多重回归LSSVM模型在机械并发故障诊断中的应用

摘要

本发明公开了一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括如下步骤：步骤一，采集数据；步骤二，提取和处理特征参数；步骤三，建立多重回归LSSVM故障诊断模型；步骤四，确定故障类型编码及参数；步骤五，构建多重回归LSSVM；步骤六，搜索最佳参数；步骤七，识别故障类型。本发明提出将多重回归最小二乘支持向量机(LSSVM)应用于旋转机械并发故障诊断中，并提出用改进的粒子群算法优化诊断模型。

说明书

技术领域

本发明属于机械故障诊断技术领域，具体涉及一种多重回归LSSVM模型在机械并发故障诊断中的应用。

背景技术

旋转机械是机械设备中最常见的动力系统之一，它被普遍运用到工业生产的诸多领域。旋转机械的设备状况直接关系着企业经济利益及工人生命安全，故障诊断技术能有效的避免重大损失和灾难性后果，在故障形成后及时地识别故障类型并维护设备安全是故障诊断的主要目的。并发故障是目前故障诊断技术研究的热点课题，机械设备的复杂性及故障相关性给并发故障诊断带来了诸多困难。

发明内容

针对现有技术中存在的上述问题，本发明提供了一种多重回归LSSVM模型在机械并发故障诊断中的应用，提出将多重回归最小二乘支持向量机(LSSVM)应用于旋转机械并发故障诊断中，并提出用改进的粒子群算法优化诊断模型。

为此，本发明采用了以下技术方案：

一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括如下步骤：

步骤一，采集数据；

步骤二，提取和处理特征参数；

步骤三，建立多重回归LSSVM故障诊断模型；

步骤四，确定故障类型编码及参数；

步骤五，构建多重回归LSSVM；

步骤六，搜索最佳参数；

步骤七，识别故障类型。

优选地，步骤一的具体过程如下：对正常和故障下的振动信号分别进行采集，采集的数据包括单一故障类型和并发故障类型，采集得到的模拟数据通过A/D转换器转换成数字信号并输入计算机。

进一步地，数据采集过程中采样频率为2048Hz，转子转速为6000rpm；所述单一故障类型包括转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏，所述并发故障类型包括不平衡-不对中、不平衡-内圈损坏、不平衡-外圈损坏组合故障；截取各类故障所采集数据的中间部分作为待处理数据。

优选地，步骤二的具体过程如下：根据信号的时频域分析理论为基础，从时域和频域两个角度选取特征参数；对各特征值进行归一化处理，将数值映射到[0,1]范围内。

优选地，步骤三的具体过程如下：首先，对收集的故障振动信号经过时频域特征提取方法得到多个特征指标，根据特征指标以及待识别的故障类型确定多重回归LSSVM的关键参数及具体维数；然后用改进后的粒子群算法对多重回归LSSVM的关键参数进行寻优，将特征指标作为多重回归LSSVM的输入训练算法模型，对测试数据在算法模型中的输出结果进行故障判别，最终得到诊断结果。

优选地，步骤四的具体过程如下：选取单一故障类型以及它们的并发故障类型，将单一故障类型和并发故障类型分别编码，其中正常类型看做是一种特殊的故障类型；对时域指标性能和特征指标数据分别进行评定，并制成表格，所有故障类型及其编码制成表格。

优选地，步骤五的具体步骤如下：提取振动信号的若干个时频域指标，由这些指标组成一个特征向量作为算法的输入；在采集的故障数据中，一组特征向量都有唯一确定的故障类型f(X)与之对应，对于多重回归LSSVM的输出来说，f(X)需要编码成多维向量，用来表示具体的故障类型，向量维数与多重回归LSSVM的问题维数相同；

将所有数据样本分成两组，一组作为训练集，另一组作为测试集，并且保证训练集多于测试集，训练集中必须包含所有故障类型的数据；将多重回归LSSVM看成是多个并列的LSSVM，即LSSVM₀,LSSVM₁,…,LSSVM_i，第i个最小二乘支持向量机LSSVM_i只负责判断第i类单一故障类型是否存在，用所有数据训练每一维的LSSVM；在训练LSSVM_i时，将包含第i类单一故障的故障类型看成是同一类，输出1；将不包含第i类故障的故障类型看成是另一类，输出0；在多重回归LSSVM的数学模型中，除了每一维的LSSVM具有各自惩罚因子外，还有针对于总体样本的惩罚因子，因此，比简单的并列多个LSSVM的运算更为复杂；构建多重回归LSSVM时，故障类型对应的算法输出f(X)＝[d₀,d₁,…,d₄]的编码规则制成表格。

进一步地，所述时频域指标包括峭度、峰值、脉冲、波形、裕度、均方根和标准差，这7个指标组成一个7维向量X＝[x₁,x₂,…,x₇]作为算法的输入；f(X)的具体编码方式如下：令f(X)＝[d₀,d₁,…,d₄]，在机械设备正常运转的状态下，d₀＝1,d_i＝0，其中i≠0；若出现某单一故障d_m，则d_m＝1,d_i＝0，且i≠m；如果同时发生多种故障，故障集为h，若d_i∈h，则d_i＝1，若则d_i＝0。

优选地，步骤六的具体过程如下：结合粒子群算法良好的搜索性能，对多重回归LSSVM进行参数搜索，确定关键参数组{C₀,C₁,…,C₅,δ₁,…,δ₅}后，使用改进的粒子群算法对参数组进行寻优，粒子个体的编码以及粒子群算法中所有需指定的参数制成表格。

优选地，步骤七的具体过程如下：将多重回归LSSVM的输出值与故障类型之间建立一对一的关系；在训练算法时，若故障类型存在，则输出1；否则输出0；对于回归预测值来说，越趋近于1代表故障类型存在，越趋近于0代表故障类型不存在；需要确定阈值λ来界定故障发生与否，若预测值大于或等于λ，则代表故障存在；否则故障不存在；阈值λ的选取可以通过移动法确定，即在指定区间内移动阈值的取值，通过对比不同阈值下的故障诊断率，选择故障诊断率最高的阈值作为故障识别的阈值。

与现有技术相比，本发明的有益效果是：

(1)提出用改进粒子群算法优化多重回归LSSVM中关键参数的优化方法。利用粒子群算法高效、快速的搜索性能，将多重回归LSSVM中的关键参数编码成粒子个体，用改进的粒子群算法在解空间内搜索，最终得到让训练样本总体拟合误差最小的参数组，从而达到优化目的，提高模型的预测能力。

(2)为旋转机械并发故障诊断提供了新方法。根据采集的样本数据训练得到的多重回归LSSVM模型对旋转机械并发故障的识别效果良好，且经过本技术方法优化后的模型诊断率能得到一定程度的提升，同时也说明了支持向量机的推广在机械并发故障诊断领域中仍然适用。

(3)改进的粒子群算法优化多重回归LSSVM方法具有可行性与有效性，准确率高。

(4)利用JAVA与Matlab混合编程技术，可以设计并实现基于B/S架构的故障诊断仿真实验平台，从而更好地将本技术研究内容与实际工程领域相结合。

附图说明

图1是本发明实施例所提供的多功能转子试验台的结构组成示意图。

图2是振动信号采集分布图。

图3是基于优化的多重回归LSSVM故障诊断模型。

图4是故障诊断模型预测值条形图。

图5是诊断率随阈值变化曲线。

图6是故障诊断放置实验平台的功能模块图。

图7是故障振动信号管理界面。

图8是特征提取界面。

图9是故障诊断模型训练界面。

图10是故障诊断界面。

具体实施方式

下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

实施例

一种多重回归LSSVM模型在机械并发故障诊断中的应用，包括以下步骤：

(1)数据采集。本发明来源于柳州五菱汽车股份有限公司提供的校企合作项目，本技术中的数据采集自南京东大测振仪器厂生产的ZT-3型多功能转子故障模拟实验台，该实验台能模拟转子动力系统中各种常见故障。实验台的结构图如图1所示。在转子实验台上对正常和故障下的振动信号分别进行采集。采样频率为2048Hz，转子转速为6000rpm，采集得到的模拟数据通过A/D转换器同步转换成数字信号并输入计算机。其中，选取的单一故障类型包括转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏，并发故障类型包括不平衡-不对中、不平衡-内圈损坏、不平衡-外圈损坏等多种组合故障。表1列举了所采集的故障类型。考虑到设备启动及关闭时转速不均匀可能造成的影响，截取各类故障所采集数据的中间部分作为待处理数据。将信号数据以2500个数据点为单位，绘制出所有故障类型下的信号振动图，如图2所示。

表1所有采集的故障类型列表

(2)特征提取及处理。根据信号的时频域分析理论为基础，从时域和频域两个角度选取特征参数。由于时域和频域指标公式所计算出来的特征值不在同一计算尺度内，必须对各特征值进行归一化处理，将数值映射到[0,1]范围内，从而简化后续的计算。

(3)建立基于优化的多重回归LSSVM的故障诊断模型。模型如图3所示。将基于改进粒子群优化的多重回归LSSVM算法应用到故障诊断技术的故障分类与识别阶段，该模型能够支持并发故障的诊断。首先，对传感器收集的故障振动信号经过时频域特征提取方法得到多个特征指标，根据特征指标以及待识别的故障类型确定多重回归LSSVM的关键参数及具体维数；然后用改进后的粒子群算法对多重回归LSSVM的关键参数进行寻优，将特征指标作为多重回归LSSVM的输入训练算法模型，对测试数据在算法模型中的输出结果进行故障判别，最终得到诊断结果。

(4)故障类型编码及参数确定。取了四种单一故障类型(转子不平衡、转子不对中、轴承内圈损坏和轴承外圈损坏)以及它们的并发故障类型。将四种单一故障类型分别编码成d₁,d₂,d₃,d₄，若同时出现两种或多种故障的情况，例如故障类型为不平衡-不对中，即同时出现了d₁和d₂，可以简写成d₁₂。其中，正常类型看成是一种特殊的故障类型，编码为d₀。时域指标性能评定表如表2所示，特征指标数据表如表3所示，所有故障类型及其编码见表4。

表2时域指标性能评定表

表3特征指标数据表

表4故障类型及编码表

(5)构建多重回归LSSVM。

多重回归LSSVM的构建首先需要确定算法的输入和输出。本技术中提取振动信号的7个时频域指标(峭度、峰值、脉冲、波形、裕度、均方根和标准差)，由这7个指标组成一个7维向量X＝[x₁,x₂,…,x₇]作为算法的输入。在采集的故障数据中，一组特征向量都有唯一确定的故障类型f(X)与之对应,对于多重回归LSSVM的输出来说，f(X)需要编码成多维向量，用来表示具体的故障类型，向量维数与多重回归LSSVM的问题维数相同。f(X)的具体编码方式如下：

令f(X)＝[d₀,d₁,…,d₄]，在机械设备正常运转的状态下，d₀＝1,d_i＝0，其中i≠0；若出现某单一故障d_m，则d_m＝1,d_i＝0，且i≠m；如果同时发生多种故障，故障集为h，若d_i∈h，则d_i＝1，若则d_i＝0。

将所有数据样本分成两组，一组作为训练集，另一组作为测试集，并且保证训练集多于测试集，训练集中必须包含所有故障类型的数据。我们都知道，LSSVM适用于做二分类，为了更好的理解多重回归LSSVM的分类机理，可将多重回归LSSVM看成是多个并列的LSSVM，即LSSVM₀,LSSVM₁,…,LSSVM_i，第i个最小二乘支持向量机LSSVM_i只负责判断第i类单一故障类型是否存在，用所有数据训练每一维的LSSVM。在训练LSSVM_i时，将包含第i类单一故障的故障类型看成是同一类，输出1；将不包含第类故障的故障类型看成是另一类，输出0。在多重回归LSSVM的数学模型中，除了每一维的LSSVM具有各自惩罚因子外，还有针对于总体样本的惩罚因子，因此，比简单的并列多个LSSVM的运算更为复杂。构建多重回归LSSVM时，故障类型对应的算法输出f(X)＝[d₀,d₁,…,d₄]的编码规则见表5。故障诊断模型预测值条形图如图4所示。

表5故障类型输出f(X)编码表

(6)最佳参数搜索。结合粒子群算法良好的搜索性能，对多重回归LSSVM进行参数搜索，确定关键参数组{C₀,C₁,…,C₅,δ₁,…,δ₅}后，使用改进的粒子群算法对参数组进行寻优。粒子个体的编码以及粒子群算法中所有需指定的参数如表6所示。

表6粒子群初始化参数表

(7)故障类型识别。判断是否存在某种故障是确定性问题，诊断结果只有两种可能(存在或不存在某种故障)，因此需要将多重回归LSSVM的输出值与故障类型之间建立一对一的关系。在训练算法时，若故障类型存在，则输出1；否则输出0。对于回归预测值来说，越趋近于1代表故障类型存在，越趋近于0代表故障类型不存在。因此，需要确定阈值λ来界定故障发生与否，若预测值大于或等于λ，则代表故障存在；否则故障不存在。阈值λ的选取可以通过移动法确定，即在指定区间内移动阈值的取值，通过对比不同阈值下的故障诊断率，选择故障诊断率最高的阈值作为故障识别的阈值。诊断率随阈值变化的曲线如图5所示。

本技术以旋转机械的故障诊断为应用场景，将参数寻优后的多重回归LSSVM分类模型应用于旋转机械的故障诊断中，并建立故障诊断模型。通过仿真实验，将多重回归LSSVM参数优化前后的故障诊断率进行对比。

通过实验验证，改进的粒子群算法优化多重回归LSSVM方法的可行性与有效性，准确率高。

最后，以本文提出的故障诊断模型为核心，设计出基于B/S架构的故障诊断仿真实验平台，以便更好地应用到实际工程领域中。图6是故障诊断放置实验平台的功能模块图，图7是故障振动信号管理界面，图8是特征提取界面，图9是故障诊断模型训练界面，图10是故障诊断界面。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。