CN110132596A - 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 - Google Patents

Abstract

本发明涉及一种基于小波包和GWO‑SVM的滚动轴承故障诊断的方法，属于机械故障诊断的领域。本发明利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对信号进行3层分解，计算第3层8个节点的能量作为信号的特征数据。在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine，SVM)中进行训练，得到基于GWO‑SVM的故障诊断模型。最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。实验结果表明，灰狼算法对故障识别的准确性有显着提高。以故障诊断精度，训练时间和测试时间为标准，由GWO算法优化的SVM分类具有更高的准确性和更短的运行时间。

Description

一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法

技术领域

本发明涉及一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，属于机械故障诊断的范畴。

背景技术

滚动轴承是所有工业设备的核心，它将轴和轴座之间的滑动摩擦转化为运行期间的滚动摩擦。以此减少能量损失和运行状态速率的一种工业部件。在工业环境中设备都处在高速、重载和强磁场的状态下，滚动轴承作为不可或缺的部件，其运行状态的稳定性对机械***的性能有着难以忽略的影响。在这种情况下，及时准确地诊断出滚动轴承内圈，外圈和滚动体的故障对机械设备的运行极其重要。

在故障诊断中，支持向量机(SVM)的参数选择与向量机本身的分类精度有很大关系。对于这个问题，可以使用群体智能优化算法来优化其参数，从而提高故障诊断的准确性。群体智能优化算法的工作原理是通过模拟各种宏观或微观的群体所表现的相互作用，利用群体与群体之间、个体与个体之间的相互关系、通过不断反馈信息来取得最适用于问题的方法。但现有技术中滚动轴承故障的准确率较低且其诊断时间较长。

发明内容

本发明要解决的技术问题是提出一种基于小波包和GWO-SVM滚动轴承的故障诊断的方法，通过优化支持向量机的惩罚系数c和核函数半径σ，提高诊断滚动轴承故障的准确率及诊断时间。

本发明采用的技术方案是：一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine，SVM)中进行训练，得到基于GWO-SVM的故障诊断模型。最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。

具体步骤如下：

(1)将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据。

(2)在提取训练数据的特征之后，将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine，SVM)中进行训练，其中灰狼算法过程如下：假设t为当前迭代次数，X_p(t)为t时刻猎物位置矢量，X(t)为t时刻狼群位置矢量，则狼群与猎物之间的距离D为：

D＝|C·X_P(t)-X(t)| (1)

得到狼群与猎物距离之后，狼群需要适时调整自己的位置，其公式如下：

X(t+1)＝X_P(t)-A·D (2)

其中，X(t+1)为t+1时刻狼群位置矢量，A,C为系数矢量，通过以下公式可以得到A,C的值

A＝2a·r₁-a (3)

C＝2r₂ (4)

其中，r₁,r₂∈[0,1]的随机向量。a为收敛因子，其随着迭代次数的增加线性的从2递减到0。a的表达公式

其中，max为最大迭代次数。当头狼确定猎物大致方位以后，将带领其他从属狼对猎物进行围猎，利用狼群个体之间的位置关系，更加准确的确定猎物位置，最终进行攻击。狼群围捕猎物位置变化公式如下：

D_α＝|C₁X_α(t)-X(t)| (6)

D_β＝|C₂X_β(t)-X(t)| (7)

D_δ＝|C₃X_δ(t)-X(t) (8)

X₁＝X_α-A₁D_α

X₂＝X_β-A₂D_β (9)

X₃＝X_δ-A₃D_δ

其中D_α,D_β,D_δ分别为α，β，δ狼与猎物之间的距离，A₁,A₂,A₃和C₁,C₂,C₃分别为α，β，δ的系数矢量，X_α(t),X_β(t),X_δ(t)为t时刻猎物位置，X₁,X₂,X₃分别为狼群矢量位置，X_α,X_β,X_δ分别为猎物矢量位置。当|A|＞1时，狼群将增加狩猎区域的面积，再更大范围内搜索猎物，即进行全局搜素，收敛速度加快；当|A|＜1时，狼群将收缩狩猎区域的面积，确定猎物的位置，即进行局部搜索，使收敛速度减慢。狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时，会错过猎物的位置，造成猎物丢失。即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置；其次通过遍历所有灰狼的位置，得到最优的个体适应度α，其余各自成为β、δ和ω群体。根据上式可以更新狼群中个体的位置。对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比，如果新的适应度高于，则新的适应度代替原有的作为最优适应度，并且新狼位置替代原有位置；如果没有高于的，则原有适应度保持不变。如果完成最大循环要求，那么训练停止，并输出α狼和β狼的位置，就是最佳的SVM参数c和σ的值；若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM，将训练数据代入运行，得到GWO-SVM训练模型。

(3)将测试数据输入到训练好的GWO-SVM诊断模型中，得到测试数据的分类结果。

本发明的有益效果是：

(1)利用小波包对收集到的数据进行特征提取，提取特征明显，方法可靠性高；

(2)利用灰狼算法对支持向量机的参数进行优化，提高滚动轴承故障诊断的识别率和诊断时间。

附图说明

图1为本发明诊断模型示意图；

图2为本发明狼群围捕位置变化；

图3为本发明支持向量机网络结构图；

图4为本发明算法改进SVM适应度曲线；

图5为本发明GWO-SVM模型分类精确度；

图6为本发明测试集分类图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步说明

实施例1：如图1-图6所示，一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，包括如下步骤：利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine，SVM)中进行训练，得到基于GWO-SVM的故障诊断模型。最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。

具体步骤为：

(1)将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，通过小波包对信号进行3层分解，计算第3层8个节点的能量作为信号的特征数据。

(2)在提取训练数据的特征之后，将特征参数输入到由灰狼算法优化的支持向量机(Support Vector Machine，SVM)中进行训练，其中灰狼算法过程如下：假设t为当前迭代次数，X_p(t)为t时刻猎物位置矢量，X(t)为t时刻狼群位置矢量，则狼群与猎物之间的距离D为：

D＝|C·X_P(t)-X(t)| (1)

得到狼群与猎物距离之后，狼群需要适时调整自己的位置，其公式如下：

X(t+1)＝X_P(t)-A·D (2)

其中，X(t+1)为t+1时刻狼群位置矢量，A,C为系数矢量，通过以下公式可以得到A,C的值

A＝2a·r₁-a (3)

C＝2r₂ (4)

其中，r₁,r₂∈[0,1]的随机向量。a为收敛因子，其随着迭代次数的增加线性的从2递减到0。的表达公式

其中，max为最大迭代次数。当头狼确定猎物大致方位以后，将带领其他从属狼对猎物进行围猎，利用狼群个体之间的位置关系，更加准确的确定猎物位置，最终进行攻击。狼群围捕猎物位置变化公式如下：

D_α＝|C₁X_α(t)-X(t)| (6)

D_β＝|C₂X_β(t)-X(t)| (7)

D_δ＝|C₃X_δ(t)-X(t) (8)

X₁＝X_α-A₁D_α

X₂＝X_β-A₂D_β (9)

X₃＝X_δ-A₃D_δ

其中D_α,D_β,D_δ分别为α，β，δ狼与猎物之间的距离，A₁,A₂,A₃和C₁,C₂,C₃分别为α，β，δ的系数矢量，X_α(t),X_β(t),X_δ(t)为t时刻猎物位置，X₁,X₂,X₃分别为狼群矢量位置，X_α,X_β,X_δ分别为猎物矢量位置。当|A|＞1时，狼群将增加狩猎区域的面积，再更大范围内搜索猎物，即进行全局搜素，收敛速度加快；当|A|＜1时，狼群将收缩狩猎区域的面积，确定猎物的位置，即进行局部搜索，使收敛速度减慢。狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时，会错过猎物的位置，造成猎物丢失。即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置；其次通过遍历所有灰狼的位置，得到最优的个体适应度α，其余各自成为β、δ和ω群体。根据上式可以更新狼群中个体的位置。对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比，如果新的适应度高于，则新的适应度代替原有的作为最优适应度，并且新狼位置替代原有位置；如果没有高于的，则原有适应度保持不变。如果完成最大循环要求，那么训练停止，并输出α狼和β狼的位置，就是最佳的SVM参数c和σ的值；若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM，将训练数据代入运行，得到GWO-SVM训练模型。

(3)将测试数据输入到训练好的GWO-SVM诊断模型中，得到测试数据的分类结果。

本发明的原理是：利用灰狼算法优化支持向量机进行故障诊断，其本质是利用灰狼算法优化支持向量机的惩罚系数c和核函数半径σ，通过输入训练数据得到GWO-SVM诊断模型，以此提高滚动轴承故障诊断的识别率和运行时间。

下面结合具体例子进行详细说明：

现将加速度传感器安装在滚动轴承的驱动端上。振动加速度信号由16通道数据记录仪采集得到。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1730r/min。分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号。经测量得到每类数据的大小是8*1200，其中8是特征维数，1200是样本个数。每类选800个样本作为训练，其余400个测试，因此4类数据共有3200个训练样本，1600个测试样本。通过小波包对信号进行3层分解，计算第3层8个节点的能量作为信号的特征数据。同时通过公式(1)-(9)用灰狼算法优化支持向量机的惩罚系数c、核函数半径σ建立SVM预测模型,在提取3200个训练数据的特征之后，将特征参数输入到由灰狼算法优化的支持向量机中进行训练，得到基于GWO-SVM的故障诊断模型。最后1600个测试数据输入到训练好的模型中，最终得到测试数据的故障类型。并计算出GWO-SVM诊断模型的准确率为91.93％，训练时间为0.4534s，测试时间为0.0423s。

实验结果表明，灰狼算法对故障识别的准确性有显着提高。以故障诊断精度，训练时间和测试时间为标准，由GWO算法优化的SVM分类具有更高的准确性和更短的运行时间。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，其特征在于：包括如下步骤：利用加速度传感器测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；在提取其特征之后，将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练，得到基于GWO-SVM的故障诊断模型；最后将测试数据输入到训练好的模型中，最终得到测试数据的故障类型。

2.根据权利要求1所述的一种基于小波包和GWO-SVM的滚动轴承故障诊断的方法，其特征在于：具体步骤为：

(1)将加速度传感器安装在滚动轴承的驱动端上，振动加速度信号由16通道数据记录仪采集得到，驱动端轴承故障采样频率为12kHz，滚动轴承的转速设置为1730r/min，分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号，然后通过小波包对测量的每一种信号分别进行3层分解，计算每一种信号第3层8个节点的能量并将其作为信号的特征数据；

(2)在提取训练数据的特征之后，将特征参数输入到由灰狼算法优化的支持向量机SVM中进行训练，其中灰狼算法过程如下：假设t为当前迭代次数，X_p(t)为t时刻猎物位置矢量，X(t)为t时刻狼群位置矢量，则狼群与猎物之间的距离D为：

D＝|C·X_P(t)-X(t)| (1)

得到狼群与猎物距离之后，狼群需要适时调整自己的位置，其公式如下：

X(t+1)＝X_P(t)-A·D (2)

其中，X(t+1)为t+1时刻狼群位置矢量，A,C为系数矢量，通过以下公式可以得到A,C的值

A＝2a·r₁-a (3)

C＝2r₂ (4)

其中，r₁,r₂∈[0,1]的随机向量，a为收敛因子，其随着迭代次数的增加线性的从2递减到0，a的表达公式

其中，max为最大迭代次数，当头狼确定猎物大致方位以后，将带领其他从属狼对猎物进行围猎，利用狼群个体之间的位置关系，更加准确的确定猎物位置，最终进行攻击，狼群围捕猎物位置变化公式如下：

D_α＝|C₁X_α(t)-X(t)| (6)

D_β＝|C₂X_β(t)-X(t)| (7)

D_δ＝|C₃X_δ(t)-X(t) (8)

X₁＝X_α-A₁D_α

X₂＝X_β-A₂D_β (9)

X₃＝X_δ-A₃D_δ

其中：D_α,D_β,D_δ分别为α，β，δ狼与猎物之间的距离，A₁,A₂,A₃和C₁,C₂,C₃分别为α，β，δ的系数矢量，X_α(t),X_β(t),X_δ(t)为t时刻猎物位置，X₁,X₂,X₃分别为狼群矢量位置，X_α,X_β,X_δ分别为猎物矢量位置，当|A|＞1时，狼群将增加狩猎区域的面积，再更大范围内搜索猎物，即进行全局搜素，收敛速度加快；当|A|＜1时，狼群将收缩狩猎区域的面积，确定猎物的位置，即进行局部搜索，使收敛速度减慢，狼群算法容易陷入局部最优解的原因就是当狼群改变进攻方向时，会错过猎物的位置，造成猎物丢失，即首先初始化SVM的惩罚系数c、核函数半径σ和狼群的位置；其次通过遍历所有灰狼的位置，得到最优的个体适应度α，其余各自成为β、δ和ω群体，根据上式可以更新狼群中个体的位置，对每匹狼在新位置上的适应度进行计算并且与上次迭代适应度进行对比，如果新的适应度高于原来的，则新的适应度代替原有的作为最优适应度，并且新狼位置替代原有位置；如果没有高于的，则原有适应度保持不变，如果完成最大循环要求，那么训练停止，并输出α狼和β狼的位置，就是最佳的SVM参数c和σ的值；若没有完成最大循环则继续更新狼群位置分别使用α、β作为c和σ建立SVM，将训练数据代入运行，得到GWO-SVM训练模型；

(3)将测试数据输入到训练好的GWO-SVM诊断模型中，得到测试数据的分类结果。