基于云遗传算法优化支持向量机的旋转机械故障诊断方法技术

本发明专利技术公开了一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，首先在在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本，分为训练样本集A和训练样本集B，先将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数预优化处理，然后再采用训练样本集B进行再次优化从而得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到诊断结果。本发明专利技术可以有效提高旋转机械故障诊断的准确度和效率。

Fault Diagnosis Method of Rotating Machinery Based on Cloud Genetic Algorithms for Optimizing Support Vector Machines

【技术实现步骤摘要】
基于云遗传算法优化支持向量机的旋转机械故障诊断方法
本专利技术属于工程机械系统故障诊断
，更为具体地讲，涉及一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法。
技术介绍
随着工业的现代化和科学技术的飞速发展，旋转机械设备作为工业中使用最广泛的设备之一，被越来越多地应用于电力、石油化工、航空以及多种军工产业等领域。旋转机械设备不断朝着高速化、系统化和自动化等方向发展，其生产系统的规模逐渐增大，机械结构也越来越复杂，每一种设备相互之间相互关联、紧密耦合，工作性能指标越来越高。在旋转机械设备工作运行中，伴随着很多不确定因素，一些设备不可避免的会产生一些故障，一旦某一设备的关键部件产生故障则会发生一系列的连锁反应，严重的还会造成整条生产线的停产，进而造成巨大的经济损失甚至人员伤亡。旋转机械设备的安全性，可维护性和可靠性已成为时下研究的热点，建立和完善故障诊断
不仅能够保障旋转机械设备的安全运行，同时对提高经济收益、减少维修成本以及确保人员安全具有积极的意义。传统的故障诊断技术对复杂的旋转机械结构诊断已不太适用，并且对操作人员的要求较高。随着人工智能的发展，智能故障诊断技术迅速发展起来，主要有三大类方法：(1)基于模型的故障诊断、(2)基于信号处理的故障诊断以及(3)基于知识的故障诊断。其中基于模型的故障诊断需要设计参数以及工作状态的评估以精确系统模型，对于复杂的旋转机械设备，该诊断方法是不经济的；基于信号处理的故障诊断需要对系统采集信号进行分析处理，相对于基于模型的故障诊断更加经济且具有一定的可靠性，但是在某些特定环境下，存在一些不确定信息会对故障信息产生一定的影响，由此特征提取问题以及故障判断有待进一步解决；基于知识的故障诊断以来历史的故障知识，不完全能够像人类专家一样具有较高的可靠性。同时，在当今大数据时代下，在工程实际应用中，现有的智能故障诊断技术存在速度有待提高、准确率较低以及无法实现高精度的分类等问题，需要研究解决。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，将采集得到的旋转机械工作信号进行时频分析处理，通过云遗传算法优化的基于支持向量机的多分类模型实现对旋转机械故障的诊断，可以有效提高旋转机械故障诊断的准确度和效率。为实现上述专利技术目的，本专利技术基于云遗传算法优化支持向量机的旋转机械故障诊断方法包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds；将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R。S2：对于每个故障状态，分别按照以下方法获取该故障状态的训练样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量X′s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个训练样本；重复以上过程，对每种故障状态分别获取若干个训练样本；将所有训练样本分为两部分，一部分作为训练样本集A，另一部分作为训练样本集B，每个训练样本集中的训练样本均包含所有故障状态；S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；S4：将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数预优化处理；S5：将步骤S4参数预优化得到的核函数和惩罚因子作为基于支持向量机网络的多分类模型的核函数和惩罚因子的初始值，将训练样本集B作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到最终的多分类模型；S6：当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号从中提取出步骤S1中约简得到的K个特征组成组合特征向量将其输入至步骤S5训练好的多分类模型中，得到诊断结果。本专利技术基于云遗传算法优化支持向量机的旋转机械故障诊断方法，首先在在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本，分为训练样本集A和训练样本集B，先将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数预优化处理，然后再采用训练样本集B进行再次优化从而得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到诊断结果。本专利技术具有以下有益效果：1)本专利技术对原始工作信号进行了全面的时频特征提取，避免信号的特征不完善性，同时对冗余特征、无效特征进行筛选，以获得与故障状态确切相关联的特征信息；2)本专利技术针对遗传算法进行改进，采用云遗传算法先后对基于支持向量机网络的多分类模型的参数进行预优化以及优化处理，有效减少了多余的搜索，使得种群进化朝着最优的方向进行，即减少了诊断运行的时间，又提升了网络诊断的准确性；3)本专利技术提出的基于支持向量机网络的多分类模型具有结构简单、参数量少的优点，对硬件资源的要求低，经济要求低，具有一定的泛化能力，并且经实验证明本专利技术可以有效提高旋转机械的故障诊断准确率。附图说明图1是本专利技术基于云遗传算法优化支持向量机的故障诊断方法的具体实施方式流程图；图2是本专利技术中采用云遗传算法对基于支持向量机网络的多分类模型进行参数优化的流程图；图3是本实施例中本专利技术与对比方法对于美国凯斯西储大学数据的故障诊断准确率统计图；图4是本实施例中本专利技术与对比方法对于美国凯斯西储大学数据的故障诊断耗时对比图；图5是本实施例中本专利技术与对比方法对于自主实验平台数据的故障诊断准确率统计图；图6是本实施例中本专利技术与对比方法对于自主实验平台数据的故障诊断耗时对比图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。图1是本专利技术基于云遗传算法优化支持向量机的旋转机械本文档来自技高网...

【技术保护点】
1.一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M‑1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中

【技术特征摘要】
1.一种基于云遗传算法优化支持向量机的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds；将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R。S2：对于每个故障状态，分别按照以下方法获取该故障状态的训练样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量X′s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个训练样本；重复以上过程，对每种故障状态分别获取若干个训练样本；将所有训练样本分为两部分，一部分作为训练样本集A，另一部分作为训练样本集B，每个训练样本集中的训练样本均包含所有故障状态；S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；S4：将训练样本集A作为训练样本，采用云遗传算法对基于支持向量机网络的多分类模型的核函数...

【专利技术属性】
技术研发人员：米金华，程玉华，王馨苑，白利兵，盛瀚民，陈凯，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51