一种基于FOA‑WSVDD的滚动轴承性能退化评估方法技术

编号:201710559685 阅读:18 评论( 0 )

本发明专利技术公开了一种基于FOA‑WSVDD的滚动轴承性能退化评估方法,其特征是:先提取轴承振动数据的时域及时频域的特征向量,并基于单调性进行特征选择;然后利用正常状态特征向量建立性能退化评估模型;针对高斯核函数对早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难问题,以支持向量个数与总样本数的比值为适应度函数,采用改进的FOA对其核参数进行优化,建立FOA‑WSVDD评估模型。最后计算轴承全生命周期振动数据的评估指标,以此来评估轴承的性能退化状况。相比基于高斯核函数建立的SVDD性能退化评估模型,基于FOA‑WSVDD的滚动轴承性能退化评估模型对轴承早期故障更为敏感,与故障程度之间的单调性更好,准确的反映出了轴承的健康状态。

微信分享本专利技术
微信扫一扫分享本专利技术到微信朋友圈,让更多的人了解这个技术。

全部详细技术资料下载

1 技术实现步骤摘要

一种基于FOA-WSVDD的滚动轴承性能退化评估方法
本专利技术属于轴承性能退化评估
,具体涉及一种基于FOA-WSVDD(FruitflyOptimizationAlgorithm-Waveletsupportvectordatadescription)的滚动轴承性能退化评估方法。
技术介绍
随着工业及科技水平的不断提高,机械设备不断在复杂、高效、轻型等方面进行改进,同时也面临更加苛刻的工作环境。一旦设备的关键部件出现故障,就可能会影响整个生产过程,造成巨大的经济损失,甚至会导致人员伤亡等问题。因此,设备维修正由传统的事后维修和计划维修向基于状态的视情维修转变,而作为建立合理维修策略的前提,设备性能退化评估也开始备受关注。滚动轴承作为旋转机械中的关键零部件之一,其性能状态的好坏直接影响整台设备的运行可靠性。一般来说,滚动轴承在使用过程中都会经历从正常到退化直至失效的过程,而这期间通常要经历一系列不同的性能退化状态。如果能够在滚动轴承性能退化的过程中监测到轴承性能退化的程度,那么就可以有针对性地组织生产和制定合理的维护计划,防止设备异常失效的发生。目前,对于滚动轴承运行状态的评估可以分为:特征指标法和评估模型法。特征指标法包括:时域指标、频域指标、时频指标。特征指标法能在一定程度上反映出轴承的运行状态,例如时域指标中的稳定性指标(如均方根值、方根幅值等)会随着故障发展而逐渐增大,但无法判断初始损伤的位置。而敏感性指标(如峭度指标)虽可以识别初始损伤的位置,但随着故障的发展会呈现先升后降的趋势,并不符合轴承故障程度的发展趋势。评估模型法就是综合选取各种特征指标,利用智能学习算法,建立性能退化评估模型,从而得到能够全面地反映滚动轴承性能退化过程的特征指标。常用的智能学习算法有逻辑回归(logisticregression,LR),支持向量数据描述(supportvectordatadescription,SVDD)等。LR算法在应用过程中,需要使用不同故障模式下的数据建立模型,限制了它的应用范围。SVDD算法仅需要少量正常状态的数据建模,在应用中具有较高的精度和较强的鲁棒性,克服了LR算法的缺点,得到了广泛的应用。但当数据具有多模态分布时,其精度会受到很大的影响,而且不能反映出信号的局部信息。
技术实现思路
本专利技术为了更及时准确地反映出轴承的早期退化状态,提出一种基于FOA-WSVDD的滚动轴承性能退化评估方法。为了实现上述目的,本专利技术通过如下技术方案实现:步骤(1):获取轴承正常状态下的振动数据,进行去噪和归一化预处理;提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;步骤(2):将FOA算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的FOA算法;步骤(3):将小波核函数引入到SVDD算法中,利用步骤(1)提取的特征向量建立WSVDD性能退化评估模型,并利用改进的FOA算法对WSVDD模型的核参数寻优;步骤(4):对轴承全生命周期振动数据同样根据步骤(1)的方法提取特征向量,并作为WSVDD模型的输入,计算特征向量距离超球中心的距离,以此作为轴承的性能退化评估指标;步骤(5):设置自适应报警阈值曲线,对轴承的早期退化状态做出及时准确的预警。步骤(6):利用基于经验模态分解和Hilbert包络解调的故障诊断方法验证评估结果进行的正确性。根据以上的技术方案,可以实现以下的有益效果:(1)本专利技术提取了轴承振动数据的时域及基于小波包的时频特征,并基于单调性进行特征选择,使最终的评估指标与故障程度之间具有良好的单调性;(2)本专利技术将小波核函数引入到SVDD算法中,构造了基于WSVDD算法的性能退化评估模型,相比于LR算法,本算法仅需要少量正常状态下的数据建模,克服了LR算法对故障模式下的数据的依赖;相比于SVDD算法,本算法对早期的故障更为敏感,更能及时的对早期故障作出预警;(3)本专利技术采用改进的FOA,以支持向量个数与总样本数的比值作为适应度函数,对SVDD算法的核参数进行优化,既避免了标准FOA寻优空间不足,易陷入局部最优的缺陷,又消除人为选择核参数的盲目性。附图说明图1本专利技术的实验装置示意图;图2本专利技术的具体操作流程。具体实施方式为使本专利技术的目的、技术方案和优点等更加清楚明白,以下结合实施例,并参照附图,对本专利技术进一步详细说明。一种基于FOA-WSVDD的滚动轴承性能退化评估方法,操作流程图如图2所示,所述方法包括以下步骤:步骤(1):提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;利用轴承1正常状态下的数据,提取其时域特征RMS(均方根)、AM(绝对值)、SMR(方根幅值)、Kurtosis(峭度)、Skewness(偏斜度)、Peak(峰值),利用db8小波对数据进行三层小波包分解,得到八个节点能量的归一化值,作为时频特征。由于轴承在使用过程中,性能逐渐退化,并且是不可恢复的,所以其性能变化应该是随着时间单调改变的。为了更准确高效的对退化性能进行评估,以单调性作为特征向量质量的评价指标进行特征选择,特征向量的单调性定义为:其中,x为去噪后的特征向量,K为特征向量的长度,为单位阶跃函数。计算出每个特征向量的单调性后,从中选取单调性较高的五个特征向量作为最终的特征向量。步骤(2):将FOA算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的FOA算法;改进的FOA算法是用来对核参数寻优的,步骤如下:1)参数初始化:初始化种群规模sizepop;最大迭代次数maxgen,果蝇群体初始位置X_axis、Y_axis、Z_axis,随机飞行范围[a,b];2)赋予果蝇个体搜索食物的飞行随机方向与距离:其中,β、η为调节因子,gen当前迭代次数。在寻优的初始阶段,为了增加果蝇种群的多样性,避免陷入局部最优,应增大随机飞行的距离,此时调节因子β大于1,记为β1。在寻优的第二阶段,为了增加寻优精度,随机飞行的距离应减少,此时调节因子β小于1,记为β2。3)计算每个个体与原点的距离Di以及味道浓度判断值Si:4)将味道浓度判断值Si代入味道浓度判断函数(适应度函数),求得果蝇个体的味道浓度,找出果蝇种群中味道浓度最佳的果蝇:Smelli=f(Si)[bestSmellbestIndex]=min(Smell)5)保留最佳味道浓度值S与个体对应坐标X、Y、Z,果蝇群体将向该位置飞去:Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)Z_axis=Z(bestIndex)6)迭代寻优:重复执行步骤2)~4),并判断当前最佳味道浓度值是否由于上次迭代的最佳味道浓度值,若是执行步骤5),当达到最大迭代次数时,寻优结束。步骤(3):将小波核函数引入到SVDD算法中,利用步骤(1)提取的特征向量建立WSVDD性能退化评估模型,并利用改进的FOA算法对WSVDD模型的核参数寻优,步骤如下:1)首先,定义一个训练样本集X={x1,...,xn},其中xi∈Rd(1≤i≤n)为列向量,通过非线性函数把样本特征空间o∈Rd映射到高维超球空间Φ,即φ:x∈O→φ(x)∈Φ,则WSVDD优化问题描述为:s.t||φ(xi)-本文档来自技高网
...
<a href="http://www.xjishu.com/zhuanli/55/201710559685.html" title="一种基于FOA‑WSVDD的滚动轴承性能退化评估方法原文来自X技术">一种基于FOA‑WSVDD的滚动轴承性能退化评估方法</a>
【详细说明在详细技术资料中】

全部详细技术资料下载 我是这个专利的主人

2 技术保护点

一种基于FOA‑WSVDD的滚动轴承性能退化评估方法,具体包括以下几个步骤:步骤(1):获取轴承正常状态下的振动数据,进行去噪和归一化预处理;提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;步骤(2):将FOA算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的FOA算法;步骤(3):将小波核函数引入到SVDD算法中,利用步骤(1)提取的特征向量建立WSVDD性能退化评估模型,并利用改进的FOA算法对WSVDD模型的核参数寻优;步骤(4):对轴承全生命周期振动数据根据步骤(1)的方法提取特征向量,并作为WSVDD模型的输入,计算特征向量距离超球中心的距离,以此作为轴承的性能退化评估指标;步骤(5):设置自适应报警阈值曲线,对轴承的早期退化状态做出及时准确的预警;步骤(6):利用基于经验模态分解和Hilbert包络解调的故障诊断方法验证评估结果进行的正确性。

3 技术保护范围摘要

1.一种基于FOA-WSVDD的滚动轴承性能退化评估方法,具体包括以下几个步骤:步骤(1):获取轴承正常状态下的振动数据,进行去噪和归一化预处理;提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;步骤(2):将FOA算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的FOA算法;步骤(3):将小波核函数引入到SVDD算法中,利用步骤(1)提取的特征向量建立WSVDD性能退化评估模型,并利用改进的FOA算法对WSVDD模型的核参数寻优;步骤(4):对轴承全生命周期振动数据根据步骤(1)的方法提取特征向量,并作为WSVDD模型的输入,计算特征向量距离超球中心的距离,以此作为轴承的性能退化评估指标;步骤(5):设置自适应报警阈值曲线,对轴承的早期退化状态做出及时准确的预警;步骤(6):利用基于经验模态分解和Hilbert包络解调的故障诊断方法验证评估结果进行的正确性。2.根据权利要求1所述一种基于FOA-WSVDD的滚动轴承性能退化评估方法,其特征是:所述步骤(2)中对FOA算法寻优空间的扩展和迭代步长的自适应改变避免其陷入局部最优,包括以下步骤:1)参数初始化:初始化种群规模sizepop;最大迭代次数maxgen,果蝇群体初始位置X_axis、Y_axis、Z_axis,随机飞行范围[a,b];2)赋予果蝇个体搜索食物的飞行随机方向与距离:其中,β、η为调节因子,gen当前迭代次数;在寻优的初始阶段,为了增加果蝇种群的多样性,避免陷入局部最优,应增大随机飞行的距离,此时调节因子β大于1,记为β1;在寻优的第二阶段,为了增加寻优精度,随机飞行的距离应减少,此时调节因子β小于1,记为β2;3)计算每个个体与原点的距离Di以及味道浓度判断值Si:4)将味道浓度判断值Si代入味道浓度判断函数(适应度函数),求得果蝇个体的味道浓度,找出果蝇种群中味道浓度最佳的果蝇:Smelli=f(Si)[bestSmellbestIndex]=min(Smell)5)保留最佳味道浓度值S与个体对应坐标X、Y、Z,果蝇群体将向该位置飞去:Smellbest=bestSmellX_axis=X(bestIndex)Y_axis=Y(bestIndex)Z_axis=Z(bestIndex)6)迭代寻优:重复执行步骤2)~4),并判断当前最佳味道浓度值是否由于上次迭代的最佳味道浓度值,若是执行步骤5),当达到最大迭代次数时,寻优结束。3.根据权利要求1所述一种基于FOA-WSVDD的滚动轴承性能退化评估方法,其特征是:所述步骤(3)中基于WSVDD的性能退化评估模型的建立,并利用改进的FOA算法对WSVDD模型的核参数寻优,包括以下步骤:1)首先,定义一个训练样本集X={x1,...,xn},其中x...

4 专利技术属性

发明(设计)人:白瑞林朱朔
申请(专利权)人:江南大学
专利类型:发明
专利号:201710559685
国别省市:江苏,32

5 专利技术项目评估

还没有人评估本专利项目,你来评估一下?

对专利感兴趣?请拨打022-23869559(工作日)13820821600(24小时)咨询

6 相关技术资料

滚动轴承退化三个阶段专利,滚动轴承性能测试专利,滚动轴承性能指标专利,性能退化专利,滚动轴承的种类专利,滚动轴承种类专利,滚动轴承分析第一卷专利,滚动轴承一对和二对

网友询问留言: 已有 0 条评论

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。

1