基于PNN-IFA的轴承故障诊断方法技术

本发明专利技术公开了一种基于PNN‑IFA的轴承故障诊断方法，具体按照构建PNN模型；通过萤火虫算法得到最优的待选平滑因子；将最优的待选平滑因子作为平滑因子，将测试集中的每个轴承振动数据的故障特征向量输入至PNN模型中进行故障诊断的步骤进行。本发明专利技术提一种基于PNN‑IFA的轴承故障诊断方法，对萤火虫觅食算法进行改进，将其应用于概率神经网络的参数优化中，并将优化后的概率神经网络应用于轴承诊断，从而提高轴承故障诊断的准确性。

Fault Diagnosis Method of Bearing Based on PNN-IFA

【技术实现步骤摘要】
基于PNN-IFA的轴承故障诊断方法
本专利技术属于故障检测
，涉及一种基于PNN-IFA的轴承故障诊断方法。
技术介绍
煤矿综采设备作为一种集机械、电气、液压为一体的大型复杂工程机械，在实际工程生产中得到了广泛的应用，此类大型旋转机械中，最重要的机械零部件就是滚动轴承，它在机械传动中起固定和降低摩擦载荷系数的作用。但是由于受工作环境和条件的约束，在运行过程中，轴承更容易发生故障，引起的事故和停机检修更加频繁。因此，及时可靠地对轴承潜在的故障进行诊断，对于保障综采设备长久运行具有深远的意义。但是目前并没有能够将轴承故障精确诊断的方法能够有效的应用到该工程领域。
技术实现思路
本专利技术的目的是提供一种基于PNN-IFA的轴承故障诊断方法，能够提高轴承故障诊断的准确性。本专利技术所采用的技术方案是，基于PNN-IFA的轴承故障诊断方法，具体按照下述步骤进行：步骤1，构建PNN模型，设置PNN初值；在平滑因子参数范围内选择多个待选平滑因子，建立待选平滑因子参数集；采集多段综采设备不同故障状态时的轴承振动数据，并将轴承振动数据分为训练集和测试集；提取每段轴承振动数据的故障特征向量；步骤2，将平滑因子参数集中第一个待选平滑因子作为平滑因子，通过PNN模型计算该平滑因子对应的轴承振动向量诊断结果的准确率；步骤3，根据轴承振动向量诊断结果的准确率计算该平滑因子对应的准确率的亮度；步骤4，将下一个待选平滑因子作为平滑因子，重复步骤2-3，至计算出所有待选平滑因子对应的准确率的亮度；步骤5，将待选平滑因子作为萤火虫个体，将每个待选平滑因子对应的准确率的亮度作为萤火虫的位置信息，通过萤火虫算法得到最优的待选平滑因子；步骤6，将最优的待选平滑因子作为平滑因子，将测试集中的每个轴承振动数据的故障特征向量输入至PNN模型中进行故障诊断。本专利技术的特点还在于：多段轴承振动数据中包括轴承正常运行时的振动数据、轴承内圈故障时的振动数据、轴承滚动体故障时的振动数据和轴承外圈故障时的振动数据。步骤1中提取每段轴承振动数据的故障特征向量具体按照下述方法进行：步骤1.1，将每段轴承振动数据中的所有振动信号作为一组振动信号，得到多组振动信号；步骤1.2，将每组振动信号中的每个振动信号均进行EMD处理成为确定中心频率和带宽的模态分量，并将每组的多个模态通过EMD包络谱选取其中频率值和故障特征频率最接近的模态分量作为最优模态分量；步骤1.3，分别计算每个最优模态分量的故障特征向量，具体按照下述方法进行：在时域分析下提取每个模态分量的均方根值、峭度值、偏度值，在频域分析下提取每个模态分量的均值频率、频率散度、样本熵和排列熵，然后将均方根值、峭度值、偏度值、均值频率、频率散度，样本熵和排列熵组成轴承故障特征向量；其中均方根值按照下式得到：其中，x为原始信号，N为样本个数；峭度按照下式得到：式中，σx为信号的标准差；偏度值按照下式得到：均值频率按照下式得到：式中，s(k)为原始信号通过傅里叶变换得到的频域信号；频率散度按照下式得到：式中，Fm为信号频率均值，fk为信号频率；样本熵按照下式得到：式中，m为维数，一般取1或2，r为给定阈值，通常选择r＝0.1*std～0.25*std，其中std为原时间序列的标准差，经验设定为3，Am(r)为数据按时间序列组成的m+1维向量中小于等于阈值r的子序列个数，Bm(r)为m维向量中小于等于阈值r的子序列个数；排列熵按照下式得到：步骤2中通过PNN模型计算该平滑因子对应的轴承振动向量诊断结果的准确率具体按照下述步骤进行：步骤2.1，分别将训练集中的每个轴承振动向量均与每个模式层神经元进行拟合，得到拟合度；步骤2.2，将每个轴承振动向量与同一类模式层神经元的拟合度进行加权平均，分别得到每个轴承振动向量与四类模式层神经元的拟合平均值：步骤2.3，比较四类模式层神经元的拟合平均值的大小，取拟合平均值最大的作为该轴承振动向量的诊断结果；步骤2.4，判断每个轴承振动向量诊断结果的准确性，同时计算所有轴承振动向量诊断结果的准确率。步骤3中按照下式计算平滑因子对应的准确率的亮度：式中，N为待选平滑因子的个数，i为迭代次数，Yi为期望准确率,Qi为轴承振动向量诊断结果的准确率。步骤5具体按照下述步骤进行：步骤5.1，设置萤火虫的光吸收强度系数γ、步长因子α、最大吸引度β0、迭代次数MaxGeneration、搜索范围Pmin与Pmax；初始化萤火虫的位置信息，通过调用相关函数将待选平滑因子群随机的分布到搜索区域范围；步骤5.2，计算萤火虫的相对亮度I和吸引度β，比较所属邻域内萤火虫的荧光亮度大小，根据相对亮度决定萤火虫的移动方向；步骤5.3，根据更新后萤火虫的位置，重新计算萤火虫的亮度；步骤5.4，重复步骤5.2-步骤5.3，至萤火虫的亮度不小于设定值或者至最大迭代次数，停止迭代，将当前的萤火虫的亮度对应的待选平滑因子作为最优平滑因子。本专利技术的有益效果是：本专利技术一种基于PNN-IFA的轴承故障诊断方法，对萤火虫觅食算法进行改进，将其应用于概率神经网络的参数优化中，并将优化后的概率神经网络应用于轴承诊断，从而提高轴承故障诊断的准确性。附图说明图1是本专利技术一种基于PNN-IFA的轴承故障诊断方法的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术公开了一种基于PNN-IFA的轴承故障诊断方法，其流程如图1所示，具体按照下述步骤进行：步骤1，构建PNN模型，设置PNN初值；其中PNN模型网络为四层，包括输入层、模式层、类别层和输出层。输入层的神经元的个数为7，分别与轴承故障特征向量中均方根值、峭度值、偏度值、均值频率、频率散度、样本熵和排列熵相对应；模式层中神经元分为四类，分别与轴承正常运行、轴承内圈故障、轴承滚动体故障和轴承外圈故障四类轴承故障类型相对应；类别层和输出层的神经元个数设为4，对应四类轴承故障类型；在平滑因子参数范围内选择多个待选平滑因子，建立待选平滑因子参数集；采集多段综采设备不同故障状态时的多段轴承振动数据，并将轴承振动数据分为训练集和测试集；提取每段轴承振动数据的故障特征向量，具体按照下述步骤进行：步骤1.1，将每段轴承振动数据中的所有振动信号作为一组振动信号，得到多组振动信号；步骤1.2，将每组振动信号中的每个振动信号均进行EMD处理成为确定中心频率和带宽的模态分量，并将每组的多个模态通过EMD包络谱选取其中频率值和故障特征频率最接近的模态分量作为最优模态分量；步骤1.3，分别计算每个最优模态分量的故障特征向量，具体按照下述方法进行：在时域分析下提取每个模态分量的均方根值、峭度值、偏度值，在频域分析下提取每个模态分量的均值频率、频率散度、样本熵和排列熵，然后将均方根值、峭度值、偏度值、均值频率、频率散度，样本熵和排列熵组成轴承故障特征向量；其中均方根值按照下式得到：其中，x为原始信号，N为样本个数；峭度按照下式得到：式中，σx为信号的标准差；偏度值按照下式得到：均值频率按照下式得到：式中，s(k)为原始信号通过傅里叶变换得到的频域信号；频率散度按照下式得到：式中，Fm为信号频率均值，fk为信号频率；样本熵按照下式得到：式中，m为维数，一般取1或2，r为给定阈值，通常选择r＝0.1*std本文档来自技高网...

【技术保护点】
1.基于PNN‑IFA的轴承故障诊断方法，其特征在于，具体按照下述步骤进行：步骤1，构建PNN模型，设置PNN初值；在平滑因子参数范围内选择多个待选平滑因子，建立待选平滑因子参数集；采集多段综采设备不同故障状态时的轴承振动数据，并将所述轴承振动数据分为训练集和测试集；提取每段轴承振动数据的故障特征向量；步骤2，将平滑因子参数集中第一个待选平滑因子作为平滑因子，通过PNN模型计算该平滑因子对应的轴承振动向量诊断结果的准确率；步骤3，根据轴承振动向量诊断结果的准确率计算该平滑因子对应的准确率的亮度；步骤4，将下一个待选平滑因子作为平滑因子，重复步骤2‑3，至计算出所有待选平滑因子对应的准确率的亮度；步骤5，将待选平滑因子作为萤火虫个体，将每个待选平滑因子对应的准确率的亮度作为萤火虫的位置信息，通过萤火虫算法得到最优的待选平滑因子；步骤6，将最优的待选平滑因子作为平滑因子，将测试集中的每个轴承振动数据的故障特征向量输入至PNN模型中进行故障诊断。

【技术特征摘要】
1.基于PNN-IFA的轴承故障诊断方法，其特征在于，具体按照下述步骤进行：步骤1，构建PNN模型，设置PNN初值；在平滑因子参数范围内选择多个待选平滑因子，建立待选平滑因子参数集；采集多段综采设备不同故障状态时的轴承振动数据，并将所述轴承振动数据分为训练集和测试集；提取每段轴承振动数据的故障特征向量；步骤2，将平滑因子参数集中第一个待选平滑因子作为平滑因子，通过PNN模型计算该平滑因子对应的轴承振动向量诊断结果的准确率；步骤3，根据轴承振动向量诊断结果的准确率计算该平滑因子对应的准确率的亮度；步骤4，将下一个待选平滑因子作为平滑因子，重复步骤2-3，至计算出所有待选平滑因子对应的准确率的亮度；步骤5，将待选平滑因子作为萤火虫个体，将每个待选平滑因子对应的准确率的亮度作为萤火虫的位置信息，通过萤火虫算法得到最优的待选平滑因子；步骤6，将最优的待选平滑因子作为平滑因子，将测试集中的每个轴承振动数据的故障特征向量输入至PNN模型中进行故障诊断。2.根据权利要求1所述的基于PNN-IFA的轴承故障诊断方法，其特征在于，所述多段轴承振动数据中包括轴承正常运行时的振动数据、轴承内圈故障时的振动数据、轴承滚动体故障时的振动数据和轴承外圈故障时的振动数据。3.根据权利要求1所述的基于PNN-IFA的轴承故障诊断方法，其特征在于，所述步骤1中提取每段轴承振动数据的故障特征向量具体按照下述方法进行：步骤1.1，将每段轴承振动数据中的所有振动信号作为一组振动信号，得到多组振动信号；步骤1.2，将每组振动信号中的每个振动信号均进行EMD处理成为确定中心频率和带宽的模态分量，并将每组的多个模态通过EMD包络谱选取其中频率值和故障特征频率最接近的模态分量作为最优模态分量；步骤1.3，分别计算每个最优模态分量的故障特征向量，具体按照下述方法进行：在时域分析下提取每个模态分量的均方根值、峭度值、偏度值，在频域分析下提取每个模态分量的均值频率、频率散度、样本熵和排列熵，然后将均方根值、峭度值、偏度值、均值频率、频率散度，样本熵和排列熵组成轴承故障特征向量；其中均方根值按照下式得到：其中，x为原始信号，N为样本个数；峭度按照下式得到：式中，σx为信号的标准差；偏度值按照下式得到...

【专利技术属性】
技术研发人员：宋玉琴，师少达，邓思成，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61