文摘
一个高效的智能故障诊断模型本文提出了及时和准确地识别滚动轴承提供了可靠的依据条件在实际的生产应用程序。蝴蝶模型主要是基于一种改进的优化算法——(BOA)优化内核极端学习机(凯尔姆经常)模型。首先,滚子轴承的振动信号包含正常状态的四个州,外环失败,内心比赛失败,失败和滚球被分解成几个固有模式函数(首先使用完整的集成经验模态分解基于自适应噪声(CEEMDAN)。然后,货币基金的振幅能量熵是指定为滚动轴承的特性。为了消除冗余特征,随机森林是用于接收特性结果的准确性的贡献,和子集的特性建立了通过移除一个特性在降序排列,使用SBOA-KELM模型的分类精度作为标准来获得最优特征子集。樽海鞘群算法(SSA)被介绍给美国银行改善优化能力,获得最佳凯尔姆经常参数,避免蟒蛇恶化成局部优化。最后,一个最优SBOA-KELM模型构造的识别滚动轴承。在实验中,SBOA验证针对IEEE 30日十其他竞争优化算法CEC2017基准函数。实验结果验证,SBOA明显在现有算法对大多数函数问题。SBOA-KELM用于诊断滚动轴承的故障诊断得到改善分类性能和更高的稳定性。 Therefore, the proposed SBOA-KELM model can be effectively used to diagnose faults of rolling bearings.
1。介绍
机械的核心组成部分,滚动轴承广泛应用于旋转机械类型如风力涡轮机,航空,船舶,汽车。然而,这是一个相当大的机械故障的可能性由于轴承故障。轴承导致旋转机械故障,超过30%。有各种故障的滚动轴承,包括外环,内部比赛,和球,由于长期的复杂环境。这些缺点严重时,可能会导致突然崩溃的机器,甚至整个系统,导致巨大的经济损失,甚至造成人员伤亡。Overmaintenance滚动轴承可以导致增加公司的维护成本。然而,维护不足容易导致意想不到的生产事故。智能故障诊断技术相结合形成的故障诊断和计算机技术提供了一个有用的参考故障检测和设备维护。因此,它是至关重要的智能故障诊断方法应用于滚动轴承。智能故障诊断方法已广泛应用于轴承故障诊断。 Xu et al. [1)提出了一种新的基于信仰的规则专家系统(马上回来)由多个激活马上回来子系统同时诊断船用柴油机引擎是否错误。彭日成et al。2)提出了一个新颖的基于一个内核的故障模式分类方法极端学习机(凯尔姆经常)融合时域和频域的特征为低维的内在特性使用本地和全局主成分分析。李等人。3)提出了一个新颖的机械故障诊断方法,该方法可以有效地学习区别的表征与输入数据的本地和全球几何。卡普兰et al。4)提出了一种基于纹理分析的新方法,将振动信号转换为灰度图像融合non-whole二进制模式和纹理特征对轴承故障诊断。邓et al。5]提出了一种修改分类和回归树(CART)算法来提高故障诊断速度减少迭代的数量计算,保证准确性。赵et al。6)提出了一种新的深残余网络故障诊断的基于多小波系数融合。马等。7)提出了一种新的故障检测和诊断(FDD)方法,建立了一个overcomplete字典对基于字典对学习策略从特征提取电机故障诊断的小波变换。李等人。8)提出一种新的特征提取方法,可以结合可学的模块乘以二深堆垛结构的基于表示学习(S-RL)提取故障诊断功能。郑et al。9)提出了一种改进的MPE-based特征提取方法提取滚动轴承的振动信号的故障特征。他们应用PSO-based SVM故障诊断。邓et al。10)提出了一个优化的深层信念网络模型基于一种改进的量子激发微分进化算法所实现滚动轴承的故障诊断。赵et al。11]提出了一种新的高阶微分数学形态学梯度谱熵的方法来提取滚动轴承的振动信号特性。赵et al。12)提出了一个新颖的方法,应用主成分分析和广泛的学习系统故障诊断。邓et al。13)提出了一个新颖的基于回归模型的智能诊断方法与提高PSO算法对滚动轴承的故障。
像其他主流的机器学习方法14),如支持向量机(15- - - - - -25),模糊k最近邻居法(FKNN) [26- - - - - -30.)和神经网络(31日- - - - - -33],凯尔姆经常被使用在许多领域(34- - - - - -40]。杜et al。41)提出了一种区别的歧管榆树autoencoder提取振动测量的区别的特征。结果实现了2%的改善测试精度较凯尔姆经常。王等人。42)开发了一种新的复合断层合奏榆树诊断旋转机械。相比现有multilabel分类器,实验结果表明,该方法实现最佳性能。田et al。43)与深度学习体系结构提出了一个层次化的榆树无监督学习和监督分类功能。执行的结果表明,该方法比传统的榆树和它的变体。钟等。44)提出了一种新的基于稀疏贝叶斯榆树的故障诊断方法。该方法可以识别单一,同时故障与传统技术相比更快更精确。
凯尔姆经常是榆树的构建基于内核的技巧。凯尔姆经常的能力主要受两个关键参数:一个是惩罚系数,另一个是内核的宽度。目前,研究者已经提出了很多有效的方法来确定在凯尔姆经常两个关键参数。陆et al。45]提出使用PSO优化的参数凯尔姆经常获得最优模型。罗等。46)开发了一种多策略改进GOA-based凯尔姆经常破产预测。王等人。47计划用一个混沌优化凯尔姆经常失落诊断败血症。田et al。48)利用量子基础PSO优化凯尔姆经常活动的认可。Baliarsingh et al。49)为同时优化提供了weighted-chaotic SSA凯尔姆经常在基因组数据参数和特性。胡锦涛et al。(50)开发旨在PSO训练的最佳凯尔姆经常风力发电机齿轮箱的故障诊断。聚苯胺和Nayak51)建议采用基于混沌GSA凯尔姆经常来预测太阳辐照度。罗等。52)推荐使用GWO-MFO达到最优凯尔姆经常模型诊断躯体化障碍。李等人。53)提供了一个新颖的方法,使用改进的二进制拥有用凯尔姆经常疾病诊断。Bisoi et al。54]提议使用DE列车最优凯尔姆经常预测股票价格和运动。王等人。55)提出了一种混沌MFO用于优化凯尔姆经常获得一个最优的关键参数凯尔姆经常医疗诊断模型。王等人。56)提出了获得一个最优凯尔姆经常模型通过使用拥有预测企业的破产。Heidari对伊朗伊斯兰共和国通讯社表示et al。57)提出了一种改进的拥有基于多策略增强使用有效的探索性和剥削的机制。陈等人。58]提议使用混乱和变化的拍频振荡器凯尔姆经常寻求最优参数的分类任务。
蝴蝶在这项研究中,一种改进的优化算法——(BOA)优化凯尔姆经常模型(SBOA-KELM)提出并应用于轴承故障诊断。首先,能量熵特性由CEEMDAN从原始振动信号中提取。原始振动信号被CEEMDAN分解为多个国际货币基金组织(IMF)组件。imf的计算的能量熵构造一个能量特征向量。第二,为了避免数据冗余造成较小的能量特性和计算,增加一个随机森林是用来评估功能的重要性和选择信息特征向量作为新特性。第三,提出SBOA-KELM方法用于故障特征分类。最后,提出SBOA-KELM验证并与几个具有代表性的方法。实验结果显示,提出的技术有效地诊断轴承故障。平均分类精度大大提高。表1列出了术语。
整个结构研究的结构如下。部分2解释了数据收集和简要的描述数据收集、CEEMDAN,随机森林,SBOA,并提出SBOA-KELM模型。实验设置称为节3。部分4解释的结果SBOA基准函数和SBOA-KELM轴承数据集。结论和未来的工作部分交付5。
2。材料和方法
2.1。数据收集
轴承的滚动轴承数据在网站上数据中心的凯斯西储大学从事这项研究检查该方法的可行性和实用性。轴承数据中心的网站的URLhttps://csegroups.case.edu/bearingdatacenter/home。
滚动轴承模型是6205 - skf。滚动轴承的结构参数如表所示2。首先,破坏点是人为地设置在内部种族,外环和滚动轴承球。的情况下输入轴速度n= 1797 r / min和收购12 kHz的频率,轴承的振动信号在四个州,正常状态下,内套的错,外环的错,和球的错,是聚集。有40集的样本收集的数据来自每个状态的振动信号。每个样本数据的长度是1200。
2.2。SBOA-KELM方法
提出SBOA-KLEM的流程图如图1。整个流程包括基于CEEMDAN能量熵特征提取,基于随机森林,特征选择和分类基于BOA-KELM。第一步是提取功能,使用CEEMDAN方法将原始轴承的振动信号分解成多个货币基金,计算每个国际货币基金组织(IMF)的能量熵和正常化。第二步是选择CEEMDAN能量熵的特性,以减少数据冗余。第三步是优化的两个关键参数使用SBOA KLEM。然后,最优参数和功能组合用于列车最优凯尔姆经常。最后,最优凯尔姆经常分类器与滚动轴承诊断来确定轴承的工作状态。标准10倍交叉模型用于把数据获得更准确和客观的实验结果,许多研究人员经常采用。
2.2.1。特征提取
故障特征提取是一个关键的步骤,滚动轴承的故障诊断59]。当滚动轴承在异常故障,振动信号主要的非平稳和非线性特征,和他们强烈的噪音干扰60]。
之后,比较EEMD对特征提取的影响,CEEMDAN具有更优良的性能,保持原始信号和消除噪声和提取轴承故障特性更准确和及时。CEEMDAN是一个自适应时频信号分析方法基于EEMD发达,可有效提取故障特征频率。基于之前的研究,CEEMDAN对信号分解的影响比EEMD [61年]。
它需要量化(62年),使故障特征信息CEEMDAN分解后更加明显。在滚动轴承不同故障发生时,振幅能量振动信号的频率范围内将不同程度的变化。因此,轴承故障的特征矩阵由imf的能量熵。基于CEEMDAN能量特征提取的方法如下:步骤1:CEEMDAN将分解滚动轴承的振动故障信号,获得多个货币: 步骤2:计算振幅能量 每个国际货币基金组织(IMF)的组件: 在方程(2),N采样点的数量吗j届国际货币基金组织的组件。步骤3:假设r(t)可以忽略,获得信号的总能量 步骤4:为了避免IMF组件部分的振幅能量浓度控制相对较弱的货币基金,国际货币基金组织每个订单的振幅能量归一化: 因此,相应的CEEMDAN能量熵(EN)可以表示为 在方程(5),的比例吗jth IMF振幅分量在总能量。
2.2.2。基于随机森林的特征选择
随机森林是一个multiclassifier集成算法,可以在短时间内获得更高的分类精度和较少的训练样本(63年]。multitime域特性集,随机森林分类器可以降低特征维数,减少过度拟合。算法流程如下:步骤1:样本数据的能量熵特征输入到随机森林计算功能重要性和重要性降序排序功能的特性步骤2:根据一定删除比率,删除的特性集构造一个新的特性集第三步:输入新功能集到一个新的随机森林和计算每个特性的重要性,然后在降序排序,重复步骤2和3,直到离开指定数量的特性步骤4:每个特性集对应于一个随机森林;计算相应的out-of-bag错误率,最低的特性集out-of-bag错误率最后选定的特性集
2.2.3。分类基于BOA-KELM
制定优化可以在许多方面,包括多目标模糊变量,大规模或鲁棒优化。处理问题的方法之一是有一个客观的和混合的方法解决它64年- - - - - -72年]。在这项研究中,构造了一个SBOA-KELM通过改善美国银行通过引入掸邦军。合成SBOA被处理的参数优化问题凯尔姆经常故障分类的任务。美国银行(73年)是一种新颖的产品表面优化算法基于食物觅食的蝴蝶。蝴蝶的主要对象是美国银行的搜索和工作有效地完成最好的工作解决方案的优化搜索空间(74年]。
在这项研究中,凯尔姆经常是识别滚动轴承的故障类型。在凯尔姆经常,输出结果是由计算核函数不隐层输出矩阵。与支持向量机相比,凯尔姆经常执行更快的学习速度和更好的泛化性能(75年]。因此,凯尔姆经常被选为诊断滚动轴承的故障。
在过去的几年中,许多科学研究人员不断探索凯尔姆经常在旋转机械故障诊断中的应用。胡锦涛et al。(50)提出了一种故障诊断方法,从振动信号中提取时域特征通过使用小波包变换(WPT)过滤和诊断gearbox-related错误使用旨在基于粒子群优化的——(复)凯尔姆经常。Lei et al。76年)提出了一种新的故障分类方法,结合凯尔姆经常与本征时间尺度分解(ITD)技术来识别刀具磨损状况。长等。77年)提出了一个新颖的风力发电机齿轮箱故障模式的方法结合了云与凯尔姆经常蝙蝠算法(CBA)。王等人。78年)提出了一种新型轴承智能故障诊断方法,优化凯尔姆经常通过磷虾群算法参数(NKH)。在这项研究中,两个关键参数凯尔姆经常被SBOA优化提高故障诊断的分类精度。SBOA如图的流程图2。
2.2.4。提出SBOA-KELM
正常化后CEEMDAN能量熵的特性,建立了随机森林来获得最优特征子集,减少数据冗余。促进故障识别的分类精度和模型的泛化能力,SBOA模型提出了获得最优凯尔姆经常的关键参数值。基于随机森林的步骤的特征选择和参数优化SBOA-KELM模型如下:步骤1:规范化的能量熵特性数据和规范化数据的范围是[0,1]。步骤2:归一化特性评估的重要性通过带外错误随机森林,设定阈值后,选择最优特征子集。步骤3:最优特征子集分为训练集和测试集的10倍交叉验证(CV)计划。步骤4:SBOA和凯尔姆经常优化的两个关键参数凯尔姆经常训练在训练集的输入通过内部5倍的简历与最优特征子集。第五步:评估凯尔姆经常在测试数据的准确性。如果该值的K小于10,转到步骤4。第六步:平均预测的结果十独立测试作为输出结果。
3所示。实验装置
振动信号的分解是CEEMDAN在Python中使用pyEMD工具包。开发工具使用PyCharm。后从国际货币基金组织中提取的能量熵特性组件由振动信号分解,它保存为CSV文件准备接下来的特征提取和识别状态。本文中提到的方法,包括SBOA和凯尔姆经常使用MATLAB实现。
数据特征提取之前比例在0和1之间。确保公平的结果,分类精度评价分层10倍的简历。这意味着数据划分为十个部分,其中五个是用作SBOA-KLEM模型的训练数据集,剩下的一个作为测试数据集。整个流旋转十倍,10个测试数据的平均值作为最终结果。最大迭代和群体大小的数量是50岁和20岁,分别。两个关键参数的寻找范围凯尔姆经常设置如下:C [2−5,25), [2−5,25]。
SBOA-KELM的有效性评价模型,分析了分类精度10倍的简历和验证的过程。
4所示。实验结果
4.1。基准测试函数验证
一些具有代表性的算法已经选定,包括经典的原始算法BA (79年],SCA [80年],WOA [81年,82年,美国银行和一些改进算法包括SCA_PSO [83年],SCADE [84年],CGSCA [85年],CBA [86年],ACWOA [87年],CWOA [88年]。表3显示了算法所涉及的具体参数值。根据神经网络文学中公正的比较,上述算法都是在MATLAB软件和测试执行相同的计算环境(89年- - - - - -91年]。这可以确保没有方法的偏好途中因为专业的测试计划92年- - - - - -96年]。我们使用IEEE CEC2017基准函数作为一个测试函数。在实验中,粒子的数量设置为30,大小被设置为30,评估的最大数量被设置为300000。每个算法进行独立采取平均30倍。
验证和测试能力的蟒蛇,30个不同的基准测试函数模拟。这些基准特征识别算法的各种特性,如快速收敛,收敛的速度,一步之外的部分优化能力,避免过早收敛的能力(97年,98年]。表4细节测试结果SBOA算法和比较算法的基准函数,提出算法的平均适应值和标准偏差独立运行30倍的基准函数,分别。的整体效果提出SBOA比其他同行。弗里德曼测试(99年)是用来测试算法的性能。这个测试是基于算法的优点和缺点。表显示SBOA ARV值为1.6,优于所有其他竞争算法。每个优化任务的统计结果表明,SBOA具有更快的收敛速度。
图3显示了算法的收敛趋势超过9个基准函数。从图可以知道,本文的算法的收敛趋势这九基准功能优于其他比较算法。收敛趋势图,本文改进的收敛趋势明显更好的收敛。实验结果证明在蟒蛇SSA的有效性。在每个测试用例,最后的输出SBOA最好满足功能性的欲望。对于大多数测试函数,SBOA获得最好的最小值之前到达最大迭代次数。最后,完整的结果证实的优越性SBOA统计结果而言,全球最优的可靠性,和算法的成功率。
(一)
(b)
4.2。预测故障诊断的结果
本文获得的一系列货币分解四个滚动轴承的振动信号使用CEEMDAN状态。空间的原因,只有首先列出球失败的信号,如图4。国际货币基金组织(IMF)的时域特性1国际货币基金组织6组件更突出,包含大部分的功能信息。进一步说明CEEMDAN的优势在振动信号分析中,信号完整性、正交性、时间和消费后CEEMDAN分解计算四个州。结果如表所示5。这表明CEEMDAN比EEMD正交性和完整性,虽然略大,但对现代计算机可以忽略不计。
为了说明CEEMDAN能量熵可以反映滚柱轴承的四个州,CEEEMDAN能量熵值计算不同状态的滚柱轴承。如表所示6,结果表明,轴承在不同的州的CEEEMDAN能量熵值是不同的。国际货币基金组织(IMF)组件的时间尺度是相对平均,当轴承在正常状态。因此,CEEEMDAN轴承在正常状态的能量熵值是最大的。失败的其他三个州的能量熵是不一样的,因为振幅能量变化在不同程度上不同部分的失败。
构造一个随机森林对能量熵特征向量进行特征选择删除冗余功能。随机森林构造评价七个能量熵的贡献特征判别故障状态。结果如图5。
的特性与功能数字按升序排列的贡献E7,E6,E3,E5,E2,E1,E4。一次,一个特性被撤的特性集,形成一个特征子集;因此,七个功能的一个子集。这些特性的一个子集的输入SBOA-KELM故障识别和模型计算的分类精度。
在这个实验中,SBOA-KELM模型的有效性评估,具体结果如表所示7。获得的平均分类精度SBOA-KELM表中是100%。此外,我们发现SBOA取得最优参数凯尔姆经常得到最优特征空间随机森林,这表明SBOA有很好的优化搜索最优值的能力。为了保证本文提出的方法的有效性,我们比较SBOA-KELM凯尔姆经常和BOA-KELM模型。结果如图所示6。如图所示,SBOA-KELM的分类精度优于凯尔姆经常和BOA-KELM凯尔姆经常是98.12%的平均分类精度,和BOA-KELM是99.38%。SBOA-KELM的分类精度达到100%,比1.88%的平均精度凯尔姆经常和0.62%的平均精度比BOA-KELM,克服underlearning问题在一个小样本和显示更健壮的泛化性能。
5。结论和未来的工作
在这项研究中,建立了基于SBOA-KELM智能故障诊断模型识别滚动轴承的运行状态。这种方法的创新引入了SSA到美国银行获得正确的平衡之间的首次美国银行的勘探和开发。与十其他优化算法相比,发现方法达到更好的解决方案的质量和较小的标准差IEEE 30日CEC2017基准问题。SBOA还显示的更好的能力获得更好的结合凯尔姆经常参数比原来的美国银行。实验结果表明,该SBOA-KELM模型更准确地表现和稳定比其同行在识别滚动轴承。
为未来的工作,几个方面需要进一步探索。拟议中的SBOA-KELM方法旨在在未来用于滚动轴承的其他方面,如故障预警、实时故障诊断,实时监控。SBOA-KELM还可以结合其他特征提取方法,如高阶谱分析、逆光谱分析,小波变换,和可变模态分解,进一步丰富了滚动轴承故障诊断方法。此外,该方法可以进一步应用于其它场景包括分化的恶性和良性甲状腺结节One hundred.),诊断帕金森病(26- - - - - -28,36,101年],paraquat-poisoned患者的诊断或预后[22,23,102年,103年),鉴定中毒状态(104年,105年],RNA二级结构预测[106年),预测优化颈椎过伸伤(107年,erythematosquamous疾病的诊断108年),其他医疗诊断问题[15,25,53,55,109年- - - - - -111年)、决策方法(112年- - - - - -114年),参数优化(115年),深度学习116年- - - - - -118年,图像分割119年,120年),大理石状纹理图像(121年)、图像彩色化(122年,123年),图像编辑(124年],破产预测[40,46,56,125年],人脸识别[126年),神经网络配置(127年),信息融合(128年),社会进化模型(129年),文本聚类(130年,识别面部微表情131年),无监督乐队选择(132年),和其他问题18,30.,34,35,52,133年,134年]。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关文章的发表。
作者的贡献
渭滨陈、禅城黄和陈Huiling贡献同样这项工作。
确认
这项研究得到了国家自然科学基金(U19A2061和U1809209),吉林省科学技术开发项目中移动(20190301024纽约,20200301047),吉林省省级工业创新专项基金项目(2018 c039-3),中国浙江省自然科学基金(LY21F020001),温州科技局(ZG2020026)。我们应感谢Ali Asghar Heidari对伊朗伊斯兰共和国通讯社表示(https://aliasgharheidari.com)检查论文的英语。