研究项目的申请由宜昌市科技局(没有。A17-302-A12)的支持下,湖北省重点的开放式基金支持级联水电站运营与控制实验室(2017千克06号),以及中国三峡大学卓越论文研究基金(第039亿吨。
参考
- S.Riaz、H.Elahi、K.Javaid和T.Shahzad,“旋转机械故障诊断的振动特征提取和分析——文献综述,”<我>亚太多学科研究杂志我>,第5卷,第5期。51, pp. 103-110, 2017。视图:
谷歌学术 - “基于改进的凸优化稀疏正则化的滚动轴承故障诊断方法”<我>复杂我>,卷。2018年,第2169364号,10页,2018年。视图:
出版商网站 |谷歌学术 - I. El-Thalji和E. Jantunen,“滚动元件轴承的故障建模和预测健康监测综述”<我>机械系统与信号处理我>,卷。60,pp。252-272,2015。视图:
出版商网站 |谷歌学术 - C. P. Mboo和K. Hameyer,“通过频率选择的定子电流特征的线性判别分析来诊断轴承损坏”,<我>IEEE行业应用的交易我>,第52卷,第5期,第3861-38682016页。视图:
出版商网站 |谷歌学术 - 陈涛,“基于混沌量子正弦余弦算法优化的旋转机械故障诊断方法”,<我>熵我>,第20卷,第2期。9,p。626,2018。视图:
谷歌学术 - R.元,Y.LV和G. Song,“基于新型自适应高阶局部投影去噪方法的滚动轴承”故障诊断“<我>复杂我>,卷。2018年,第3049318号,15页,2018年。视图:
出版商网站 |谷歌学术 - J. B. Ali,N.Fnaiech,L.I,B. Chebel-Morello,以及F. Fnaiech,“在基于振动信号的自动轴承故障诊断”应用实证模式分解和人工神经网络“,”<我>应用声学我>,卷。89,pp。16-27,2015。视图:
出版商网站 |谷歌学术 - M. Luo,C. Li,X. Zhang,R.LI和X.An,“ELM的轧制元件轴承故障诊断”的“化合物特征选择和参数优化”<我>ISA交易我>,第65卷,第5期8、pp. 556-566, 2016。视图:
出版商网站 |谷歌学术 - “基于模糊相关分类器的滚动轴承故障诊断方法”,《中国机械工程》,2018年第4期,第1期。<我>熵我>第19卷第2期2017年,第231页。视图:
谷歌学术 - 刘慧,马建军,“基于VMD多重分形去趋势波动分析和PNN的机电致动器故障诊断”,<我>复杂我>,卷。2018年,第9154682号,11页,2018年。视图:
谷歌学术 - “基于多尺度主导成分混沌分析、KELM和同步优化策略的多步风速预测方法,”<我>可持续性我>,卷。11,不。6,p。1804年,2019年。视图:
出版商网站 |谷歌学术 - W.Fu,K. Wang,C. Li,X. Li,Y. Li,H. Zhong,“水电发生器的振动趋势测量基于最佳变分模块的多功能变分模块改进了混沌正弦余弦算法优化,“<我>测量科学与技术我>,第30卷,第1期,第015012页,2019年。视图:
出版商网站 |谷歌学术 - H. Hytti, R. Takalo,和H. Ihalainen,“多元自回归建模教程”,<我>临床监测与计算杂志我>,第20卷,第2期。2,页101-108,2006。视图:
出版商网站 |谷歌学术 - S.Ganapathy,“噪声语音识别的多元自回归谱图建模,”<我>IEEE信号处理字母我>,卷。24,不。9,pp。1373-1377,2017。视图:
出版商网站 |谷歌学术 - Y. Shekofteh和F. Almasganj,“用于ASR目的的语音轨迹转换到重构相空间的自回归建模”,<我>数字信号处理我>,第23卷,第6期,第1923-1932页,2013年。视图:
出版商网站 |谷歌学术 - 刘志军、周德军、王志军、杨德军和宋国军,“基于主成分分析和高斯混合模型的耐火材料损伤检测,”<我>复杂我>,第2018卷,文章编号7356189,9页,2018年。视图:
出版商网站 |谷歌学术 - 蔡斌,黄磊,谢明,“基于贝叶斯网络的故障诊断”,中国机械工程,vol . 21, no . 1, no . 1<我>工业信息学的IEEE交易我>,卷。13,不。5,pp。2227-2240,2017。视图:
出版商网站 |谷歌学术 - D. Wang,“基于k -最近邻的方法在不同的电机转速和负载下识别不同的齿轮裂纹级别:再探讨”,<我>机械系统与信号处理我>,卷。70-71,pp。201-208,2016。视图:
出版商网站 |谷歌学术 - N. Raj, G. Jagadanand, S. George,“基于人工神经网络的非对称多电平逆变器故障检测与诊断”,<我>国际电子学报我>,卷。105,没有。4,pp。559-571,2017。视图:
出版商网站 |谷歌学术 - H. Chen,J. Wang,J. Li和B. Tang,“一种基于纹理的滚动轴承故障诊断方案,使用自适应最优内核时间频率表示和均匀的局部二进制模式”<我>测量科学与技术我>,第28卷,第3期,文章编号035903,2017年。视图:
谷歌学术 - P. Shi,K. Liang,D。韩和Y. Zhang,基于深度学习和PSO-SVM的旋转机械智能故障诊断方法,“<我>vibroengineering杂志我>,第19卷,第8期,第5932-5946页,2017年。视图:
出版商网站 |谷歌学术 - 张超,彭涛,李超,“基于改进NSGA-III算法的抽运汽轮机调节系统分数阶PID控制器的多目标优化,”<我>复杂我>,卷。2019年,第58268733号,18页,2019年。视图:
出版商网站 |谷歌学术 - “基于支持向量机的传感器动态测量误差预测模型”,“基于支持向量机的传感器动态测量误差预测模型”,<我>传感器我>,卷。18,不。1,p。233,2018。视图:
谷歌学术 - S. Mirjalili,“SCA:一种用于解决优化问题的正弦余弦算法”,“<我>基于知识的系统我>, 2016年,第96卷,第120-133页。视图:
谷歌学术 - S. Mirjalili,S. M. Mirjalili和A. Lewis,“Grey Wolf Optimizer”,<我>基于知识的系统我>,第69卷,第2期2014, pp. 120-133, 2013。视图:
谷歌学术 - S.Eswaramoorthy,N.Sivakumaran和S.Sekaran,“基于灰狼优化的支持向量机参数选择,”<我>强制 - 电气电子工程计算与数学杂志我>,卷。35,不。5,PP。1513-1523,2016。视图:
出版商网站 |谷歌学术 - M. ABD Elaziz,D. Oliva和S. Xiong,“一种改进的全球优化的基于反对派的正弦余弦算法”,“<我>具有应用的专家系统我>,第90卷,第484-500页,2017年。视图:
出版商网站 |谷歌学术 - W.Fu,K.Wang,C.Li和J.Tan,“基于多尺度主导成分混沌分析的多步骤短期风速预测方法,改进的混合GWO-SCA优化和ELM,”<我>能源转换和管理我>,卷。187,pp。356-377,2019。视图:
出版商网站 |谷歌学术 - K. Dragomiretskiy和D. Zosso,“变分模式分解”,<我>信号处理上的IEEE事务我>第62期3, pp. 531-544, 2014。视图:
出版商网站 |谷歌学术|Mathscinet. - R. H. Chan,M. Tao和X.元,“基于乘法器交替方向方法约束总变化的下式模型和快速算法”<我>暹罗影像科学杂志我>,卷。6,不。1,pp。680-697,2013。视图:
出版商网站 |谷歌学术 - C.-c.王,Y.康,P.-c。沉,y.-p。chang,y.-l.钟,“用时间序列分析用神经网络使用时间序列分析”旋转机械故障诊断的应用“<我>具有应用的专家系统我>,第37卷,第2期2,页1696-1702,2010。视图:
出版商网站 |谷歌学术 - V. N. Vapnik,<我>统计学习理论的性质我>, 1995年施普林格。视图:
出版商网站 |Mathscinet. - A. Neumaier和T. Schneider,“多元归类型的参数和特征模型估算”<我>数学软件上的ACM事务我>,卷。27,不。1,pp。27-57,2001。视图:
出版商网站 |谷歌学术 - W.Fu,J. Tan和Q. Li,“FALL诊断功能提取利用MAR模型的盲目参数识别”<我>关于传感,诊断,预测和控制的国际会议的诉讼程序我>中国,西安,2018。视图:
出版商网站 |谷歌学术 - N. Singh和S. Singh,“一种用于优化问题的新型混合GWO-SCA方法”<我>《工程科学与技术》国际期刊我>, 2017.视图:
出版商网站 |谷歌学术 - 一种基于周期变异策略和神经网络的粒子群优化方法,<我>IEEE进化计算交易我>,第17卷,第3期,第436-452页,2013年。视图:
出版商网站 |谷歌学术 - 箱体西部储备大学的轴承数据中心,
http://csegroups.case.edu/bearingDatacenter/pages/download-data-file. . - A.Fahad,N.Alshatri,Z.Tari等人,《大数据聚类算法概览:分类法和实证分析》<我>IEEE在计算中的新兴主题交易我>,第2卷,第3期,第267-279页,2014年。视图:
出版商网站 |谷歌学术 - M. Yuwono,Y. Guo,J.Wall等,“使用群体智能的无监督功能选择,以及用于加热通风和空调系统的自动故障检测和诊断的共识聚类,”<我>应用软计算我>,第34卷,第402-425页,2015。视图:
出版商网站 |谷歌学术 - S. Shah,B. Shah,A. Amin等人,“使用行为分析的数字企业中损害了用户凭证检测”,“<我>新一代计算机系统我>,卷。93,pp。407-417,2019。视图:
出版商网站 |谷歌学术 - O.Maruatona,P.Vamplew,R.Dazeley和P.A.Watters,“评估网络安全审慎性分析的准确性”,年<我>神经信息处理国际会议记录我>,pp.407-417,2017。视图:
谷歌学术 - 孙敏,邓伟,“基于EEMD和多尺度模糊熵的电机轴承特征提取方法”,<我>熵我>第19卷第2期1,p。2016年14日。视图:
出版商网站 |谷歌学术
版权
版权所有©2019文龙福等人。这是分布下的开放式访问文章