一種基於極限學習機的軸承故障診斷方法與流程

2023-05-20 11:25:46 2

本發明涉及機械故障診斷
技術領域：
，尤其涉及一種基於極限學習機的軸承故障診斷方法。
背景技術：
：滾動軸承具有一個突出的特點，其壽命離散程度非常大。若僅呆板地按照設計壽命對軸承進行定期維修，是很不科學的。軸承使用中，要隨時進行工況的監測和故障的判別。這樣不僅可以防止設備工作精度下降，減少事故發生的機率，還可以最大限度地發揮軸承的工作潛力，節省開支。輕微損傷的軸承可以從使用情況，特別是軸承工作表面的磨損狀況、磨損軌跡等徵兆來推斷出其失效的真正原因。損傷嚴重的軸承是因突發事故而完全報廢的軸承，最終的破損狀況往往早已掩蓋了初始損傷的痕跡，暴露出來的只是軸承最終咬死和燒毀的現象，以及已破損的軸承零件的殘骸。這些原因使得人們容易混淆軸承損傷的最主要根源，只能從軸承的工作條件、潤滑狀況、支承的整體結構以及損傷的形式做出推斷，並藉助其他科學的分析方法來驗證。因此準確及時了解機械裝備中的重要軸承的運行狀況,對於保障機械裝備的正常運轉有著十分重要的意義。通過傳感器對軸承作振動監測,獲取軸承故障的大量信息,基於軸承故障的機理,分析其故障特徵,從而對軸承故障作出科學的判斷，而現有滾動軸承故障診斷方法需建立診斷模型，且不能及時準確的進行故障判斷。技術實現要素：本發明的目的在於提供了一種能夠準確實現信號有效分離，故障識別速度快，準確率高，無需建立模型，診斷快捷方便的基於極限學習機的軸承故障診斷方法，以解決上述
背景技術：
所述的建立診斷模型，診斷不及時且準確率不高的問題。為了實現上述目的，本發明採取了如下技術方案：一種基於極限學習機的軸承故障診斷方法，包括通過振動加速度傳感器獲取四種工況下的振動加速度信號，所述四種工況為正常運轉、內環故障運轉、滾動故障運轉、外環故障運轉，所述方法包括以下步驟：步驟s110：對所述振動加速度信號通過變分模態分解vmd算法進行分解，得到k個imf模態分量；步驟s120：通過奇異值分解svd算法得到各個所述imf模態分量的奇異值；步驟s130：將所述imf模態分量的奇異值分為訓練樣本和測試樣本兩部分；步驟s140：將訓練樣本的奇異值作為極限學習機elm神經網絡模型的輸入值，進行深度學習訓練，確定elm神經網絡模型的輸入連接權值、偏置值及最優輸出連接權值；步驟s150：將測試樣本的奇異值作為確定了輸入連接權值、偏置值及最優輸出連接權值的elm神經網絡模型的輸入值，進行學習訓練，網絡訓練的輸出結果即為軸承故障診斷結果。進一步的，所述步驟s110中通過vmd算法得到k個imf模態分量包括：步驟s111：對每個imf模態分量函數μk(t)進行希爾伯特變換，得imf模態分量的解析信號，表達式為其中，σt表示單位脈衝函數，j＝(1,2,.....k)；步驟s112：對每個imf模態分量的解析信號預估中心頻率進行混合，並將每個imf模態分量的頻譜調製到相應的基頻帶，步驟s113：計算每個確定了基頻帶的imf模態分量的解析信號的梯度的平方l2範數，得到對應的imf模態分量表達式為其中，表示偏導數，μk＝{μ1,μ2,.....μk}表示分解得到的k個imf模態分量，ωk表示imf模態分量的中心頻率，f表示所有imf模態分量的求和；步驟s114：引入二次懲罰因子α和lagrang乘法算子λ，獲得擴展的lagrange算法，表達式為，步驟s115：利用交替方向乘子算法admm求取擴展的lagrange表達式的鞍點，得k個imf模態分量。進一步的，所述步驟s115中求取擴展的lagrange表達式的鞍點包括，步驟一：初始化μk1，ωk1，λ1；步驟二：執行循環：n＝n+1；步驟三：更新μk:更新ωk:步驟四：更新λ:步驟五：重複步驟一至步驟四，直到滿足迭代停止條件結束迭代，得擴展的lagrange表達式的鞍點。進一步的，所述步驟s120中通過svd算法得到imf模態分量的奇異值包括：將k個imf模態分量構建信號數據m×n階矩陣h其中，u∈rm×m和v∈rn×n均是正交矩陣,ar＝diag(σ1,σ2,…,σr)，σi(i＝1,2,…,r)表示h的奇異值，且σ1≥…≥σr≥0，r表示h的秩，μi、νi分別為方陣hht和hth的第i個特徵向量。進一步的，所述步驟s140中確定elm神經網絡模型的輸入連接權值、偏置值及最優輸出連接權值包括：計算elm神經網絡隱藏層輸出矩陣f，所述elm神經網絡模型的輸出表達式可簡寫為fβ＝y，其中，β表示隱藏層神經元的輸出連接權值，l表示elm神經網絡隱藏層神經元個數，n表示訓練樣本個數，y是期望輸出值；確定β的最小二乘解，輸出公式為：其中，f+表示隱藏層輸出矩陣f的moore-penrose廣義逆，最小二乘解即為最優輸出連接權值βi；elm神經網絡模型的輸出表達式為其中，xi(i＝1,2,…,n)表示訓練樣本的奇異值組成的輸入向量，yi(i＝1,2,…,n)表示訓練樣本網絡輸出向量，αi是連接第i個隱藏層神經元的輸入連接權值，bi是第i個隱藏層神經元的偏置值，g表示激活函數。本發明有益效果：在vmd分解過程中通過循環迭代求取約束變分問題的最優解來確定分解得到的固有模態分量的頻率中心及帶寬，實現信號各頻率成分的有效分離，且分解信號具有收斂快、魯棒性高；採用svd分解的方法對vmd分解得到的信號進一步進行故障特徵提取，從而達到提取信號本質特徵和降維的目的，提高了故障識別的速度和識別準確率，無需建立模型，即可實現故障的檢測和識別，降低了專業要求，增加了工程應用性。本發明附加的方面和優點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本發明的實踐了解到。附圖說明為了更清楚地說明本發明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明實施例所述的滾動軸承故障診斷方法流程圖。圖2為本發明實施例所述的elm神經網絡結構模型圖。圖3為本發明實施例所述的在正常運轉狀態下vmd分解得到的振動信號頻譜圖。圖4為本發明實施例所述的在內環故障運轉狀態下vmd分解得到的振動信號頻譜圖。圖5為本發明實施例所述的在滾動故障運轉狀態下vmd分解得到的振動信號頻譜圖。圖6為本發明實施例所述的在外環故障運轉狀態下vmd分解得到的振動信號頻譜圖。圖7為本發明實施例所述的故障診斷結果對比圖。具體實施方式下面詳細描述本發明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用於解釋本發明，而不能解釋為對本發明的限制。本
技術領域：
技術人員可以理解，除非特意聲明，這裡使用的單數形式「一」、「一個」、「所述」和「該」也可包括複數形式。應該進一步理解的是，本發明的說明書中使用的措辭「包括」是指存在所述特徵、整數、步驟、操作、元件和/或組件，但是並不排除存在或添加一個或多個其他特徵、整數、步驟、操作、元件、組件和/或它們的組。應該理解，當我們稱元件被「連接」或「耦接」到另一元件時，它可以直接連接或耦接到其他元件，或者也可以存在中間元件。此外，這裡使用的「連接」或「耦接」可以包括無線連接或耦接。這裡使用的措辭「和/或」包括一個或更多個相關聯的列出項的任一單元和全部組合。本
技術領域：
技術人員可以理解，除非另外定義，這裡使用的所有術語(包括技術術語和科學術語)具有與本發明所屬領域中的普通技術人員的一般理解相同的意義。還應該理解的是，諸如通用字典中定義的那些術語應該被理解為具有與現有技術的上下文中的意義一致的意義，並且除非像這裡一樣定義，不會用理想化或過於正式的含義來解釋。為便於對本發明實施例的理解，下面將結合附圖以幾個具體實施例為例做進一步的解釋說明，且各個實施例並不構成對本發明實施例的限定。圖1為本發明實施例所述的滾動軸承故障診斷方法流程圖；圖2為本發明實施例所述的elm神經網絡結構模型圖；圖3為本發明實施例所述的在正常運轉狀態下vmd分解得到的振動信號圖；圖4為本發明實施例所述的在內環故障運轉狀態下vmd分解得到的振動信號圖；圖5為本發明實施例所述的在滾動故障運轉狀態下vmd分解得到的振動信號圖；圖6為本發明實施例所述的在外環故障運轉狀態下vmd分解得到的振動信號圖；圖7為本發明實施例所述的故障診斷結果對比圖。本領域普通技術人員可以理解：附圖只是一個實施例的示意圖，附圖中的模塊或流程並不一定是實施本發明所必須的。如圖1所示，本發明實施例所述的一種基於極限學習機的軸承故障診斷方法，包括通過振動加速度傳感器獲取四種工況下的振動加速度信號，所述四種工況為正常運轉、內環故障運轉、滾動故障運轉、外環故障運轉，所述方法包括以下步驟：步驟s110：對所述振動加速度信號通過變分模態分解vmd算法進行分解，得到k個imf模態分量；步驟s120：通過奇異值分解svd算法得到各個所述imf模態分量的奇異值；步驟s130：將所述imf模態分量的奇異值分為訓練樣本和測試樣本兩部分；步驟s140：將訓練樣本的奇異值作為極限學習機elm神經網絡模型的輸入值，進行深度學習訓練，確定elm神經網絡模型的輸入連接權值、偏置值及最優輸出連接權值；步驟s150：將測試樣本的奇異值作為確定了輸入連接權值、偏置值及最優輸出連接權值的elm神經網絡模型的輸入值，進行學習訓練，網絡訓練的輸出結果即為軸承故障診斷結果。在本發明的一個具體實施例中，所述通過vmd算法得到k個imf模態分量包括：對每個imf模態分量函數μk(t)進行希爾伯特變換，得imf模態分量的解析信號，表達式為其中，σt表示單位脈衝函數，j＝(1，2，.....k)；對每個imf模態分量的解析信號預估中心頻率進行混合，並將每個imf模態分量的頻譜調製到相應的基頻帶，計算每個確定了基頻帶的imf模態分量的解析信號的梯度的平方l2範數，得到對應的imf模態分量表達式為其中，表示偏導數，μk＝{μ1,μ2,.....μk}表示分解得到的k個imf模態分量，ωk表示imf模態分量的中心頻率，f表示所有imf模態分量的求和；引入二次懲罰因子α和lagrang乘法算子λ，獲得擴展的lagrange算法，表達式為，利用交替方向乘子算法admm求取擴展的lagrange表達式的鞍點，得k個imf模態分量。在本發明的一個具體實施例中，所述求擴展的lagrange表達式的鞍點包括，步驟一：初始化μk1，ωk1，λ1；步驟二：執行循環：n＝n+1；步驟三：更新μk:更新ωk:步驟四：更新λ:步驟五：重複步驟一至步驟四，直到滿足迭代停止條件結束迭代，得擴展的lagrange表達式的鞍點。在本發明的一個具體實施例中，所述通過svd算法得到imf模態分量的奇異值包括：將k個imf模態分量構建信號數據m×n階矩陣h其中，u∈rm×m和v∈rn×n均是正交矩陣,ar＝diag(σ1,σ2,…,σr)，σi(i＝1,2,…,r)表示h的奇異值，且σ1≥…≥σr≥0，r表示h的秩，μi、νi分別為方陣hht和hth的第i個特徵向量。在本發明的一個具體實施例中，所述確定elm神經網絡模型的輸入連接權值、偏置值及最優輸出連接權值包括：計算elm神經網絡隱藏層輸出矩陣f，所述elm神經網絡模型的輸出表達式可簡寫為fβ＝y，其中，β表示隱藏層神經元的輸出連接權值，l表示elm神經網絡隱藏層神經元個數，n表示訓練樣本個數，m表示輸出區段數，y是期望輸出值；確定β的最小二乘解，輸出公式為：其中，f+表示隱藏層輸出矩陣f的moore-penrose廣義逆，最小二乘解即為最優輸出連接權值βi；elm神經網絡模型的輸出表達式為其中，xi(i＝1,2,…,n)表示訓練樣本的奇異值組成的輸入向量，yi(i＝1,2,…,n)表示訓練樣本網絡輸出向量，αi是連接第i個隱藏層神經元的輸入連接權值，bi是第i個隱藏層神經元的偏置值，g表示激活函數。如圖2至圖7所示，本發明的具體試驗過程及結果如下：本試驗採取華盛頓天主教大學軸承數據中心提供的滾動軸承故障信號進行驗證。分別使用正常、內環故障、外環故障和滾動體故障四種狀態下的樣本信號對本發明基於vmd,svd和elm的軸承故障診斷方法進行檢測驗證，具體步驟如下：步驟一、對軸承振動信號進行vmd分解。四種狀態下的信號樣本數如表1所示。表1四種狀態下樣本數正常滾動體故障內環故障外環故障樣本數24121212進行vmd分解必須要預先給定分解得到的imf模態分量個數k，採用觀察中心頻率出現過分解的方法來確定k。四種不同狀態下，對應不同k值得到的imf模態分量中心頻率如表2所示。表2各imf模態分量中心頻率從表2中可以看出，在四種不同狀態下，當k＝5時，模態分量開始出現相似的中心頻率，這種現象被稱為過分解，因此k值取4。將k＝4代入到vmd程序中去，從而得到四種不同狀態下信號分解結果如圖3，圖4，圖5，圖6所示。步驟二、奇異值分解進一步提取故障特徵：四種不同狀態下，經過奇異值分解得到的奇異值如表3所示表3svd分解得到的奇異值步驟三、通過極限學習機elm算法進行神經網絡訓練，實現軸承故障識別與診斷。將四種不同狀態下經過奇異值分解得到的奇異值分為兩部分分別作為訓練樣本和測試樣本，如表4所示。表4訓練樣本和測試樣本個數elm算法需要指定參數激活函數和隱藏神經元個數，在本次試驗中，激活函數g選擇sigmoidal函數，隱藏神經元個數l選擇10。試驗結果如圖7所示。從圖7可以看出，實際故障類型曲線與識別故障類型曲線完全重合，說明該方法故障診斷正確率為100％.為了說明該方法的有效性，引進svm模型和bp神經網絡進行對比分析。試驗結果如表5所示。表5試驗對比結果網絡類型訓練樣本數測試樣本數運行時間識別準確率elm40200.0312100％svm40200.65890％bpnn40200.941480％根據試驗結果可以看出基於elm的故障診斷方法明顯優於svm和bp神經網絡。elm在運行時間和是識別準確率方面具有較高的優越性。可見本發明的方法能夠實現對軸承的故障檢測與分類，故障識別成功率高，耗時短，具有明顯的實際應用價值。綜上所述，本發明實施例通過vmd分解算法對信號進行分解，該方法在分解過程中通過循環迭代求取約束變分問題的最優解來確定分解得到的固有模態分量的頻率中心及帶寬，實現信號各頻率成分的有效分離，與emd和lmd相比，vmd分解信號具有收斂快、魯棒性高的特點；採用svd分解的方法對vmd分解得到的信號進一步進行故障特徵提取，從而達到提取信號本質特徵和降維的目的；相比於其他故障診斷方法，極限學習機算法在故障識別的速度和識別準確率上有顯著的優越性；本發明方法利用樣本，無需建立模型，即可實現故障的檢測和識別，降低了專業要求，增加了工程應用性。通過以上的實施方式的描述可知，本領域的技術人員可以清楚地了解到本發明可藉助軟體加必需的通用硬體平臺的方式來實現。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該計算機軟體產品可以存儲在存儲介質中，如rom/ram、磁碟、光碟等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例或者實施例的某些部分所述的方法。本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置或系統實施例而言，由於其基本相似於方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的裝置及系統實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解並實施。以上所述，僅為本發明較佳的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本
技術領域：
的技術人員在本發明揭露的技術範圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護範圍之內。因此，本發明的保護範圍應該以權利要求的保護範圍為準。當前第1頁12