基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法技术

本发明专利技术涉及基于特征优选和GWOA

【技术实现步骤摘要】
基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法


[0001]本专利技术涉及电机故障诊断
，具体涉及基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法。

技术介绍

[0002]轴承在电机的运行中起着支撑和引导旋转的作用，据统计，电机故障中有40%左右是由轴承故障引发，是电机健康监测的重要对象，直接影响到电机运转的整体性能。因此，开展电机轴承的故障诊断研究意义重大。由于电机轴承位于电机内部，其故障状态难以识别，导致其故障诊断的精度受限。
[0003]目前基于振动信号的轴承故障诊断是最为常见的方法，当电机轴承出现故障时振动信号会出现明显的冲击波动，若对振动信号的时频信号进行有效的提取，就能为电机轴承的故障诊断提供有利的数据基础。现有技术通常采用以下几种方法进行电机轴承故障诊断：1.利用经验模态分解获得振动信号的固有模态函数(Intrinsic Mode Function, IMF)，再提取IMF分量的奇异值获得降维后的新特征向量，最后利用模糊神经网络(Fuzzy Neural Networks, FNN)评估电机轴承的运行状况；2.提取振动信号的能量特征，然后利用隐马尔科夫模型(Hidden Markov Model, HMM)建立分类模型，能够有效区分不同类型故障的序列；3.将卷积神经网络（CNN）应用于电机轴承的故障诊断中，同时还使用传统的FFT进行振动信号特征提取，但无法充分发挥CNN的特征提取优势，从而造成诊断效果欠佳；4.利用集成模态分解(Ensemble Empirical Mode Decomposition，EEMD)提取IMF分量，并通过Hilbert变换获得包络谱，最后利用优化过的深度信念网络(Deep Belief Network, DBN)进行故障分类，结果较好，但在识别滚动体故障时准确率较低；5.采用连续小波变换将振动信号转换为二维灰度图像，将CNN从灰度图像中提取的特征输入射频，有效诊断滚动轴承故障；6.采用一种广义多尺度动态时间弯曲算法，用于从风力发电机组齿轮箱振动信号中提取故障特征，采用拉普拉斯评分法选择敏感特征构造特征向量，采用随机森林(Random Forest, RF)进行故障状态分类。
[0004]然而，即使采用上述方法，对电机轴承故障的识别精度仍然达不到令人满意的效果。因此，如何提高电机轴承故障诊断的精度，是需要继续研究的课题。

技术实现思路

[0005]本专利技术针对现有技术中存在的技术问题，提供基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，以解决提高电机轴承故障诊断的精度的问题。
[0006]本专利技术解决上述技术问题的技术方案如下：本专利技术提供基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，包括如下步
骤：使用优化的VMD（Variational Modal Decomposition,变分模态分解）对电机轴承的振动信号进行特征分解，获得其IMF（Intrinsic Mode Function，本征模态函数）分量，基于多尺度熵理论计算各IMF分量的MSE（Multi Scale Entropy，多尺度熵）值，通过所述MSE值对振动信号进行特征重构；利用GA（遗传）算法对WOA（鲸鱼优化）算法进行改进得到GWOA模型，通过GWOA模型对XGBoost（eXtreme Gradient Boosting，极端梯度提升）模型进行优化；将特征重构的振动信号输入优化后的XGBoost模型，得到电机轴承故障诊断结果。
[0007]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0008]进一步，对VMD进行优化的过程，包括：预设VMD的IMF分量个数K与惩罚因子α；初始化PSO算法（Particle Swarm Optimization, 粒子群优化算法）的关键参数，将局部极小熵值作为PSO算法的适应度函数，将待优化的参数[K,α]作为PSO算法的个体位置坐标，随机生成每个个体的初始坐标与初始速度；使用VMD对每个个体进行分解，计算每个个体对应的局部极小熵值，利用每个个体的局部极小熵值对VMD进行迭代，每次迭代更新局部极小熵值以及全局极小熵值，直到迭代结束，输出最优个体的坐标和速度，最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。
[0009]进一步，所述的使用优化的VMD对电机轴承的振动信号进行特征分解，获得其IMF分量，包括：确定VMD的IMF分量个数K，使得所有IMF分量的带宽之和最小，将每个IMF分量定义成一个调幅
‑
调频信号；利用Hilbert变换求出每个IMF分量的解析信号，分别估算K个IMF分量的中心频率，引入指数项调制各IMF分量的频谱到其所属基频带；求出调制后的信号的梯度平方范数，通过梯度平方范数估算每个IMF分量的带宽；基于约束条件，得到变分约束模型，将惩罚因子α和Lagrange乘数λ引入变分约束模型，使变分约束模型转换成变分非约束模型；基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的
‘
鞍点
’
，直至满足迭代停止条件，输出变分约束模型的最优解，通过最优解获得优化的变分约束模型，通过优化的变分约束模型输出K个有限带宽的IMF分量。
[0010]进一步，所述的基于多尺度熵理论计算各IMF分量的MSE值，通过所述MSE值对振动信号进行特征重构，包括：基于多尺度熵理论分别计算每个IMF分量的MSE值，得到与K个IMF分量一一对应的K个MSE值，K个MSE值所组成的一组向量就构成一个新的特征。
[0011]进一步，所述的通过GWOA模型对XGBoost模型进行优化，包括：将XGBoost模型的多组初始超参数组合输入GWOA模型，将振动信号训练集以及GWOA模型中的任一组超参数组合输入XGBoost模型进行训练，根据训练得到的诊断结果计算当前超参数组合的适应度值，通过训练过程的反向传播，将当前超参数组合的适应度值与GWOA模型中当前最优超参数组合的适应度值相比较，采用使适应度值最小的方式，通过
GWOA模型不断更新最优超参数组合使XGBoost模型输出迭代逼近真实值，最终得到的超参数组合作为XGBoost模型的最优超参数组合。
[0012]进一步，所述适应度值为真实值与诊断结果的均方误差；将均方误差更小的超参数组合更新为当前最优超参数组合。
[0013]进一步，所述的利用GA算法对WOA算法进行改进得到GWOA模型，其中，GWOA模型的工作步骤包括：初始化GWOA模型，将原始超参数组合的数据集作为初始代种群输入GWOA模型，其中，每组超参数组合作为一个鲸鱼个体；设定种群中最优适应度值作为目标，通过不断调整种群内各鲸鱼个体的参数，以更新种群中每个个体的位置；重新迭代计算种群的适应度值，直到达到迭代终止条件，输出基于种群的最优超参数组合。
[0014]进一步，超参数组合至少包括XG本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，其特征在于，包括如下步骤：使用优化的VMD对电机轴承的振动信号进行特征分解，获得其IMF分量，基于多尺度熵理论计算各IMF分量的MSE值，通过所述MSE值对振动信号进行特征重构；利用GA算法对WOA算法进行改进得到GWOA模型，通过GWOA模型对XGBoost模型进行优化；将特征重构的振动信号输入优化后的XGBoost模型，得到电机轴承故障诊断结果。2.根据权利要求1所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，其特征在于，对VMD进行优化的过程，包括：预设VMD的IMF分量个数K与惩罚因子α；初始化PSO算法的关键参数，将局部极小熵值作为PSO算法的适应度函数，将待优化的参数[K,α]作为PSO算法的个体位置坐标，随机生成每个个体的初始坐标与初始速度；使用VMD对每个个体进行分解，计算每个个体对应的局部极小熵值，利用每个个体的局部极小熵值对VMD进行迭代，每次迭代更新局部极小熵值以及全局极小熵值，直到迭代结束，输出最优个体的坐标和速度，最优个体的坐标[K,α]即作为优化的VMD模型的最佳参数。3.根据权利要求1或2所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，其特征在于，所述的使用优化的VMD对电机轴承的振动信号进行特征分解，获得其IMF分量，包括：确定VMD的IMF分量个数K，使得所有IMF分量的带宽之和最小，将每个IMF分量定义成一个调幅
‑
调频信号；利用Hilbert变换求出每个IMF分量的解析信号，分别估算K个IMF分量的中心频率，引入指数项调制各IMF分量的频谱到其所属基频带；求出调制后的信号的梯度平方范数，通过梯度平方范数估算每个IMF分量的带宽；基于约束条件，得到变分约束模型，将惩罚因子α和Lagrange乘数λ引入变分约束模型，使变分约束模型转换成变分非约束模型；基于交替方向乘子法迭代更新变分非约束模型中增广Lagrange表达式的
‘
鞍点
’
，直至满足迭代停止条件，输出变分约束模型的最优解，通过最优解获得优化的变分约束模型，通过优化的变分约束模型输出K个有限带宽的IMF分量。4.根据权利要求3所述基于特征优选和GWOA
‑
XGBoost的电机轴承故障诊断方法，其特征在于，所述的基于多尺度熵理论计算各IMF分量的MSE值，通过所述MSE值对振动信号进行特征重构，包括：基于多尺度熵理论分别计算每个IMF分量的MSE值，得到与K个IMF分量一一对应的K个MSE值，K个MSE值所组成的一组向量就构成一...

【专利技术属性】
技术研发人员：樊清川，于飞，徐小健，王素华，宣敏，黄雅鑫，魏永清，肖非然，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：