基于GA优化SVM的滚动轴承故障诊断方法研究

作者:胡勤;朱鸿斌;赵凯凯;覃爱淞 刊名:广东石油化工学院学报 上传者:王霞

【摘要】在滚动轴承故障诊断研究中;常采用时域、频域或者时频域分析方法对振动监测数据进行故障诊断;时域中的无量纲指标因对故障敏感;而被广泛运用于机械故障诊断中;但目前无量纲指标在诊断过程中存在严重重叠问题;造成诊断准确率低;为了解决这个问题;研究了基于互无量纲指标和支持向量机(SVM)结合的滚动轴承故障诊断方法;针对SVM对参数依赖性强;且在参数选择上没有系统理论而导致欠学习或过学习的问题;提出了一种基于遗传算法优化支持向量机(GA-SVM)的滚动轴承故障诊断方法;利用遗传算法进化搜索原理;以预测的准确率作为适应值;对SVM参数进行寻优;从而得到较优的支持向量机分类模型;实验表明;基于互无量纲指标和GA-SVM算法的故障诊断方法能够准确地识别旋转机械滚动轴承的状态;

全文阅读

滚动轴承是旋转机组当中最为重要的零件之一,也是比较容易受损的零件,其故障发生率较高。滚动轴承发生故障时,也会导致其他部件发生故障,严重影响设备的安全运行。因此有必要研究滚动轴承故障诊断方法实现快速准确识别其运行状态。目前,机组滚动轴承故障诊断的研究领域已掀起一股热潮,与此相关的理论技术发展非常迅速。在故障特征提取方面,广泛采用脉冲指标、峭度指标、裕度指标、波形指标和峰值指标等无量纲指标[1],但这些指标只对某些故障种类较为敏感,而对其他故障种类分类效果不理想[2]。文献[3,4]利用遗传编程方法对传统5种无量纲指标进行组合优化,通过构建新无量纲指标进行故障诊断,但该方法对于混叠程度较大的样本数据难以获得一个具有较好分类能力的无量纲指标。张清华等[5]提出了互无量纲数据的方法对数据进行处理,并将该方法应用于机组故障诊断,有效地解决了传统无量纲指标的混叠问题。SVM的理论基础是Vapnik所创建的统计学理论[6],其优势主要有较强的泛化能力以及能很好地解决小样本数据集和非线性问题。目前SVM成功地应用在机械故障诊断领域[7-9]。虽然SVM能够取得不错的效果,但是关于SVM相关参数的选取,并没有给出具体的方法[5]。基于此,本文提出了一种互无量纲指标和基于遗传算法优化的SVM的旋转机械滚动轴承故障诊断方法。利用遗传算法的全局寻优能力,以SVM的分类预测准确率作为遗传算法的适应度,求解SVM重要参数的最优值,从而得到分类准确率高、性能好的模型,并应用于滚动轴承故障诊断。 1 互无量纲指标 在实际中常用的无量纲指标有波形指标、峰值指标、裕度指标、脉冲指标、峭度指标等,因其对机组运行过程中的变化不敏感,而得到比较广泛的运用。但已有的无量纲指标的数量有限且形式简单,很难实现对旋转机组轴承的不同振动信号的准确描述,且目前存在的无量纲指标只对某些故障种类敏感,对其它故障的分类效果可能不好。针对传统无量纲指标存在的缺陷,本文构建新的无量纲指标即互无量纲指标,分别为:互波形指标、互脉冲指标、互裕度指标、互峰值指标和互峭度指标。具体的构建过程如下: 假设旋转机组运行过程中所收集到的振动信号为Z(t)。其中,在机组正常时振动信号为S(t)。当机组运作一段的时间,机组齿轮、轴承的元件发生了一定的老化和损坏,假设这些故障变化所对应的各种故障特征信号为x(t),那么实时采集的振动信号可表示为 Z(t)=cS(t-τ)+x(t)+ν(t) (1) 式中:cS(t-τ)为t-τ时刻的正常振动信号;ν(t)为高斯白噪声;c为常数,表示S(t)与检测器、放大器的灵敏度以及其他因素的关系。 从振动信号Z(t)中分析旋转机组所存在的故障,再对连续信号Z(t)和S(t)进行抽样,作进一步离散化处理,此时式(1)为 Z(k)=cS(k-k0)+x(k)+ν(k),k=1,2,3,… (2) 基于此,可以用信号分离的思想构建互无量纲指标。假设随机变量s是机组的正常状态信号,随机变量y是机组故障信号,在原有的无量纲指标的基础之上构建4个互无量纲指标,其互无量纲指标表示为 式中:p(·)为信号的概率密度函数。 对式(3)中l和n分别赋值,得到4个互无量纲指标。 式(3)中l=2,n=1时,可得互波形指标为 式(3)中l=∞,n=1时,可得互脉冲指标为 式(3)中时,可得互裕度指标为 式(3)中l=∞,n=2时,可得互峰值指标为 此外,依据原始峭度指标的表达式[1]可定义互峭度指标为 2 支持向量机原理 支持向量机的研究最初是针对线性数据二分类问题,即寻找一个最优分

参考文献

引证文献

问答

我要提问