The invention discloses a fault diagnosis method for intelligent mechanical system based on multi-level and multi-mode feature extraction, which includes steps: obtaining the original vibration sequence of the mechanical parts to be detected; extracting the first feature of the original vibration sequence by principal component analysis method to obtain the first target sample of the mechanical parts to be detected; and using non-negative matrix decomposition method to carry out the second target sample. Secondary feature extraction is used to get the second target sample of mechanical parts to be detected; two vibration sequence predictors based on PID neural network and extreme learning machine are used to predict the two target samples respectively, and the fusion prediction vibration sequence is obtained by weighted fusion; intelligent mechanical system based on support vector machine training is used. Barrier classification model predicts the fault types of mechanical components to be detected according to the fusion of vibration sequence output. The invention has high accuracy, robustness and timeliness for fault diagnosis of mechanical components.
【技术实现步骤摘要】
一种多层次多模式特征提取的智能机械系统故障诊断方法
本专利技术涉及机械系统故障辨识与预测领域，特别是涉及一种多层次多模式的智能机械系统故障诊断方法。
技术介绍
机械系统故障诊断与辨识是保证机械系统正常运行，具有高可靠性和可运维性的重要前提。列车转向架作为列车车体与轨道之间的连接耦合装置，其在运行过程中的安全保证是至关重要的，列车转向架主要的故障问题是由于轨道不平顺引起的转向架各部件发生振动现象。目前的机械故障诊断与辨识技术主要是基于信号获取、特征提取、故障识别与预测等步骤的智能故障诊断方法。这类方法利用遍布于机械系统的传感器网络实时获取运行工况下的有效检测值，从检测值中提取出能够判断机械故障发生部位和故障类型的特征参数，进一步利用这些参数预测下一时段的机械系统故障发生情况。转向架及其部件的故障诊断便是利用传感器获取采集振动信号，对振动信号进行特征提取和分析，然后通过已建立的故障诊断模型进行故障类型判别。但现有的故障诊断方法，对故障信号提取的特征参数较为单一，导致对机械故障诊断的辨识性较低，因此亟需研究一种时效性和辨识度都比较高的机械系统故障诊断方法。
技术实现思路
本...
【技术保护点】
1.一种多层次多模式特征提取的智能机械系统故障诊断方法，其特征在于，包括以下步骤：步骤1，获取机械部件的原始振动序列；步骤2，采用主元分析法，对原始振动序列进行特征提取得到n个特征参数，n个特征参数组成机械部件的第一目标样本An；步骤3，采用非负矩阵分解方法，对第一目标样本An中的n维特征参数进行特征提取得到m个特征参数，m个特征参数组成机械部件的第二目标样本Bm；步骤4，以第一目标样本的t0～tN各时刻的特征参数为输入、以tN+1时刻的特征参数为输出，训练PID神经网络模型，得到第一振动序列预测器；以第二目标样本的t0～tN各时刻的特征参数为输入、以tN+1时刻的特征参数...
【技术特征摘要】
1.一种多层次多模式特征提取的智能机械系统故障诊断方法，其特征在于，包括以下步骤：步骤1，获取机械部件的原始振动序列；步骤2，采用主元分析法，对原始振动序列进行特征提取得到n个特征参数，n个特征参数组成机械部件的第一目标样本An；步骤3，采用非负矩阵分解方法，对第一目标样本An中的n维特征参数进行特征提取得到m个特征参数，m个特征参数组成机械部件的第二目标样本Bm；步骤4，以第一目标样本的t0～tN各时刻的特征参数为输入、以tN+1时刻的特征参数为输出，训练PID神经网络模型，得到第一振动序列预测器；以第二目标样本的t0～tN各时刻的特征参数为输入、以tN+1时刻的特征参数为输出，训练极限学习机，得到第二振动序列预测器；步骤5，将第一目标样本输入到步骤4得到的第一振动序列预测器，得到机械部件的第一预测振动序列；将第二目标样本输入到步骤4得到的第二振动序列预测器，得到机械部件的第二预测振动序列；对第一预测振动序列和第二预测振动序列进行加权融合，得到旋转机械的融合预测振动序列；步骤6，按步骤1-5获取已知故障类型的机械部件的融合预测振动序列，作为机械部件的训练样本；以机械部件的训练样本为输入、故障类型为输出，训练支持向量机模型，得到智能机械系统故障分类模型；步骤7，实时采集待检测机械部件的原始振动信号，按步骤2-3获取待检测机械部件的第一目标样本和第二目标样本；将待检测机械部件的第一目标样本和第二目标样本按步骤5获取待检测机械部件的融合预测振动序列；将待检测机械部件的融合预测振动序列输入到步骤6得到的智能机械系统故障分类模型中，智能机械系统故障分类模型输出待检测机械部件的故障类型。2.根据权利要求1所述的方法，其特征在于，所述PID神经网络模型的输入层节点数为1，隐含层节点数为3，输出层节点数为1，在PID神经网络模型的训练过程中，最大迭代次数设置为200，训练学习率为0.1，阈值为0.004，并采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值。3.根据权利要求2所述的方法，其特征在于，所述采用带有自适应权值的粒子群算法优化所述PID神经网络模型的权值和阈值的具体过程为：步骤C1，以粒子群中每个粒子个体的位置向量作为用于获取所述PID神经网络模型的权值和阈值，将粒子个体的位置向量参数初始化为[-1,1]的随机数；粒子群种群的个数的取值范围为[25,70]，粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；步骤C2，设定适应度函数，确定初始最优粒子个体位置向量和迭代次数t，t＝1；将粒子个体位置向量对应的权值和阈值代入第一振动序列预测器中，并利用粒子个体位置向量确定的预测模型根据t0～tN各时刻的特征参数计算tN+1时刻的预测特征参数值，将预测特征参数值和实际特征参数值的均方差的倒数作为适应度函数f(x)；步骤C3，计算每个粒子群的群体适应度方差，进行早熟收敛判断；若粒子群的群体适应度方差小于早熟收敛判断阈值γ，则对粒子群中δ％的适应度值最小的粒子和群体极值粒子进行变异，并以当前适应度值大的粒子个体作为全局最优粒子个体；其中，群体适应度方差是指粒子群中所有粒子个体的适应度值的方差；步骤C4，判断是否组建精英种群；当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值粒子组建精英种群，转入步骤C8，否则转入步骤C5；步骤C5，更新各种群的所有粒子个体位置向量；步骤C6，重新计算并比较每个粒子个体的适应度值，如果大于当前的个体极值粒子的适应度值，则更新个体极值粒子；比较全局极值粒子，如果存在粒子个体的适应度值大于当前的群体极值粒子，则更新全局极值粒子，令t＝t+1，转入步骤C3；步骤C7，精英种群继续进化；步骤C8，判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤C3，直到找到全局最优粒子个体，输出所述PID神经网络的权值和阈值，得到第一振动序列预测器。4.根据权利要求1所述的方法，其特征在于，极限学习机的输入层包含1个节点，隐含层包含3个节点，输出层包含1个节点，最大迭代次数设置为200；采用水循环算法优化所述极限学习机的权值和隐含层神经元偏置量。5.根据权利要求4所述的方法，其特征在于，所述采用水循环算法优化所述极限学习机的权值和偏置的具体过程为：步骤D1，以每个降雨层作为用于获取极限学习机的权值和隐含层神经元偏置量，初始化降雨层种群；设定降雨层种群数量的取...
【专利技术属性】
技术研发人员：刘辉，施惠鹏，李燕飞，陈超，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43
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。