基于CFOA-MKHSVM的滚动轴承健康状态评估方法，属于轴承故障评估技术领域。本发明专利技术是为了更有效评估滚动轴承性能退化程度。本发明专利技术方法先提取轴承振动信号的时域、频域统计特征及基于小波包的时频特征。针对滚动轴承各状态数据分布不均匀、数据异构的问题，采用超球体支持向量机识别并进行多核凸组合优化。为消除人为选择分类器多参数的盲目性，以及容易选入局部最优问题，将果蝇算法与混沌理论相结合，对多参数进行寻优。同时构建混沌优化果蝇算法——多核超球体支持向量机CFOA-MKHSVM模型，并提出归一化差别系数评估指标。经实验，与SVDD算法评估指标进行对比，验证了所提指标的有效性，实现了滚动轴承健康状态的定量评估。
【技术实现步骤摘要】
本专利技术涉及一种滚动轴承健康状态评估方法，属于轴承故障评估
技术介绍
滚动轴承是机械设备的关键旋转部件，是最容易受损的部件之一，其运行状态直接影响整台设备的工作状况[1]。滚动轴承的性能退化评估是以故障诊断技术为基础的进一步深入，通过从完好状态到一系列不同退化状态的整个过程进行描述建模，进而实现滚动轴承健康状态的定量评估[2-3]。滚动轴承性能退化评估技术的研究已得到众多学者的重视，美国成立的智能维护系统研究中心、英国曼彻斯特大学、南安普顿大学、剑桥大学以及国内的部分科研院所和大学，都在机械设备的损伤识别和健康状态评估方面展开了研究工作；文献[4]提出了基于自组织映射和BP神经网络的滚动轴承健康状态评估方法；文献[5]提出一种结合希尔伯特黄变换、支持向量机(SupportVectorsMachine，SVM)和支持向量回归机(SupportVectorRegression，SVR)的滚动轴承健康状态监测方法，获得了较好效果；文献[6]将经验模态分解(EmpiricalModeDecomposition，EMD)与神经网络相结合实现了对滚动轴承缺陷分类及健康状态评估；文献[7-8]利用SVM和SVR相结合以及数据驱动和经验驱动的方法相结合来实现轴承退化状态的检测。文献[9]利用小波包结合EMD进行滚动轴承振动信号特征提取，再采用自组织映射神经网络实现轴承的性能退化评估，与传统的特征指标进行对比体现出一定的优势。文献[10]提出了基于小波包分解和支持向量数据描述(SupportVectorDataDescription,SVDD)的滚动轴承性能退化评估方法，实现了滚动轴承全寿命周期性能退化评估。文献[11]在此基础上又提出了一种基于提升小波包分解和模糊的C–均值轴承性能退化程度评估方法。文献[12]将双谱技术结合SVDD，提出了到超球面距离的退化指标，实验验证了方法的有效性。实际上，上述部分文献是对滚动轴承各性能退化状态的智能定量评估，其蕴藏着对各性能退化状态的智能识别问题，只是在智能识别的过程中如何提炼并建立可有效评估的指标。SVM在智能识别中扮演着重要的角色，对于多分类问题，超球体支持向量机具有独特的优势，文献[13]中将优化后的集合EMD与超球体多类支持向量机结合，实现了滚动轴承正常状态以及不同故障位置不同退化程度的综合诊断，但不能对轴承的性能退化程度进行定量评估，同时，采用网格法获取分类的参数有待进一步改进。滚动轴承正常状态振动数据和不同故障程度振动数据在样本数量上，往往是不均匀的、异构的，因此，采用单核的分类器将样本映射到某一高维空间，识别效果不佳。因此，可构建多核核函数的凸组合来代替单核核函数解决该问题。文献[14]采用多核SVM对滚动轴承不同状态进行分类，获得了较好效果。分类器参数的选取直接影响其性能，智能优化算法的研究一直受学者们的重视。文献[15]运用遗传算法(GeneticAlgorithms,GA)对SVM参数选取问题进行研究，对滚动轴承故障诊断获得了较好效果。文献[16]提出一种基于层次熵分析的特征提取方法，并利用粒子群算法(ParticleSwarmOptimization,PSO)优化的SVM对滚动轴承进行故障诊断。文献[17]提出了一种混沌优化果蝇算法(ChaosFruitFlyOptimizationAlgorithm，CFOA)，利用混沌系统的遍历性，可解决果蝇优化算法不易跳出局部最优解的问题。现有的基于支持向量数据描述(SupportVectorDataDescription,SVDD)的滚动轴承性能退化评估技术中无法正确评估轴承深度退化状态、且当出现故障后故障点又被磨的相对平滑的服役阶段时，SVDD评估指标在下凹阶段与初始故障状态的评估值重叠范围较大，且下凹趋势过大，非常容易产生状态识别错误的问题。现有技术中没有提出通过构建CFOA-MKHSVM模型来评估滚动轴承健康状态。
技术实现思路
本专利技术为了更有效评估滚动轴承性能退化程度，提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。本专利技术为解决上述技术问题采取的技术方案是：一种基于CFOA-MKHSVM的滚动轴承健康状态评估方法，所述方法是按照以下步骤实现的：步骤一、获取滚动轴承全寿命周期振动数据，并将其分成两部分，一部分作为训练样本，一部分测试样本，且训练样本的数量大于测试样本；步骤二、构建CFOA-MKHSVM模型：步骤二一、特征提取：对训练样本提取时域统计指标、频域统计指标以及小波包相关频带谱能量熵的时频指标(此技术手段为现有技术，参照文献[19-21])作为特征指标，每个训练样本提取的特征指标构成训练特征向量，由所有的训练特征向量组成训练向量特征集，特征集中的某个特征向量记为z；采用与训练样本相同的特征提取方法，提取测试样本的特征，构造由测试向量组成的测试向量特征集；步骤二二、超球体支持向量机(HSVM)的多核核函数构造：利用高斯径向基核函数构造多核核函数：Kmix=λKrbf,σ1+(1-λ)Krbf,σ2---(10)]]>式中，核参数σ为核函数宽度；xi、xj分别表示构造训练特征集中的第i和j个特征向量(每个特征向量由特征指标构成)；Krbf代表高斯径向基核函数，引入参数λ来控制两种核函数之间的权值，λ的取值范围是λ∈[0,1]；当λ＝1时，多核核函数退化为核函数宽度为σ1的单核径向基核函数；当λ＝0时，多核核函数退化为核函数宽度为σ2的单核径向基核函数；经多核构造后，超球体支持向量机(HSVM)即为多核超球体支持向量机(MKHSVM)；步骤二三、多核HSVM(MKHSVM)分类规则的确定：将所构造的多核核函数Kmix代入HSVM的优化最小超球的式中得到：寻找最小超球体的过程转变为以下的优化maxL(αik)=ΣiαikKmix(xik,xik)-Σi,jαikαjkKmix(xik,xjk)s.t.Σiαik=10≤αik≤Cki=1,2,...,lk---(11)]]>式中，k表示第k个超球，且k＝1,2,…,m，m表示超球的类别数；为Lagrange乘子，Ck为惩罚系数，lk表示每个特征向量中的特征指标个数；训练特征向量z到第k类超球球心ak的距离的平方Dmix(z,ak)定义为：...
【技术保护点】
一种基于CFOA‑MKHSVM的滚动轴承健康状态评估方法，其特征在于：所述方法是按照以下步骤实现的：步骤一、获取滚动轴承全寿命周期振动数据，并将其分成两部分，一部分作为训练样本，一部分测试样本，且训练样本的数量大于测试样本；步骤二、构建CFOA‑MKHSVM模型：步骤二一、特征提取：对训练样本提取时域统计指标、频域统计指标以及小波包相关频带谱能量熵的时频指标作为特征指标，每个训练样本提取的特征指标构成训练特征向量，由所有的训练特征向量组成训练向量特征集，特征集中的某个特征向量记为z；采用与训练样本相同的特征提取方法，提取测试样本的特征，构造由测试向量组成的测试向量特征集；步骤二二、超球体支持向量机(HSVM)的多核核函数构造：利用高斯径向基核函数构造多核核函数：Kmix=λKrbf,σ1+(1-λ)Krbf,σ2---(10)]]>式中，核参数σ为核函数宽度；xi、xj分别表示构造训练特征集中的第i和j个特征向量，每个特征向量由特征指标构成；Krbf代表高斯径向基核函数，引入参数λ来控制两种核函数之间的权值，λ的取值范围是λ∈[0,1]；当λ＝1时，多核核函数退化为核函数宽度为σ1的单核径向基核函数；当λ＝0时，多核核函数退化为核函数宽度为σ2的单核径向基核函数；经多核构造后，超球体支持向量机(HSVM)即为多核超球体支持向量机(MKHSVM)；步骤二三、多核HSVM(MKHSVM)分类规则的确定：将所构造的多核核函数Kmix代入HSVM的优化最小超球的式中得到：寻找最小超球体的过程转变为以下的优化max L(αik)=ΣiαikKmix(xik,xik)-Σi,jαikαjkKmix(xik,xjk)s.t.Σiαik=10≤αik≤Cki=1,2,...,lk---(11)]]>式中，k表示第k个超球，且k＝1,2,…,m，m表示超球的类别数；为Lagrange乘子，Ck为惩罚系数，lk表示每个特征向量中的特征指标个数；训练特征向量z到第k类超球球心ak的距离的平方Dmix(z,ak)定义为：Dmix(z,ak)=Σi,jαikαjkKmix(xik,xjk)-2ΣiαikKmix(xik,z)+Kmix(z,z)---(12)]]>第k类超球的半径可由该球表面上的支持向量z′计算得到，即z是训练特征向量中泛泛的一个，所述xi和xj是代指训练特征向量中的第i和第j个，i和j可取到全部；基于式(12)多核改进分类规则：如训练特征向量z不包含在M区域，则：f1(z)=argmink=1m(Dmix(z,ak)-Rk2)---(13)]]>如z包含在M区域并且集合I为空，则：f2(z)=argminxp∈I(Dmix(z,ak)Rk)---(14)]]>如z包含在M区域并且集合I不为空，则：f3(z)=argminxp∈I(Dmix_MI(z,xp))---(15)]]>式中，xp是集合I中的样本点，样本点z的归属采用Dmix_MI(z,xp)作为相似性的度量，采用下式进行计算：Dmix_MI(z,xp)＝Kmix(xp,xp)‑2Kmix(xp,z)+Kmix(z,z) (16)区域M是各超球内相交邻近空间，由参数β进行控制；对于M区域的确定问题，由于M区域是动态变化的，引入参数β进行控制，判断训练或测试特征向量z*在M区域应满足：Dmix(z*,ai)≤Ri]]>且βDmix(z*,aj)<Rj,]]>或者，Dmix(z*,aj)≤Rj]]>且i＝1,2,…,m，j＝1,2,…,m，并且i≠j，β∈[0,1]；定义式(13)或(14)或(15)中的变量结构或或Dmix_MI(z,xp)为差别系数Dk,；步骤二四、利用混沌优化果蝇算法对MKHSVM中的多参数进行寻优，构建CFOA‑MKHSVM模型：将训练准确率作为CFOA中的适应度函数，对MKHSVM模型中的5个参数同时进行优化，CFOA‑MKHSVM模型建立的主要步骤为：(1)初始化CFOA参数：基于混沌系统产生混沌序列初始化果蝇个体位置，并设定种群规模Sizepop和最大迭代步数genmax；由于需要优化MKHSVM中的惩罚系数C、核参数σ1、核参数σ2、M区域控制参数β以及权值系数λ，所以取5个基于混沌序列的果蝇个体坐标，得到初始坐标以及(2)根据嗅觉觅食行为，对每个果蝇个体赋予基于混沌搜索技术的飞行方向和步长，得到和并计算果蝇个体与原点之间距离，得到味道浓度判定值和(3)...
【技术特征摘要】
1.一种基于CFOA-MKHSVM的滚动轴承健康状态评估方法，其特征在于：所述方法是按照
以下步骤实现的：
步骤一、获取滚动轴承全寿命周期振动数据，并将其分成两部分，一部分作为训练样
本，一部分测试样本，且训练样本的数量大于测试样本；
步骤二、构建CFOA-MKHSVM模型：
步骤二一、特征提取：
对训练样本提取时域统计指标、频域统计指标以及小波包相关频带谱能量熵的时频指
标作为特征指标，每个训练样本提取的特征指标构成训练特征向量，由所有的训练特征向
量组成训练向量特征集，特征集中的某个特征向量记为z；
采用与训练样本相同的特征提取方法，提取测试样本的特征，构造由测试向量组成的
测试向量特征集；
步骤二二、超球体支持向量机(HSVM)的多核核函数构造：
利用高斯径向基核函数构造多核核函数：
Kmix=λKrbf,σ1+(1-λ)Krbf,σ2---(10)]]>式中，核参数σ为核函数宽度；xi、xj分别表示构造训练特征集中的第i和j个特征向量，
每个特征向量由特征指标构成；
Krbf代表高斯径向基核函数，引入参数λ来控制两种核函数之间的权值，λ的取值范围是
λ∈[0,1]；当λ＝1时，多核核函数退化为核函数宽度为σ1的单核径向基核函数；当λ＝0时，
多核核函数退化为核函数宽度为σ2的单核径向基核函数；
经多核构造后，超球体支持向量机(HSVM)即为多核超球体支持向量机(MKHSVM)；
步骤二三、多核HSVM(MKHSVM)分类规则的确定：
将所构造的多核核函数Kmix代入HSVM的优化最小超球的式中得到：寻找最小超球体的
过程转变为以下的优化
maxL(αik)=ΣiαikKmix(xik,xik)-Σi,jαikαjkKmix(xik,xjk)s.t.Σiαik=10≤αik≤Cki=1,2,...,lk---(11)]]>式中，k表示第k个超球，且k＝1,2,…,m，m表示超球的类别数；为Lagrange乘子，Ck为
惩罚系数，lk表示每个特征向量中的特征指标个数；
训练特征向量z到第k类超球球心ak的距离的平方Dmix(z,ak)定义为：
Dmix(z,ak)=Σi,jαikαjkKmix(xik,xjk)-2ΣiαikKmix(xik,z)+Kmix(z,z)---(12)]]>第k类超球的半径可由该球表面上的支持向量z′计算得到，即z是训练特征向量中泛泛的一个，所述xi和xj是代指训练特征向量中的第i和第j个，i和
j可取到全部；
基于式(12)多核改进分类规则：
如训练特征向量z不包含在M区域，则：
f1(z)=argmink=1m(Dmix(z,ak)-Rk2)---(13)]]>如z包含在M区域并且集合I为空，则：
f2(z)=argminxp∈I(Dmix(z,ak)Rk)---(14)]]>如z包含在M区域并且集合I不为空，则：
f3(z)=argminxp∈I(Dmix_MI(z,xp))---(15)]]>式中，xp是集合I中的
样本点，样本点z的归属采用Dmix_MI(z,xp)作为相似性的度量，采用下式进行计算：
Dmix_MI(z,xp)＝Kmix(xp,xp)-2Kmix(xp,z)+Kmix(z,z)(16)
区域M是各超球内相交邻近空间，由参数β进行控制；
对于M区域的确定问题，由于M区域是动态变化的，引入参数β进行控制，判断训练或测
试特征向量z*在M区域应满足：Dmix(z*,ai)≤Ri]]>且βDmix(z*,aj)<Rj,]]>或者，Dmix(z*,aj)...
【专利技术属性】
技术研发人员：康守强，王玉静，柳长源，郑建禹，于春雨，兰朝凤，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。