滚动轴承退化状态识别基于垂直距离由GA优化

文摘

针对滚动轴承的实际退化状态的问题有一个可怜的特色和强大的模糊性,滚动轴承退化状态识别方法基于多畴的特征融合和降维流形学习结合GG集群提出了。首先,滚动轴承所有生命由当地characteristic-scale分解数据预处理(LCD)和六个典型特征包括相对能量谱熵(LREE),相对奇异谱熵(LRSE),双元素多尺度熵(TMSE),标准偏差(STD), RMS,和root-square振幅(XR)提取并组成原始多畴的特性集。然后,局部保持投影(垂直距离)是用来减少原始维度的融合特性和遗传算法应用于优化特征融合的过程。最后,模糊识别滚动轴承退化状态是由GG集群和最大隶属度原则和优秀的性能比较验证了该方法的识别精度的垂直距离和GA-LPP。

1。介绍

滚动体轴承是最重要的组件之一携带沉重的负荷和提供恒定的转速旋转机器(1]。连续操作的旋转机器很长一段时间,滚动轴承的性能状况正在发生变化,直接影响到整机的性能稳定。因此,有一个实际意义为提高旋转机械滚动轴承的使用寿命退化状态识别。

从振动信号中提取故障特征进行了分析,以确定轴承状态(2]。和故障特征提取是实现滚动轴承退化状态识别的基础。科学退化特征可以描述退化程度的滚动元素准确和稳定。降解特性主要是选择时域形式,频域、时频分析和信号复杂性方面。考虑到实际的滚动轴承振动信号是非线性和非平稳的,时间和频域统计描述的能力不同退化状态相同的轴承是相对贫穷。例如,峰态初始伤害(不敏感3),它几乎不能描述轻微的退化状态。这些年来,信息熵理论广泛应用于信号处理和故障诊断发展成不同形式的熵与近似熵等不同的属性(ApEn),样本熵(SampEn)多尺度熵(MSE),空间信息熵(您)和模糊熵(FuzzyEn) [4,5]。这些熵特性应用非线性动力学理论有别于传统的时域指标在健康监控和故障识别和取得的成就。与预设故障模式识别相比,滚动轴承退化状态识别的一生更加模糊和复杂。然而,单一功能的旋转机械振动信号只能反映故障的特点,在特定的故障程度,这可能导致问题,如识别不准确,系统不稳定,和模糊识别结果(6]。为了解决这些问题,多畴的特征融合是广泛应用于退化状态识别和故障预测的旋转机器(7,8]。

然而,高维特征向量由多畴的特性不可避免有问题的信息冗余和特征冲突和有效的信息很容易被淹没在高维数据(9]。此外,高维数据的使用导致的计算量急剧增加,不利于实时识别滚动轴承退化状态。流形学习理论有能力识别低维非线性结构隐藏在高维数据,因此,近年来,流形学习算法包括局部线性嵌入(米歇尔),局部保持投影(垂直距离),等距特征映射(IsoMap)和拉普拉斯算子eigenmaps (LE) [10]。的邻居图获得高维特征,垂直距离算法可以获得其在低维空间的投影。通过这种方式,融合和减少高维数据。相比IsoMap和米歇尔,垂直距离有一个简单的计算和处理速度快的优势。垂直距离的结果密切相关的最近邻参数没有明确的标准。因此,重复实验得到的参数进行了优化。文献[11)提出修改内核的距离测量灵敏度因素故障特征不同的故障模式的能力。针对这一点,垂直距离算法可以优化的灵敏度因子作为目标函数。当系数达到最大,垂直距离特征融合的效果是最好的。

考虑到实际的滚动轴承退化州执行强大的模糊性和不同退化状态的界限难以确定,模糊c均值(FCM)聚类12)和Gustafson-Kessel(门将)聚类13广泛应用于故障诊断。和Gath-Geva (GG)聚类改进FCM和GK模糊算法的最大似然估计距离范数和聚类效果更好14]。

基于上述分析,基于融合的滚动轴承退化状态识别方法和降维的多畴的特性和GG集群提出了本文。六特性计算信息熵和时域融合通过垂直距离优化遗传算法(GA-LPP)以独立的不同退化程度的训练点尽可能明确。最后。GG退化状态识别是实现集群和最大成员的原则。

2。多畴的特征提取

2.1。时域特征

为了充分描述不同的滚动轴承退化状态,需要multi-time-domain特性分析。常见的时域指标包括平均值,标准偏差(STD)、均方根(RMS),根平方振幅,偏态、峰间,波形指数脉冲指数、优势指数部分的斜率指数和峰态。这些特性是研究从三个方面能力的退化趋势,单调性,数据平滑。三个功能,包括性病,RMS,root-square振幅选择用于构成一个三维的特征矩阵如下:

2.2。熵的特性

结合液晶理论(4),相对熵理论,多元多尺度熵理论、熵的特性包括LREE, LRSE, TMSE构造如下。

2.2.1。LREE和LRSE

(1)根据液晶降噪标准指导下的相互关联系数(15),振动信号分解和重构。假设样品在退化状态和一个样品在正常状态重构信号的获取。

(2)随着滚动轴承退化的发展状态,能量特征频率及其乘法将成为更大的频谱中获得的LCD和希尔伯特变换。对滚动轴承来说,不同的故障模式有不同的振动特性。在一定滚动轴承故障模式内圈麻点,其振动特征频率及其倍频可以由以下公式计算: 在哪里滚子轴承的数量,辊直径,代表节圆直径表示接触角,是转子频率。

(3)所有样本在特征频率的能量总和计算如下:

(4)在特征频率,能量的比例和在能量之和和:

(5)之间的LREE正常状态和退化状态定义如下:

(6)正常样本和退化的奇异值光谱样本可以通过奇异值分解(计算):

(7)结合相对熵理论,相关的概率定义为和: 在哪里

(8)之间的LRSE正常状态和退化状态定义如下:

2.2.2。TMSE

通过液晶显示,有足够的退化状态信息在第一两个信号组件的互关联系数高于其他人。两个组件的序列长度粗粒后,双元素嵌入重建、复合延迟向量,和阈值设定,假设两个复合延迟向量的嵌入维度和分别,条件概率,和当类似的能力极限。TMSE可以表示为条件概率的自然对数的比值: 在哪里是嵌入向量和是延迟向量。

上述三种熵特性构成另一个三维特性矩阵,可以表示为

最重要的是,熵特性和时域特性构成六维多畴的特性矩阵:

3所示。基于遗传算法优化的垂直距离

3.1。垂直距离的原则

垂直距离算法可以保持内部的非线性结构和地方特点的数据应用于高维数据时减少。该算法原理可以显示如下16]。

为数据样本维空间,矩阵是它的低维空间样本,在哪里是一个维向量()。相似矩阵可以由以下公式: 在哪里和最近邻点和吗是一个常数。

垂直距离算法可以通过解决如下优化问题: 它需要满足和拉普拉斯算子。矩阵反映了数据的密度分布。然后,变换矩阵可以通过求解广义特征值分解计算的问题:

在上面的公式中,矩阵有时是一个单一的情况。对于这个问题,功能设置通常投射到一个PCA子空间,这样奇点可以被消除。然后下面的线性映射可以获得:

3.2。内核空间测量灵敏度的因素

为了评估不同退化状态的区分效果由训练样本经过融合和降维,Zheyuan et al。17)建议在内核空间中不同类型的样本之间的距离作为特征评价的基础。然而,在聚类分析,聚类中心的选择不仅取决于距离,但也取决于程度的相同类型的聚合点。因此,文献[11)需要不同类型的距离的比值和相同类型的散度作为衡量因素在内核空间中。和这个因素被认为是高精度的区分标准。选择高斯径向基核函数来计算之间的距离和。形式如下:

然后,可以表示为两个点之间的距离 在此基础上,类型的训练样本之间的平均距离和类型可以计算如下: 在哪里;。是样本类别的数量。和类型的样品的数量吗和类型。

不同的样本类别之间的平均距离

的散度相同的样本类别可以表示为 在哪里训练样本的类别吗。

根据定义,测量灵敏度的因素是内核空间

3.3。基于遗传算法的优化

为了使融合特性获得的垂直距离降低维度区分不同退化状态更好,遗传算法(GA)应用于优化内核空间有类型的训练样本。遗传算法是一种新开发的算法搜索最优的解决方案。GA算法主要包括种群初始化的过程中,交叉,变异,健身(个人评价),计算和选择(人口替代)。内核空间测量灵敏度系数作为优化和最优个体的适应度函数是不同退化状态的情况下,歧视是最高。

研究表明,垂直距离融合特性的集群效应会改变以及改变内核空间。为了找到最优内核空间,所有训练样本需要做的仿射变换。以三维融合特性为例,一个训练点设置和仿射变换角度设置为和。因此,仿射变换矩阵

新样本特征点内核空间变换后可以计算由以下方程:

两个仿射变换角度被用作训练随机生成的实体和个人完成初始化。通过遗传算法的优化过程,训练样本聚类效果是最好的。

4所示。GG聚类算法

对训练样本集,它假定每一个样本组成特点:。初始化后,所有样品分为类别;即聚类分类的数量。所有类别的聚类中心和成员关系矩阵。的元素代表的隶属度训练样本的退化状态。在GG算法,下面的目标函数可以达到的最小值迭代调整和: 在哪里台湾加权指数通常采取2。

与FCM聚类不同,表明测量的距离计算协方差矩阵的GG集群。这样,数据样本的不同方向和形状可以有效地反映出来。

5。退化状态识别的过程

液晶的原始振动信号预处理。性病的时域特性、RMS和root-square LREE的振幅和熵的特性,LRSE, TMSE从选定的信号中提取组件组成原始特征集。退化状态识别流程如图1。

退化状态识别算法主要包含以下关键步骤:(我)液晶预处理。根据液晶组件之间的互关联系数和原始信号,可以选择有用的组件。考虑现有的组件的信息量和计算的时候,前两个组件的选择系数高于其他许多测试后进行进一步分析。(2)特征提取和融合。六维多个域功能是由垂直距离算法和融合的内在维度三个根据最大似然估计。因此,特征融合的目标维度设置为3。最大的敏感因素的原则的基础上,融合功能是由GA优化找到最好的内核空间聚类分析。(3)聚类中心是由GG算法和滚动轴承退化识别是通过最大隶属度原则。

6。实例验证

6.1。实验平台和数据预处理

本文中使用的轴承充实数据来自杭州轴承试验研究中心(18]。作为显示在图2(一个),测试平台主要由ABLT-1A轴承试验机、信号采集模块、状态监测设备。如图2 (b)所示,四个ca -码- 139加速度传感器,分别固定在四个轴承测试站和连接到dh - 5920动态信号采集仪器。四套滚动轴承可以集中测试和多组完整的人生同时振动数据可以存储。更重要的是,四个热电阻和一个YD-1加速度传感器与信号放大器监控操作参数。指数超过报警阈值时,测试机将停止工作。

深沟球轴承广泛应用于旋转机械。有实际意义的工程以典型的类型的6204轴承为测试对象。真正的轴承在正常状态如图3(一个)。具体参数设置如表所示1。

当试验台运行时间达到9600分钟,机器被关闭。内圈点蚀发生在轴承在第四站,导致轴承故障(如图3 (b))。

收集到的960组振动数据记录的整个过程从正常状态滚动轴承故障状态。图4显示平均振幅和时间的实时监控曲线反映滚动轴承的不同退化状态。根据曲线的变化幅度和曲率,滚动轴承性能变化最初可以分为四个状态:正常状态,轻微的退化,严重退化,和失败的状态。细节展示在表2。

原始信号是由液晶预处理得到10内在规模组件(isc)和第一个5 isc如图5。进一步的每个组件和原始信号之间的互关联系数计算和价值关系如下: 更重要的是,只有第一个和第三个ISC的系数大于0.5,分别为0.6487和0.5395。因此,两个组件是退化特征提取作为信号源。

6.2。退化特征融合和优化

根据退化状态表2,100组的正常数据100组轻微的退化数据,60组严重退化数据,选择30组失败的数据作为训练样本。不同退化状态的特征索引提取和标准化,分别。3 d时域特征点在图所示6。轴承退化过程中从正常状态、故障状态,这三种特性是单调递增的影响失败状态的区别是显而易见的。然而,其他三个退化状态的点是混合严重,不能区分清楚。虽然时域特性,比如RMS容易和有良好的稳定特征退化状态,文献[19]表明这些时域特性不敏感的轴承早期故障包括轻微的退化和严重退化,直到轴承故障。更重要的是,文献[20.)指出,滚动轴承的振动信号呈现非线性特征,这三个传统时域特性相似,很难作出准确的评估轴承的早期的退化状态。这些论点清楚地解释为什么其他三个退化状态除了失败一个混合严重,不能区分3 d时域特性。

同样,3 d复杂性特征点组成的熵指标LREE, LRSE, TMSE(15)比例因子图所示7。熵向量可以区分正常状态,轻微的退化,严重退化。然而,在故障状态,训练样本的聚类效果不能令人满意。文献[21]表明,熵指数唯一依赖事件发生的概率分布在轴承故障信号。他们敏感的退化状态改变但是更容易寄生振动。当轴承故障状态时,暴力条件变化将使振动信号与很多虚假的组件和混合熵特性不能稳定描述轴承的故障状态。因此,3 d熵在失败状态显示功能强大的组件图7。

为了提高歧视不同退化状态的影响,上述时域特性和熵特性需要融合。因此,六维多畴的特征向量输入特征融合和降维的垂直距离。为了确保之间的信息交流社区,附近的号码不应该太小;然而,如果太大,当地的特性可以是不完整的。一般分析,的大小之间应该和在哪里内在维度和吗每个类别的训练样本数量。在这篇文章中,和。因此,。

聚类效果更好的时候这就是呈现在图8。与时域特性和熵特征相比,垂直距离融合功能的退化状态识别能力和正常状态的聚类效果更好,轻微的退化,和失败状态是令人满意的。但在严重的退化状态融合特征的鲁棒性是相对贫穷,这导致相同的事实严重退化状态样本分为两个部分。与此同时,示例类间距相对较小和集群效应是不好的。因此需要优化的功能融合的过程。

内核空间测量敏感因素是作为目标函数。根据公式(22)和公式(23),内核空间由GA优化的因素有一个最大值。为了提高收敛速度和搜索质量,确保人口大小设置= 20 ~ 200。经过几次实验,。交叉概率越大,越高损失率是优秀的结果。但当概率太小,搜索将被阻塞。在一般情况下,交叉概率0.8 = 0.6 ~ 1.0,这是。变异概率通常不应太大;否则GA将成为一个随机搜索方法和收敛精度和速度将影响。因此,变异概率。

如图926迭代之后,内核空间测量灵敏度的因素往往是稳定的和最大的价值。和优化的仿射变换角度和。图10提出了优化融合特征点的空间分布。与图相比8,优化融合特征区分不同退化状态比原来的特性,特别是训练样本的聚类效果严重退化状态改善很多。更重要的是,不同的阶级差别进一步扩大。因此,优化效果明显。

为了进一步说明本文方法的性能优良,时域特性的敏感性因素,熵特征,垂直距离融合特性,计算和GA-LPP融合特性,分别,结果如图11所示。GA-LPP融合特征的内核空间测量灵敏度因子是最大的,它表明,融合特性有很强的描述能力GA优化后不同轴承退化状态。

6.3。基于GG退化状态识别方法

根据轴承退化状态的数量,确定聚类中心的数量。加权因素是和迭代停止阈值。的计算的矩阵由GA-LPP融合功能GG集群和矩阵的聚类中心

按照表1随机地选择,每5组数据作为测试样本每个退化状态。所选20组数据的多畴的功能是由GA-LPP优化在同一仿射变换角度。融合特征空间分布如图12检测特征点的位置分布在聚类中心和测试样品间距足够大。该方法可以有效地避免识别误判,提高识别精度。

会员矩阵建立了基于灰色关联分析。在此基础上,轴承退化状态识别是最大隶属度原则的指导下实现的。表3是会员矩阵之间的测试样品和每个标准退化状态。通过比较同一采样点的会员价值和不同退化状态,识别结果退化状态的成员值是最大的。这里有两个垂直距离GA优化前后的结果。没有遗传算法优化,垂直距离融合特征判断轻微退化状态正常状态和严重退化状态失败是错误的状态。退化状态识别的准确性仅为85%。相比之下,GA-LPP融合特性有一个更好的区分能力。20组的识别结果与实际退化状态和完整的协议验证了该方法的性能优良。

7所示。结论

为了提高滚动轴承的精度退化状态识别所有的生命周期,提出了一种新的基于GA-LPP退化状态识别方法和GG集群。通过实际的信号处理和分析,可以得到以下结论。(1)与预设故障度相比,很难区分不同退化状态的轴承使用寿命。单一域特性通常测量退化状态只从一个角度来看,单一域特性来描述复杂的能力不足和模糊退化状态。在流形学习理论中,垂直距离算法融合多畴的特性和降低维度提高区分不同退化状态的影响。(2)内核空间测量灵敏度系数作为优化准则。基于内核空间变换的GA算法应用于优化垂直距离特征融合过程可以分离不同降解样品更好。通过这种方式,相同的集群效应退化状态更令人满意和准确性较高。(3)有工程价值结合GA-LPP多畴的特征融合和GG集群领域的退化状态识别。(4)遗传算法参数的设置有一定的收敛速度和计算精度。即使重复实验的参数都是一样的,结果可能波动。因此,下面的工作是提高该方法适用性参数优化和增强GA搜索稳定。

相互竞争的利益

作者宣称没有利益冲突。

确认

这个项目是由中国国家自然科学基金(批准号51541506)。

引用

1. p .阮m·康人类。金,B.-H。安,人类。哈哈,B.-K。崔:“健壮的状态监测滚动轴承使用信号的去噪和包络分析分解技术,”专家系统与应用程序,42卷,不。22日,第9032 - 9024页,2015年。视图:出版商的网站|谷歌学术搜索
2. 张,张y, j .朱“滚动element-bearing特征提取基于小波和研究粒子群优化相结合,“印度胸心血管外科杂志》上没有,卷。31日。1,第610 - 605页,2015。视图:出版商的网站|谷歌学术搜索
3. t·肖B.-P。唐、y秦,c .陈“退化趋势预测基于流形学习的滚动轴承和最小二乘支持向量机,”《振动与冲击,34卷,不。9日,第153 - 149页,2015年。视图:出版商的网站|谷歌学术搜索
4. j .郑j . Cheng, y,“基于液晶的滚动轴承故障诊断的方法和模糊熵,”机制和机器理论卷,70年,第453 - 441页,2013年。视图:出版商的网站|谷歌学术搜索
5. Y.-K。王,H.-R。李,b . Wang和B.-H。徐:“空间信息熵及其应用在液压泵的退化状态识别,”数学问题在工程ID 532684条,卷。2015年,7页,2015。视图:出版商的网站|谷歌学术搜索
6. z z l .云总裁,现“手势识别方法基于特征融合和模板匹配,”Procedia工程,29卷,第1684 - 1678页,2012年。视图:出版商的网站|谷歌学术搜索
7. l . p . x Li Li江,y曹,“异步电动机故障诊断方法基于异构信息融合功能,“中国期刊的科学仪器,34卷,不。1,第233 - 227页,2013。视图:谷歌学术搜索
8. x叮,问:他和n .罗”融合特性及其改善基于保对滚动轴承故障分类、预测”杂志的声音和振动卷,335年,第383 - 367页,2015年。视图:出版商的网站|谷歌学术搜索
9. H.-Y。杨,y, Y.-G。李,j . Cheng“基于流形学习的滚动轴承故障诊断的方法和改善VPMCD”振动工程学报,27卷,不。6,934 - 941年,2014页。视图:谷歌学术搜索
10. 他问:,“振动信号小波包能量流分类的多方面的学习,“杂志的声音和振动,卷332,不。7,1881 - 1894年,2013页。视图:出版商的网站|谷歌学术搜索
11. Z.-Q。苏,B.-P。唐,J.-B。么,”基于敏感特性的故障诊断方法选择和流形学习降维,”《振动与冲击,33卷,不。3、70 - 75年,2014页。视图:出版商的网站|谷歌学术搜索
12. m . Zarinbal m·h·泽Zarandi, i . b . Turksen“相对熵模糊c均值聚类,信息科学卷,260年,第97 - 74页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. 我。金,D.-W。金、d·李和k·h·李,“集群验证指数GK聚类分析基于相对程度的共享,“信息科学,卷168,不。1 - 4、225 - 242年,2004页。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. s·m·l·张,p . Li Li张>,“基于ITD的滚动轴承故障诊断的模糊熵和GG集群、”中国期刊的科学仪器,35卷,不。11日,第2632 - 2624页,2014年。视图:谷歌学术搜索
15. 杨y, h·潘,j . Cheng”基于液晶的滚动轴承故障诊断方法去噪和VPMCD”中国机械工程,24卷,不。24日,第3344 - 3338页,2013年。视图:出版商的网站|谷歌学术搜索
16. x x。丁,张齐兵。他,“机器故障诊断基于WPD和垂直距离。”《振动与冲击,33卷,不。3、89 - 93年,2014页。视图:出版商的网站|谷歌学术搜索
17. c . Zheyuan y建国,l . Xianpeng et al .,“基于内核的距离度量的特征选择算法”,公关与人工智能,23卷,不。2、235 - 240年,2010页。视图:谷歌学术搜索
18. b . Wang H.-R。李,Q.-H。陈,B.-H。徐”,滚动轴承性能趋向下降的状态识别基于数学形态分形维数和模糊中心意思,“Acta Armamentarii,36卷,不。10日,1982 - 1990年,2015页。视图:出版商的网站|谷歌学术搜索
19. 和x l . y . n .锅j . Chen Li“谱熵:一个互补指数滚动轴承性能退化评估,”美国机械工程师学会学报》上,C,卷223,不。5,1223 - 1231年,2009页。视图:出版商的网站|谷歌学术搜索
20. k .朱,x的歌,d .雪,“滚柱轴承故障诊断方法基于层次熵和支持向量机和粒子群优化算法,”测量卷,47号1,第675 - 669页,2014。视图:出版商的网站|谷歌学术搜索
21. 道,l .朱h .叮,y,”另一个时域指标状态监测的滚动体bearings-a比较研究中,“可靠性工程和系统安全,卷92,不。5,660 - 670年,2007页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016余等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。