一种用于多工位冷镦机状态检测的改进多分类支持向量机方法技术

本发明专利技术公开了一种用于多工位冷镦机状态检测的改进多分类支持向量机方法，首先用局部均值分解对故障信号进行分解，得到若干乘积函数。其次，为有效去除分量PF中的模态混叠噪声，基于ICA算法对分量PF进行盲源分离，提取其中的有效信号，并利用时序平移的思想，构造多个PF分量噪声，从而得到降噪后的模态分量信号；进而利用排列熵量化各模态分量的故障状态特征，取各模态分量排列熵的平均值作为特征向量；最后，建立多工位冷镦机的改进多分类支持向量机故障分类模型；并将计算的特征向量输入改进PSVM‑2V进行状态检测。通过该方法能够使冷镦机故障特征明显，从而从改进多分类支持向量机的模型中直接检测出冷镦机的状态。

An Improved Multi-Classification Support Vector Machine Method for State Detection of Multi-station Cold Heading Machine

The invention discloses an improved multi-class support vector machine method for state detection of multi-station cold heading machine. Firstly, the fault signal is decomposed by local mean decomposition, and several product functions are obtained. Secondly, in order to effectively remove the modal aliasing noise in component PF, the ICA algorithm is used to separate the blind sources of component PF, extract the effective signals, and use the idea of time series translation to construct multiple PF component noises, so as to obtain the noise-reduced modal component signal. Then, the permutation entropy is used to quantify the fault state characteristics of each modal component, and the average permutation entropy of each modal component is obtained. Finally, an improved multi-class support vector machine fault classification model for multi-station cold heading machine is established, and the calculated eigenvectors are input into the improved PSVM_2V for state detection. Through this method, the fault characteristics of cold heading machine can be obvious, and the state of cold heading machine can be detected directly from the improved multi-class support vector machine model.

【技术实现步骤摘要】
一种用于多工位冷镦机状态检测的改进多分类支持向量机方法
本专利技术属于机械设备故障诊断领域，涉及一种用于多工位冷镦机状态检测的改进多分类支持向量机方法。
技术介绍
多工位自动冷镦成型机作为一种自动化、精密、技术含量高的先进成形装备，在各个产业都有着广泛的应用。工业发达国家在装备制造领域已初步实现信息化和工业化深度融合，冷镦成型机领域也不例外，尤其是多工位全自动冷镦成型机发展到今天己经初步做到设计、制造、维护一体机。多工位冷镦成型机是典型性的机、电、液、温一体化的制造装备，其状态特征信息包含在不同性质的信号中，表现为多源性，由于受设备的工频振动、电噪声、液压和润滑系统脉动噪声、以及传递环节调制和噪声干扰等影响，信号非常微弱此外，多工位冷镦成型机功能部件机、电、液多源特征信号之间相互影响，对其进行状态检测困难。
技术实现思路
本专利技术的目的是为了克服现有技术存在的缺点和不足，而提供一种用于多工位冷镦机状态检测的改进多分类支持向量机方法。通过该方法能够使冷镦机故障特征明显，从而从改进多分类支持向量机的模型中直接检测出冷镦机的状态。为实现上述目的，本专利技术的技术方案是包括有：S1、用局部均值分解对多工位冷镦机各状态的信号进行分解，得到若干乘积函数，每一乘积函数分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积，包含原始信号的状态特征信息；S2、为有效去除乘积函数分量中的模态混叠噪声，基于独立成分分析算法并利用时序平移的思想，构造多个乘积函数分量噪声，对乘积函数分量进行盲源分离，提取其中有效状态信号，从而得到降噪后新的模态分量信号；S3、进而利用排列熵量化各模态分量的状态特征，取各模态分量排列熵的平均值作为特征向量；S4、建立多工位冷镦机状态检测的改进多分类支持向量机状态分类模型；并将计算的特征向量输入改进多分类支持向量机状态分类模型中进行状态的分类识别。进一步设置是所述步骤S1具体包括：设定多工位冷镦机各状态的原始信号X(t)所有的局部极值点ni,求出所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来，经平滑处理得到局部均值函数m11(t)；计算包络估计值ai，将所有的相邻ai用直线连接起来，经进行平滑处理得到包络估计函数a11(t)；将局部均值函数m11(t)从原始信号X(t)中分离出来得到h11(t)，对其进行解调得到s11(t)，h11(t)＝X(t)-m11(t)(2)s11(t)＝h11(t)/a11(t)(3)计算s11(t)的包络估计函数a12(t)，如果a12(t)＝1，则说明s11(t)是一个纯调频信号，否则需要对s11(t)重复以上步骤，直到-1≤s1n(t)≤1，且其包络信号估计函数满足a1(n+1)(t)＝1，迭代终止条件为迭代过程中产生的全部包络估计函数的乘积即为包络信号a1(t)：将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个PF分量：PF1(t)＝a1(t)s1n(t)(6)从x(t)中分离出第一个PF分量PF1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复以上迭代过程，循环k次，直到uk(t)为一个单调函数。则X(t)被分解成k个PF分量和一个残余分量uk(t)之和，即：式(7)中，PFp表示为p个PF分量，uk表示余项。进一步设置是所述的步骤S2为：设m个信号源S(t)＝[s1(t),s2(t),…,sm(t)]发出的信号由n个传感器测得，记为X(t)＝[x1(t),x2(t),…,xn(t)]，则X(t)＝AS(t)(8)式(8)中，A为m×n的混叠矩阵，A和S是未知的，独立成分分析算法需要根据S的先验知识和多个观测信号X来估计A和S，因此，需要一个分离矩阵W，使得Y(t)＝WX(t),从而得到原信号的估计：式中表示对S(t)的估计。进一步设置是所述的步骤S3中计算经步骤S2中独立成分分析算法消噪处理的各个乘积函数分量的排列熵的方法为：给定一个时间序列信号{x(i),i＝1,2,…,n}进行相空间重构，根据延迟嵌入定理得到重构信号:X(i)＝[x(i)x(i+σ)…x(i+(y-1)σ)](10)式中：Σ为延迟时间，Y为嵌入维数，重构后i的值最大为n-(y-1)σ。将式(10)中的元素按升序排列，得到：x(i+(j1-1))σ≤x(i+(j2-1))σ≤…≤x(i+(jy-1))σ(11)其中，其中j1,j2,…,jy表示x(i)中元素的位置。如果x(i)中存在相等的元素，则在重新排列时按j的大小进行排列，因此x(i)总能找到如下序列模式:K(l)＝(j1,j2,…,jy)(12)其中l＝1,2,…,m,m≤y！。y个元素的向量最多可以有y！种排列模式，K(l)表示其中一种排列模式，设一种排列模式出现的概率为故信号排列模式的熵为：对Hp(y,σ)进行归一化处理，得到排列熵为：进一步设置是所述的改进多分类支持向量机状态分类模型是多视图特权支持向量机状态分类模型，该多视图特权支持向量机状态分类模型构建如下：约束条件为：式中，||ωA||2和||ωB||2是视图A和视图B的正则化项，通过限制两个视图的分类器容量来避免过度拟合，γ是非负参数，用来平衡||ωA||2，||ωB||2；和是视图A和视图B的非负松弛变量，两视图相互提供特权信息以补充和丰富两者，在学习利用特权信息的推动下，和受到由视图A，B确定的用于互补原理的未知非负校正函数的限制，CA，CB是非负罚参数；非负松弛变量是用来控制两个视图相关联的分类器之间的差距，从而保证他们之间的一致性，C是非负罚参数。本专利技术的创新机理是：本专利技术通过局部均值分解方法分解产生的模态分量包含原始信号的故障状态特征信息，先用独立成分分析对每个分量进行消噪处理，这样得到的分量信号能够最大程度的包含故障状态特征信号，减少噪声干扰；为量化这些故障状态特征，将信号运用局部均值分解方法分解得到各模态分量引入了熵理论，对各模态分量进行排列熵分析，能够更好地反映多工位冷镦机状态信息。本专利技术应用局部均值分解对故障信号进行分解，得到若干包含原始信号的故障状态特征信息的乘积函数分量，接着，为有效去除分量乘积函数中的模态混叠噪声，基于独立成分分析算法对乘积函数分量进行盲源分离以达到消噪的目的，并提取其中的有效故障状态信号，再利用排列熵量化各模态分量的故障特征，取各模态分量排列熵的平均值作为特征向量。本专利技术的有益效果是：本专利技术方法一方面利用局部均值分解方法将一个复杂的非平稳多分量信号分解成多个单分量信号，由此得到原始信号完整的时频分布，另一方面利用ICA有效地提高信噪比，抑制噪声，再利用排列熵提取故障特征，使多工位冷镦机故障状态特征明显；同时，利用改进多分类支持向量机，可以将故障状态精准地检测出来，得到较高准确性的分类结果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。图1本专利技术系统流程图；图2本专利技术实施例通过局部均值分解冷镦机故障状态检测的数据分解图；图3本专利技术实施例通过独本文档来自技高网...

【技术保护点】
1.一种用于多工位冷镦机状态检测的改进多分类支持向量机方法，其特征在于包括有：S1、用局部均值分解对多工位冷镦机各状态的信号进行分解，得到若干乘积函数，每一乘积函数分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积，包含原始信号的状态特征信息；S2、为有效去除乘积函数分量中的模态混叠噪声，基于独立成分分析算法并利用时序平移的思想，构造多个乘积函数分量噪声，对乘积函数分量进行盲源分离，提取其中有效状态信号，从而得到降噪后新的模态分量信号；S3、进而利用排列熵量化各模态分量的状态特征，取各模态分量排列熵的平均值作为特征向量；S4、建立多工位冷镦机状态检测的改进多分类支持向量机状态分类模型；并将计算的特征向量输入改进多分类支持向量机状态分类模型中进行状态的分类识别。

【技术特征摘要】
1.一种用于多工位冷镦机状态检测的改进多分类支持向量机方法，其特征在于包括有：S1、用局部均值分解对多工位冷镦机各状态的信号进行分解，得到若干乘积函数，每一乘积函数分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积，包含原始信号的状态特征信息；S2、为有效去除乘积函数分量中的模态混叠噪声，基于独立成分分析算法并利用时序平移的思想，构造多个乘积函数分量噪声，对乘积函数分量进行盲源分离，提取其中有效状态信号，从而得到降噪后新的模态分量信号；S3、进而利用排列熵量化各模态分量的状态特征，取各模态分量排列熵的平均值作为特征向量；S4、建立多工位冷镦机状态检测的改进多分类支持向量机状态分类模型；并将计算的特征向量输入改进多分类支持向量机状态分类模型中进行状态的分类识别。2.根据权利要求1所述的用于多工位冷镦机状态检测的改进多分类支持向量机方法，其特征在于所述步骤S1具体包括：设定多工位冷镦机各状态的原始信号X(t)所有的局部极值点ni,求出所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来，经平滑处理得到局部均值函数m11(t)；计算包络估计值ai，将所有的相邻ai用直线连接起来，经进行平滑处理得到包络估计函数a11(t)；将局部均值函数m11(t)从原始信号X(t)中分离出来得到h11(t)，对其进行解调得到s11(t)，h11(t)＝X(t)-m11(t)(2)s11(t)＝h11(t)/a11(t)(3)计算s11(t)的包络估计函数a12(t)，如果a12(t)＝1，则说明s11(t)是一个纯调频信号，否则需要对s11(t)重复以上步骤，直到-1≤s1n(t)≤1，且其包络信号估计函数满足a1(n+1)(t)＝1，迭代终止条件为迭代过程中产生的全部包络估计函数的乘积即为包络信号a1(t)：将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个PF分量：PF1(t)＝a1(t)s1n(t)(6)从x(t)中分离出第一个PF分量PF1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复以上迭代过程，循环k次，直到uk(t)为一个单调函数；则X(t)被分解成k个PF分量和一个残余分量uk(t)之和，即：式(7)中，PFp表示为p个PF分量，uk表示余项。3.根据权利要求2所述的用于多工位冷镦机状态检测的改进多分类支持向量机方法，其特...

【专利技术属性】
技术研发人员：向家伟，高云，周宏明，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33