CN112052934A - 一种基于改进灰狼优化算法的电机轴承故障诊断方法 - Google Patents
一种基于改进灰狼优化算法的电机轴承故障诊断方法 Download PDFInfo
- Publication number
- CN112052934A CN112052934A CN202010934260.1A CN202010934260A CN112052934A CN 112052934 A CN112052934 A CN 112052934A CN 202010934260 A CN202010934260 A CN 202010934260A CN 112052934 A CN112052934 A CN 112052934A
- Authority
- CN
- China
- Prior art keywords
- individual
- wolf
- solution space
- optimization algorithm
- updated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 196
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 230000009326 social learning Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 241001504070 Huperzia Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000306 component Substances 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进灰狼优化算法的电机轴承故障诊断方法,涉及电机故障诊断领域,该方法包括以下步骤:采集电机轴承的振动信号样本;定义解空间和适应度函数,初始化灰狼优化算法;采用Skew Tent映射初始化种群;利用适应度函数计算适应度值;利用改进的位置更新公式更新解空间位置;确定当前迭代次数对应的变异概率;执行自适应差分变异;随机重置处理;重新计算适应度值,最后将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数,并利用参数优化后的支持向量机进行电机轴承的故障诊断,本发明提高了算法的收敛速度和收敛精度,提高了参数优化能力,有效提高支持向量机进行电机轴承故障诊断的准确率。
Description
技术领域
本发明涉及电机故障诊断领域,尤其是一种基于改进灰狼优化算法的电机轴承故障诊断方法。
背景技术
电机是现代工业制造过程中的重要驱动设备,而轴承则是电机的核心部件之一,同时也是电机故障率较高的部件,电机故障往往会导致整个机器停止运转,从而造成一定的经济损失,甚至会引发一些安全事故,因此,如何有效的对电机轴承故障作出正确的诊断尤为重要。
当电机轴承存在故障时,其振动信号中含有丰富的故障特征信息,通过提取这些信息输入到分类器中,便可诊断出缺陷存在的部位,小波包分解作为一种时频分析方法,可以有效地应用于振动信号这种非平稳信号的分析,具有多分辨率分析的特性,成为信号处理领域的研究热点。支持向量机在解决小样本的模式识别问题方面十分突出,是被广泛应用的分类器。然而,支持向量机的分类性能取决于其参数的选取,目前尚无确定支持项向量机参数选取的统一标准,因此,如何优化支持向量机参数成为故障诊断技术的重难点之一。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于改进灰狼优化算法的电机轴承故障诊断方法,本发明的技术方案如下:
一种基于改进灰狼优化算法的电机轴承故障诊断方法,其特征在于,包括以下步骤:
采集电机轴承的振动信号样本进行特征提取得到对应的特征向量;
定义解空间和适应度函数,初始化灰狼优化算法,通过特征向量训练和测试每个支持向量机参数,每个支持向量机参数分别对应灰狼优化算法中每个灰狼个体在一维空间内的灰狼个***置;
采用Skew Tent映射初始化种群,将每个灰狼个体在一维空间的灰狼个***置映射到所述解空间中得到对应的解空间位置;
利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值;
根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置;
确定当前迭代次数对应的变异概率,当预定值达到所述变异概率时对灰狼个体执行自适应差分变异操作,当所述预定值未达到所述变异概率时对超出解空间范围的灰狼个体作随机重置处理;
重新计算每个灰狼个体的适应度值,若当前迭代次数未达到预定迭代次数时,则令迭代次数加一并再次执行所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新灰狼个体的解空间位置的步骤;
若当前迭代次数达到所述预定迭代次数时,则将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数,并利用参数优化后的支持向量机进行电机轴承的故障诊断。
其进一步的技术方案为,所述采用Skew Tent映射初始化种群,包括按照如下公式得到每个灰狼个体在所述解空间中的解空间位置:
Xk=Lb+(Ub-Lb)·xk;
式中xk表示第k个灰狼个体在一维空间的灰狼个***置,xk+1表示第k+1个灰狼个体在一维空间的灰狼个***置,u为(0,1)之间的随机数,Xk表示第k个灰狼个体在一维空间的灰狼个***置xk映射得到的解空间位置,解空间取值范围的最小值Lb和最大值Ub,k为参数。
其进一步的技术方案为,所述利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值,包括:
将所述振动信号样本分为训练集和测试集,用所述训练集训练每个灰狼个体对应的支持向量机,并将所述测试集输入到所述支持向量机中进行测试,将得到的准确率的倒数作为所述灰狼个体的适应度值。
其进一步的技术方案为,所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置,包括:
选取当前迭代次数下计算得到的适应度值最优的若干个灰狼个体作为目标灰狼个体并确定每个所述目标灰狼个体的解空间位置;选取历史各次迭代中适应度值最优的一个灰狼个体作为历史最优灰狼个体并确定所述历史最优灰狼个体的解空间位置;
基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量;
基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量;
基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量;
根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定所述待更新灰狼个体的更新后的解空间位置。
其进一步的技术方案为,所述基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量,包括对于每个待更新灰狼个体按照如下公式进行计算:
M(t)=N(t)-A·|C·N(t)-X(t)|;
式中t为当前迭代次数,A为收敛因子,C为摆动因子,X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置,N(t)为第t次迭代时提取得到的目标灰狼个体解空间位置,M(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的精英决策位置分量;
其中收敛因子A的计算公式为:
A=2a·r1-a;
式中a为距离控制参数,r1为(0,1)之间的随机数,
其中摆动因子C的计算公式为:
C=2·r2;
式中r2为(0,1)之间的随机数,
所述距离控制参数a的计算公式为:
式中ainitial和afinal为距离控制参数的初始值和终止值,Tmax为预定迭代次数。
其进一步的技术方案为,所述基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量,包括:
按照如下公式计算社会学习位置分量T(t):
T(t)=N(t)-TF·Xaverage(t);
式中Xaverage(t)为第t代时所有灰狼个体的解空间位置计算得到的种群平均解空间位置,N(t)第t次迭代时提取得到的目标灰狼个体解空间位置,
其中教学因子TF的计算公式为:
TF=round[1+rand(0,1)];
函数round()表示进行四舍五入运算,函数rand()表示产生括号范围内的随机数。
其进一步的技术方案为,所述基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量,包括按照如下公式计算个体经验位置分量R为:
R=Xbest-X(t);
式中Xbest为所述历史最优灰狼个体的解空间位置,X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置。
其进一步的技术方案为,每个所述待更新灰狼个体对应至少两个精英决策位置分量,每个所述待更新灰狼个体对应至少两个社会学习位置分量;
则所述根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定所述待更新灰狼个体的更新后的解空间位置,包括按照如下计算公式计算所述更新灰狼个体的位置X(t+1)为:
式中b1为精英决策因子,b2为社会学习因子,b3为个体经验因子,M(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的精英决策位置分量,T(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的社会学习位置分量,R为个体经验位置分量。
其进一步的技术方案为,所述对灰狼个体执行自适应差分变异操作,包括:
根据当前迭代次数计算缩放因子,所述缩放因子f(t)的计算公式为:
其中,Tmax为预定迭代次数,t为当前迭代次数;
自适应差分变异表达式为:
Xnew,i=Xold,i+f(t)·(Xj-Xk);
式中Xj和Xk表示种群中随机选择两灰狼个体的解空间位置,Xnew,i为自适应差分变异后第i个灰狼个体的解空间位置,Xold,i为自适应差分变异前第i个灰狼个体的解空间位置,且i、j、k两两不相等。
其进一步的技术方案为,所述对超出解空间范围的灰狼个体作随机重置处理,包括:将超出解空间边界的灰狼个体解空间位置定义到所述解空间内。
本发明的有益技术效果是:本发明提高了算法的收敛速度和收敛精度,提高了参数优化能力,有效提高支持向量机进行电机轴承故障诊断的准确率。
附图说明
图1是本申请的电机轴承故障诊断方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
如图1所示,一种基于改进灰狼优化算法的电机轴承故障诊断方法,包括以下步骤:
步骤S1,采集电机轴承振动信号样本得到对应的特征向量:采集电机轴承在正常运转状态下和故障运转状态下的振动信号样本,进行小波包分解,计算分解振动信号样本的能量熵得到对应的特征向量,通过特征向量训练和测试每个支持向量机参数,每个支持向量机参数分别对应灰狼优化算法中每个灰狼个体在一维空间内的灰狼个***置,支持向量机参数为惩罚因子和核函数参数。
进一步的举出一个实施例:采集正常运转状态的振动信号样本和故障状态下的振动信号样本各30组,对60组振动信号样本进行小波包分解,计算分解信号样本的能量熵得到对应的特征向量,得到30组正常样本和30组故障样本,将20组正常样本和20组故障样本作为训练集,将剩余的20组样本作为测试集。
步骤S2,定义解空间:针对所需求解的具体问题,确定需要优化的变量,并赋予其搜索最优解的范围,对于多维优化问题,每一维都要根据具体问题的要求确定其取值范围,对于支持向量机参数优化问题,需要优化的变量为惩罚因子和核函数参数。
步骤S3,定义适应度函数:确定一个能够准确反映解空间中解的优劣程度的适应度函数,将其作为算法的适应度函数,适应度函数可直接采用优化问题的目标函数。
步骤S4,初始化灰狼优化算法,包括初始化算法参数:包括种群规模N,最大迭代次数Tmax,距离控制参数a的初始值ainitial、终止值afinal,精英决策因子b1,社会学习因子b2,个体经验因子b3,解空间取值范围的最小值Lb和最大值Ub。
进一步的,举出一种初始化算法参数的实施例,种群规模N=30,预定迭代次数Tmax=500,距离控制参数a的初始值ainitial=2、终止值afinal=0,精英决策因子b1=0.5,社会学习因子b2=0.3,个体经验因子b3=0.2,解空间取值范围的最小值Lb=2-10和最大值Ub=25。
步骤S5,采用Skew Tent映射初始化种群,将每个灰狼个体在一维空间的灰狼个***置映射到解空间中得到对应的解空间位置,按照以下公式计算得到每个灰狼个体在解空间中的解空间位置Xk:
Xk=Lb+(Ub-Lb)·xk;
式中xk表示第k个灰狼个体在一维空间的灰狼个***置,xk+1表示第k+1个灰狼个体在一维空间的灰狼个***置,u为(0,1)之间的随机数,Xk表示第k个灰狼个体狼在一维空间的灰狼个***置xk映射得到的解空间位置,解空间取值范围的最小值Lb和最大值Ub,k为参数。
步骤S6,利用适应度函数根据振动信号样本计算每个灰狼个体的适应度值,对于支持向量机参数优化问题,将振动信号样本分为训练集和测试集,需要先用训练集训练每个灰狼个体对应的支持向量机,随后将测试集输入该支持向量机中进行测试,得到准确率的倒数即为灰狼个体的适应度值。
步骤S7,根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置。
步骤S71,选取当前迭代次数下计算得到的适应度值最优的若干个灰狼个体作为目标灰狼个体并确定每个目标灰狼个体的解空间位置,同时选取历史各次迭代中适应度值最优的一个灰狼个体作为历史最优灰狼个体并确定历史最优灰狼个体的解空间位置。
进一步的,本申请举出一种实施例,选取三个灰狼个体,确定适应度值最优的三个灰狼个体为α狼、β狼和δ狼,并记录其解空间位置Xα(t)、Xβ(t)和Xδ(t),将历史最优灰狼个体的解空间位置记录为Xbest。
步骤S72,基于灰狼优化算法根据各个目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量,精英决策位置分量的计算公式为:
M(t)=N(t)-A·|C·N(t)-X(t)|;
式中t为当前迭代次数,A为收敛因子,C为摆动因子,X(t)为待更新灰狼个体的第t次迭代时的解空间位置,N(t)为第t次迭代时提取得到的目标灰狼个体解空间位置,M(t)为第t次迭代时计算得到的待更新灰狼个体对应的精英决策位置分量。
其中收敛因子A的计算公式为:
A=2a·r1-a;
式中a为距离控制参数,r1为(0,1)之间的随机数。
其中摆动因子C的计算公式为:
C=2·r2;
式中r2为(0,1)之间的随机数。
距离控制参数a的计算公式为:
式中ainitial和afinal为距离控制参数的初始值和终止值,Tmax为预定迭代次数。
进一步的,在本申请中,通过之前提取的目标灰狼个体解空间位置Xα(t)、Xβ(t)和Xδ(t),则计算三个精英决策位置分量M1(t)、M2(t)和M3(t):
式中A1、A2和A3为收敛因子,C1、C2和C3为摆动因子。
步骤S73,充分考虑灰狼群内的信息交流,结合教学优化算法的教学阶段,基于教学优化算法根据各个目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量,按照如下公式计算社会学习位置分量T(t):
T(t)=N(t)-TF·Xaverage(t);
式中Xaverage(t)为第t代时所有灰狼个体的解空间位置计算得到的种群平均解空间位置。其中教学因子TF的计算公式为:
TF=round[1+rand(0,1)];
函数round()表示进行四舍五入运算,函数rand()表示产生0到1的随机数。
进一步的,在本申请中,通过之前提取的目标灰狼个体解空间位置Xα(t)、Xβ(t)和Xδ(t),则计算得到三个社会学习位置分量T1(t)、T2(t)和T3(t):
式中TF1、TF2和TF3为教学因子。
步骤S74,充分考虑灰狼个体与自身经验之间的信息交流,结合粒子群优化算法的个体记忆功能,基于粒子群优化算法根据历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量,则个体经验位置分量R的计算公式为:
R=Xbest-X(t);
式中Xbest为历史最优灰狼个体的解空间位置。
步骤S75,根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定待更新灰狼个体的更新后的解空间位置。
每个待更新灰狼个体对应至少两个精英决策位置分量,每个待更新灰狼个体对应至少两个社会学习位置分量。
按照如下计算公式计算更新灰狼个体的位置X(t+1)为:
式中b1为精英决策因子,b2为社会学习因子,b3为个体经验因子。
进一步的,举出有一个实施例,本申请通过三个精英决策位置分量和三个社会学习位置分量计算更新灰狼个体的位置X(t+1)为:
式中社会学习位置分量包括三个分量T1(t)、T2(t)和T3(t),精英决策位置分量包括三个分量X1(t)、X2(t)和X3(t)。
步骤S8,引入差分进化的思想,确定当前迭代次数对应的变异概率,预定值为0到1内的随机数,确定预定值是否达到变异概率。
变异概率p(t)计算如下:
p(t)=f(t)-0.3;
式中缩放因子f(t)计算如下:
步骤S9,当预定值达到变异概率时对灰狼个体执行自适应差分变异操作,使位置更新后的灰狼个体根据迭代次数进行位置的小范围调整,自适应差分变异变化式为:
Xnew,i=Xold,i+f(t)·(Xj-Xk);
式中Xj和Xk表示种群中随机选择两灰狼个体的解空间位置,Xnew,i为自适应差分变异后第i个灰狼个体的解空间位置,Xold,i为自适应差分变异前第i个灰狼个体的解空间位置,且i、j、k两两不相等。
迭代初期较大的缩放因子使待变异个体能够在较大范围内进行位置调整,可有效避免算法出现早熟收敛的现象,迭代后期较小的缩放因子可以使种群集中在某个区域精细搜索的同时保持一定的位置随机性。
变异概率p(t)也是同理,迭代初期较大的变异概率能够增加全局搜索能力,避免算法出现早熟收敛,迭代后期适当减小变异概率可以在改善局部搜索的同时又保证较快的算法寻优速度。
步骤S10,当预定值未达到变异概率时对超出解空间范围的灰狼个体作随机重置处理,即将超出解空间边界的灰狼个体解空间位置定义到所述解空间内。
步骤S11,重新计算每个灰狼个体的适应度值。
步骤S12,若当前迭代次数未达到预定迭代次数时,则令迭代次数加一并再次执行步骤S7。
步骤S13,若当前迭代次数达到所述预定迭代次数时,则利用适应度值最优的灰狼个体的解空间位置优化支持向量机的参数,并利用参数优化后的支持向量机进行电机轴承的故障诊断。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进灰狼优化算法的电机轴承故障诊断方法,其特征在于,包括以下步骤:
采集电机轴承的振动信号样本进行特征提取得到对应的特征向量;
定义解空间和适应度函数,初始化灰狼优化算法,通过特征向量训练和测试每个支持向量机参数,每个支持向量机参数分别对应灰狼优化算法中每个灰狼个体在一维空间内的灰狼个***置;
采用Skew Tent映射初始化种群,将每个灰狼个体在一维空间的灰狼个***置映射到所述解空间中得到对应的解空间位置;
利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值;
根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置;
确定当前迭代次数对应的变异概率,当预定值达到所述变异概率时对灰狼个体执行自适应差分变异操作,当所述预定值未达到所述变异概率时对超出解空间范围的灰狼个体作随机重置处理;
重新计算每个灰狼个体的适应度值,若当前迭代次数未达到预定迭代次数时,则令迭代次数加一并再次执行所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新灰狼个体的解空间位置的步骤;
若当前迭代次数达到所述预定迭代次数时,则将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数,并利用参数优化后的支持向量机进行电机轴承的故障诊断。
3.根据权利要求1所述的方法,其特征在于,所述利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值,包括:
将所述振动信号样本分为训练集和测试集,用所述训练集训练每个灰狼个体对应的支持向量机,并将所述测试集输入到所述支持向量机中进行测试,将得到的准确率的倒数作为所述灰狼个体的适应度值。
4.根据权利要求1所述的方法,其特征在于,所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置,包括:
选取当前迭代次数下计算得到的适应度值最优的若干个灰狼个体作为目标灰狼个体并确定每个所述目标灰狼个体的解空间位置;选取历史各次迭代中适应度值最优的一个灰狼个体作为历史最优灰狼个体并确定所述历史最优灰狼个体的解空间位置;
基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量;
基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量;
基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量;
根据每个待更新灰狼个体对应的精英决策位置分量、社会学习位置分量和个体经验位置分量确定所述待更新灰狼个体的更新后的解空间位置。
5.根据权利要求4所述的方法,其特征在于,所述基于灰狼优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的精英决策位置分量,包括对于每个待更新灰狼个体按照如下公式进行计算:
M(t)=N(t)-A·|C·N(t)-X(t)|;
式中t为当前迭代次数,A为收敛因子,C为摆动因子,X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置,N(t)为第t次迭代时提取得到的目标灰狼个体解空间位置,M(t)为第t次迭代时计算得到的所述待更新灰狼个体对应的精英决策位置分量;
其中收敛因子A的计算公式为:
A=2a·r1-a;
式中a为距离控制参数,r1为(0,1)之间的随机数,
其中摆动因子C的计算公式为:
C=2·r2;
式中r2为(0,1)之间的随机数,
所述距离控制参数a的计算公式为:
式中ainitial和afinal为距离控制参数的初始值和终止值,Tmax为预定迭代次数。
6.根据权利要求4所述的方法,其特征在于,所述基于教学优化算法根据各个所述目标灰狼个体的解空间位置得到每个待更新灰狼个体对应的社会学习位置分量,包括:
按照如下公式计算社会学习位置分量T(t):
T(t)=N(t)-TF·Xaverage(t);
式中Xaverage(t)为第t代时所有灰狼个体的解空间位置计算得到的种群平均解空间位置,N(t)第t次迭代时提取得到的目标灰狼个体解空间位置,
其中教学因子TF的计算公式为:
TF=round[1+rand(0,1)];
函数round()表示进行四舍五入运算,函数rand()表示产生括号范围内的随机数。
7.根据权利要求4所述的方法,其特征在于,所述基于粒子群优化算法根据所述历史最优灰狼个体的解空间位置确定每个待更新灰狼个体对应的个体经验位置分量,包括按照如下公式计算个体经验位置分量R为:
R=Xbest-X(t);
式中Xbest为所述历史最优灰狼个体的解空间位置,X(t)为所述待更新灰狼个体的第t次迭代时的解空间位置。
10.根据权利要求1所述的方法,其特征在于,所述对超出解空间范围的灰狼个体作随机重置处理,包括:将超出解空间边界的灰狼个体解空间位置定义到所述解空间内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934260.1A CN112052934B (zh) | 2020-09-08 | 2020-09-08 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934260.1A CN112052934B (zh) | 2020-09-08 | 2020-09-08 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052934A true CN112052934A (zh) | 2020-12-08 |
CN112052934B CN112052934B (zh) | 2024-03-01 |
Family
ID=73611309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934260.1A Active CN112052934B (zh) | 2020-09-08 | 2020-09-08 | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052934B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970049A (zh) * | 2021-10-13 | 2022-08-30 | 哈尔滨理工大学 | 一种轴承预紧力可变的电主轴热误差预测方法 |
CN115859196A (zh) * | 2023-01-31 | 2023-03-28 | 北京智芯微电子科技有限公司 | 基于scgwo-df的智能电表故障诊断方法与*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408083A (zh) * | 2016-09-27 | 2017-02-15 | 江南大学 | 一种基于进化知识融合的多目标人工蜂群算法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN110132596A (zh) * | 2019-04-24 | 2019-08-16 | 昆明理工大学 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
-
2020
- 2020-09-08 CN CN202010934260.1A patent/CN112052934B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408083A (zh) * | 2016-09-27 | 2017-02-15 | 江南大学 | 一种基于进化知识融合的多目标人工蜂群算法 |
CN107084854A (zh) * | 2017-04-17 | 2017-08-22 | 四川大学 | 基于灰狼优化算法的自适应随机共振早期故障诊断方法 |
CN110132596A (zh) * | 2019-04-24 | 2019-08-16 | 昆明理工大学 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
王志华;罗齐;刘绍廷;: "基于混沌灰狼优化算法的SVM分类器研究", 计算机工程与科学, no. 11, 15 November 2018 (2018-11-15) * |
郑小霞;钱轶群;王帅;赵坤;: "改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用", 机械传动, no. 06, 12 June 2020 (2020-06-12) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970049A (zh) * | 2021-10-13 | 2022-08-30 | 哈尔滨理工大学 | 一种轴承预紧力可变的电主轴热误差预测方法 |
CN114970049B (zh) * | 2021-10-13 | 2023-09-26 | 哈尔滨理工大学 | 一种轴承预紧力可变的电主轴热误差预测方法 |
CN115859196A (zh) * | 2023-01-31 | 2023-03-28 | 北京智芯微电子科技有限公司 | 基于scgwo-df的智能电表故障诊断方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN112052934B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
Xie et al. | Imbalanced learning for fault diagnosis problem of rotating machinery based on generative adversarial networks | |
CN105320945A (zh) | 图像分类的方法及装置 | |
CN109186964B (zh) | 基于角度重采样与roc-svm的旋转机械故障诊断方法 | |
CN115017945A (zh) | 基于增强型卷积神经网络的机械故障诊断方法和诊断*** | |
CN112052934A (zh) | 一种基于改进灰狼优化算法的电机轴承故障诊断方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN111079805A (zh) | 一种结合注意力机制及信息熵最小化的异常图像检测方法 | |
CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114626435A (zh) | 一种高准确率的滚动轴承智能故障特征选择方法 | |
Cui et al. | Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample | |
Yang et al. | Pseudo-representation labeling semi-supervised learning | |
CN113627538B (zh) | 训练非对称生成对抗网络产生图像的方法及电子装置 | |
CN113279994B (zh) | 基于支持向量机和二型模糊的离心式氮压机故障诊断方法 | |
CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
CN113361635A (zh) | 基于表示预测的小样本类增量学习方法 | |
CN110942104B (zh) | 用于泡沫浮选工况识别过程的混合特征选择方法及*** | |
CN110942089B (zh) | 一种基于多级决策的击键识别方法 | |
CN112862767A (zh) | 基于度量学***衡样本的表面缺陷检测方法 | |
CN114088400B (zh) | 一种基于包络排列熵的滚动轴承故障诊断方法 | |
US20230037782A1 (en) | Method for training asymmetric generative adversarial network to generate image and electric apparatus using the same |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |