PDF
研究文章|开放获取
王力军,Shengfei霁,南洋霁, ”比较基于支持向量机技术的轴承故障的检测”,冲击和振动, 卷。2018年, 文章的ID8174860, 13 页面, 2018年。 https://doi.org/10.1155/2018/8174860
比较基于支持向量机技术的轴承故障的检测
文摘
介绍打乱青蛙跳算法”相结合的方法(SFLA)与支持向量机(SVM)方法,以识别滚动轴承的故障类型的变速箱。该方法提高了故障诊断的准确性识别处理后收集到的振动信号通过小波阈值去噪。SFLA的全局优化和高计算效率应用到支持向量机模型。仿真结果表明,SFLA-SVM算法在故障诊断是有效的。与支持向量机和粒子群优化支持向量机相比(PSO-SVM)算法,证明了SFLA-SVM算法具有更好的全局优化,诊断精度高,和更好的可靠性。其准确性进一步提高通过小波阈值去噪方法的集成。
1。介绍
滚动轴承是一个重要的旋转机械广泛应用于航空航天领域的一部分,在汽车、冶金、制造、化工。其工作条件影响整个设备以及整个生产。它的失败可能会导致经济损失和人身伤害(1]。例如,主要的兰州铁路分公司1479列车脱轨事故发生在11月30日,1991年,由于低质量的轴承和笼断(2]。1992年6月,一个600 MW超临界形成单位从日本关西电力公司海南电厂在超速测试引起了强大的单元振动由于单元轴承故障和临界转速下降。它不仅破坏了飞机,也导致了经济损失高达50亿日元(3]。因此,它是非常重要的检测和诊断滚动轴承运行。
大约60%的机械设备故障造成的齿轮箱,失败造成的轴承的约占19%4]。许多方法如算法、遗传算法和蚁群算法开发轴承故障分析。本文结合SFLA-SVM方法提出了通过测定诊断齿轮箱的故障类型的故障滚动轴承的变速箱的第一次。然后新方法的性能和PSO-SVM方法相比,支持向量机方法。
2。方法
2.1。打乱青蛙跳算法(SFLA)
SFLA是一种群体智能优化算法Eusuff和Lasey提出的2001年,在2003年和2006年(精制5]。算法是自然界中生物的觅食行为的启发,在人群中本地搜索和信息共享的方法相结合进行计算全局优化的随机性和确定性。SFLA具有模拟算法(MA)和算法局部搜索能力。通过使用每个meme的components-mixing-division形式,它可以实现全球信息共享和找到全局最优解,而不是局部最优。SFLA的有利特征包括易于设置,高精度,快速收敛和全局优化6]。
SFLA模型如下:(1)SFLA参数的初始化,包括决定青蛙的总数,分析实验数据,提出青蛙鹭数量米,设置最大距离那只青蛙个体可以移动。模拟进化代数 。算法混合迭代数。青蛙个体最大的搜索范围 。(2)计算适应度值:假设第一个青蛙数量 在哪里是一只青蛙。健身价值首先计算,然后根据存储的数据的值的大小排序,记录是哪一个 。最后,最好的青蛙个人记录 。(3)部门的人口:青蛙人口分为模因 ,使用下面的方程,最好的青蛙个体最糟糕的青蛙个体每组记录: (4)本地搜索:根据规则在本地搜索 青蛙跳一步是决定 方程(4)用于更新值和计算它的健身价值。如果更新的青蛙是比原来的青蛙,它将取代原来的青蛙。否则,取代与 。方程(3)和(4)用于遍历每个模拟组。如果优化失败,一个新的青蛙个体将随机形成的替换原来的 。根据这个过程,有的时候模仿组获得一个新的模拟组 。(5)混合的人群:再次进化的青蛙种群混合形式 ,和全球最好的青蛙更新和记录。然后,青蛙再次被分组。(6)如果算法的迭代次数满足条件 ,回到步骤(4);否则,输出最好的青蛙个体。
2.2。支持向量机
1995年,Vapnik提出了机器学习方法,支持向量机(SVM)。支持向量机是一种基于统计理论的学习方法和风险最小化7]。它的核心思想是通过内核公式变换线性不可分的问题,然后找到最好的分类面空间和使用凸二次规划问题的解(8]。它成功地解决了在学习和局部最小值的问题。它也有更好的泛化能力。
支持向量机算法模型如下:(1)给样品和匹配 。(2)选择合适的内核的公式和相关参数。(3)解决公式的最大价值约束条件下 和获得最好的价值 。(4)计算 ,的第一个成分在哪里代表最好的偏见 。然后,飞机是最好的决定 。(5)分类向量和计算+ 1或−1来决定 。
2.3。SFLA-SVM模型
傅莹发现主要有两个特点,影响支持向量机的学习能力:惩罚和高斯核系数(9]。这两个极限直接影响支持向量机的分类精度和泛化能力。如果太大,训练精度高,泛化能力差。如果太小,训练精度很差。当太大,SVM的分类精度将会减少。当太小,SVM的推理能力将会恶化。因此,适当的参数可以使模型具有更好的泛化能力和分类精度。
虽然没有统一的方法来决定最好的特性和 ,网络搜索和交叉验证的方法通常是选择(10]。摘要SFLA-SVM模型提出,下面是谁的过程:(1)青蛙形成随机向量进行初始化。的成分之间的一个随机数 。青蛙的迭代的总数 。亚种群的数量 ,和迭代分组人口的数量 。(2)计算每个青蛙个体的健身价值。如果约束 不满足,青蛙个体的健康值设置为无限正数。否则,保持健身价值和分配程序。(3)执行迭代优化,然后在每个群混合所有的亚种群形成新的人口和返回到步骤(2)。重复步骤(2)和(3),直到达到总人口的迭代次数和回报 。(4)计算出最好的偏见从 。(5)计算公式的决定然后决定分类向量 。
2.4。小波阈值去噪
在小波阈值去噪的一个重要问题是如何选择阈值。如果选择阈值太小,噪音将在很大程度上保持信号。然而,如果阈值太大,它将删除有用的和重要的特征信息的信号导致偏差。因此,阈值将直接影响去噪效果11]。
小波阈值去噪的另一个问题是如何选择阈值的公式。小波阈值去噪包括硬阈值去噪,软阈值去噪,和默认阈值去噪12]。硬阈值公式和软阈值公式是两个最常用的阈值公式。
硬阈值公式的表达式
软阈值公式的表达
在方程(5)和(6),是一个小波系数,小波系数去噪,是一个阈值,公式是谁的 在哪里噪声的标准差和吗信号的强度。
分手后的信号通过小波,信号振幅比这更大的噪音。因此,选择小波系数是通过设置阈值来实现。
小波阈值去噪的基本步骤使用(6)如下:(1)用小波变换分解的信号并获得一组小波系数 。(2)阈值的小波系数决定小波系数的估计价值 ,这是最低的。(3)利用小波逆变换重建获得的估计信号 ,去噪后的信号。
是有区别的软阈值小波系数得到的公式和原始信号。硬阈值公式不是连续在阈值点。这些缺陷影响去噪的效果。因此,为了克服传统小波阈值的缺点,软阈值和硬阈值,有必要提高阈值的选择。
改进的阈值 在哪里是解决规模。的规模增加,阈值减少。与原方法相比,新的阈值更适应各级分离噪声。
改进的阈值公式 在哪里是小波系数,是去噪的小波系数,是阈值,是调整参数。改进的阈值公式具有软、硬阈值公式。
3所示。SFLA-SVM算法在齿轮箱轴承故障诊断中的应用
3.1。实验平台
图1显示了实验平台,一个变速箱北京首都航空公司的设备。它由一个频率控制器、电机、刹车、齿轮箱、和其他部分。齿轮箱设备的性能是稳定的,并且可以承受一定的负荷的影响。有足够的空间为齿轮更换和安装。它可以模拟各种类型的齿轮箱故障条件分析,噪声特性分析,振动特性分析,健康/状态监测和故障诊断。
3.2。传感器的设置
由于限制在这个实验中,传感器不能设置在齿轮箱。因此,六个传感器安装在变速箱试验台,如图所示2。
3.3。信号采集
实验收集的齿轮箱振动信号是一个全面的数据收集和HG8916故障诊断装置。本文实验采用6振动通道和1速度通道同时采集信号。与时域信号获得模块,最大采样点是32768,最大的分析的频率是50赫兹。一旦收集到的信号,它是保存到数据文件导出到Matlab进行进一步分析和处理。
在整个实验过程中,1000组数据覆盖了滚动轴承在正常工作条件下,滚动磨损,内圈磨损,外环磨损测量条件。前920集作为训练数据,其余80套作为测试数据。信号采样频率为2000赫兹,和收集点的数量是1024。
以下数据显示一些收集到的数据图像。数据3- - - - - -6在正常运行状态振动图像,滚动磨损状态,内部磨损状态,分别和外穿状态。
3.4。选择特征值的错误
轴承故障的特征值是诊断的准确性密切相关。提出了各种方法提取特征值信息。特征值指标可以分为维指标,如振幅和方差平方根,和无量纲指标,如波形指标、利润指标,峰度指示器,偏态指标。特征值指标的计算公式如表所示1。
|
||||||||||||||||||||||||||||||||||||||||||||||||
|
收集到的信号点,
。
|
||||||||||||||||||||||||||||||||||||||||||||||||
表显示,一些参数并不是独立的。例如,方差指标,偏态指标和峰度相关指标。利润率指标和平方根振幅有关。由于非线性和非平稳振动信号的性质,这些特性的相关性并不具有线性关系,没有共线的这些数据之间的关系。
无因次特征值指标计算从收集到的数据,然后他们规范化,形成一个统一的依据的确定故障类型。表2结果显示使用训练数据的特征值指标计算表3是测试数据。这里使用的归一化公式如下(13]: 在哪里是归一化特征值,是特征值,和最大和最小的吗 ,分别。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.5。信号去噪
为了减少噪声对振动信号的影响,在不同条件下的振动信号小波去噪的阈值,然后通过故障诊断识别。首先,模拟信号和噪声信号 ,在哪里和 ,构造和合成。然后运用合成信号小波自适应阈值和给定的阈值,分别。结果如图所示7,它可以观察到,用给定的阈值去噪过程中,噪声信号是移除的一部分,剩余的信号是均匀分布的。自适应阈值去噪的效果不理想,和包含在原始信号是不均匀的。因此,获得信号应该被调整给定的阈值去噪。有三种方法来调整阈值:硬阈值、软阈值和默认阈值去噪。不同条件下的去噪结果如图8- - - - - -11。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
三种去噪方法之间的比较表明,振动信号的特征信息获得使用给定的不足去噪是更好的信号特征信息保存,没有造成损失。因此,我们选择信号与给定的软阈值降噪在不同工作条件和SFLA-SVM算法来识别故障。
4所示。结果与讨论
与去噪数据信号在四个工作条件下,故障诊断是由SFLA-SVM模拟算法,如下面。
首先,SFLA参数设置如下:(1) 是总青蛙数量,算法的主要参数。它与要解决的问题的复杂性和维度。考虑到实验进行之前,设置为100。(2) 是亚种群的数量。如果太小,最优分组人口中的信息不能完全在本地范围内共享。如果太大,演化过程变得复杂,很容易陷入局部最优。亚种群的数量关系 ,在哪里代表每个分组人口中包含青蛙的数量。在这个实验中,和 。(3) 是分组人口的数量的迭代。一个大的值将导致“青蛙”经常改变立场,忽略个体之间的信息交换,而小值可能会导致meme集团未能找到一个最优解和陷入局部最优。这个实验将是10。(4) 是迭代的总数。如果太小了,它将导致“青蛙”忽视了个体之间的信息交换。如果太大,它会增加计算工作量,导致局部最优。这个实验将是20。
其次,支持向量机参数设置如下:
有两个主要的支持向量机的参数,即惩罚参数和内核函数系数 。高斯核函数,核函数系数 。支持向量机初始化参数 , 。
由SFLA的参数优化 , 。故障诊断的仿真结果SFLA-SVM算法如图12。
为了突出的优点SFLA-SVM在滚动轴承的故障诊断,比较它与SVM和PSO-SVM算法,使用的数据集和支持向量机的初始化参数三个算法是相同的。参数优化的算法和 。支持向量机的诊断结果和PSO-SVM算法数据所示13和14,分别。
更全面的比较SVM、PSO-SVM SFLA-SVM诊断结果和运行时间如表所示4。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||
数据12- - - - - -14表明SFLA-SVM算法精度最高,且仅3的结果是被误诊的。相比,支持向量机和PSO-SVM算法13 9误分类,分别。与此同时,综合比较分析表4表明优化支持向量机的算法和SFLA算法可以提高诊断结果的准确性虽然运行时间增加27.46和55.30年代,分别。这表明SFLA-SVM算法可以显著提高SVM识别的准确性,不会引起诊断效率损失,但运行时间略高于其他两种算法。
不同工况下的振动信号和相应的改进的阈值去噪信号在频域进行了分析。傅里叶变换图和功率谱密度图所示的数据15- - - - - -18。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
这些数据的对比分析表明,改进的去噪阈值保留信号的特征信息并生成很少的失真。故障识别结果如图19。
如图19,SFLA-SVM算法产生只有两个错误分类后,小波阈值去噪,这意味着其准确性已经提高到97.5%。
5。结论
提出了SFLA-SVM变速箱滚动轴承的故障检测算法,基于支持向量机算法,SFLA的全局优化的优势。通过分析表4,它可以直观地看到SVM的准确性,PSO-SVM,和SFLA-SVM是83.75%,88.75%,和96.25%,和运行时间是76.52秒,分别为103.98秒和131.82秒。SFLA-SVM是最高的准确性。尽管SFLA-SVM最长运行时间,只需要55.30和27.84年代超过SVM和PSO-SVM,分别。此外,SFLA-SVM算法的准确性已经提高到97.5%时,采用小波阈值去噪方法的算法。因此,通过比较三种算法的运行时间和准确性,SFLA-SVM可以更好的突出的优点。
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的出版。
确认
这项工作得到了河南科技大学创新团队支持计划(19 irtsthn011),河南省研究生教育教学改革研究与实践项目(2017 sjglx006y),郑州测控技术与仪器重点实验室(121 pyfzx181),和第九次研究生创新项目NCWU (yk - 2017 - 08年)。
引用
- 诉h .阮、c . Rutten和j . c . Golinval”故障诊断基于盲源分离技术在工业系统使用一个振动传感器,”冲击和振动,19卷,不。5,795 - 801年,2012页。视图:出版商的网站|谷歌学术搜索
- j .姚明,b . Tang和j .赵”一个滚动轴承的故障特征提取方法基于脉冲自适应时频变换,“冲击和振动卷,2016篇文章ID 4135102, 12页,2016。视图:出版商的网站|谷歌学术搜索
- h . f . Tang l .陈董和通用汽车,“动态线性models-base时间序列分解及其应用在轴承故障诊断,”振动与控制杂志》上,21卷,不。5,975 - 988年,2015页。视图:出版商的网站|谷歌学术搜索
- 严t . x”,研究复合轴承故障诊断基于EEMD和希尔伯特包络分析,“机械工程,40卷,不。60岁,132 - 136年,2016页。视图:谷歌学术搜索
- c . r .邹x张d, l .赵“回顾算法混合青蛙跳来跳去,”信息技术杂志,38卷,不。5,页1 - 5,2012。视图:谷歌学术搜索
- m·a . Bahar和m . Shokooh-Saremi“设计采用巨磁电阻的narrowband-pass过滤器使用改进打乱青蛙跳算法,”电子信件,51卷,不。6,497 - 499年,2015页。视图:出版商的网站|谷歌学术搜索
- s . w .林k . c, s . c . Chen和Z.-J。李”,参数确定粒子群优化支持向量机的特征选择,”专家系统与应用程序,35卷,不。4、1817 - 1824年,2008页。视图:出版商的网站|谷歌学术搜索
- m . Heidari对伊朗伊斯兰共和国通讯社表示,h . Homaei估计车辆的加速度幅值反向传播神经网络,”先进的声学和振动ID 614025条,卷。2013年,7页,2013。视图:出版商的网站|谷歌学术搜索
- 傅y”,调查支持向量机模型参数的选择方法,”计算机知识和技术》第六卷,没有。10日,8081 - 8082年,2010页。视图:谷歌学术搜索
- y金和j·w·王”,支持向量机摘要探测器优化混合蛙跳算法,”东南大学学报(自然科学)第41卷。。3、509 - 512年,2011页。视图:谷歌学术搜索
- p . Premaratne和m . Premaratne”基于不变矩的图像相似性指数近似的离散小波变换,“电子信件,48卷,不。23日,第1467 - 1465页,2012年。视图:出版商的网站|谷歌学术搜索
- r·g·杨和m . w .任“小波去噪使用主成分分析,专家系统与应用程序,38卷,不。1,第1076 - 1073页,2011。视图:出版商的网站|谷歌学术搜索
- “x h .风扇和z . j . Wang评估和选择特征参数的机械系统状态监测,“装甲兵工程学院杂志》上,23卷,不。3、25 - 28,2009页。视图:谷歌学术搜索
版权
版权©2018王力军et al。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。
