基于花朵授粉算法改进VMD算法的数据特征提取方法技术

本发明专利技术提供一种基于花朵授粉算法改进VMD算法的数据特征提取方法，涉及特征提取技术领域。该方法包括：获取用于表征轴承设备的多种状态的轴承状态数据；对轴承状态数据进行预处理；基于python平台构造变分模态分解特征提取模型；通过花朵授粉算法对变分模态分解特征提取模型进行参数优化；采用经优化的变分模态分解特征提取模型进行数据特征提取。采用基于VMD的特征提取方式，摆脱了EMD存在模式混叠的现象，通过对数据潜在规律的分析挖掘，提取数据的潜在特征；利用花朵授粉算法对VMD特征提取模型进行参数优化，使得VMD特征提取模型可以获得更适合所用数据集的参数，提升了VMD特征提取模型的提取特征的效果。征提取模型的提取特征的效果。征提取模型的提取特征的效果。

【技术实现步骤摘要】
基于花朵授粉算法改进VMD算法的数据特征提取方法


[0001]本专利技术涉及特征提取
，具体涉及一种基于花朵授粉算法改进VMD算法的数据特征提取方法。

技术介绍

[0002]当前，新一轮科技革命推动了全球产业的颠覆性发展和创新，信息技术与各个行业相互渗透、深度融合。随着计算机、传感器及通信技术的不断发展，现代工业系统逐渐呈现出大型化、复杂化的特点。越来越复杂的工业系统，需要有更多的传感器来对系统状态进行监控，其整体系统的测点就会大幅增加。基于现状，整个系统的状态监控数据呈现出：数据量大幅增加、数据类型多样化、数据价值密度较低、同时刻数据量涌现、数据的准确性和可信赖度较低等特点。因此，在海量的数据下提取出数据所需的特征，为后续的研究的开展具有重大意义。
[0003]特征提取是从初始的一组测量数据开始，并建立旨在提供信息和非冗余的派生值(特征)，从而促进后续的学习和泛化步骤，并且在某些情况下带来更好的可解释性。特征的好坏对泛化能力有至关重要的影响。当前，特征提取算法总共可分为以下几个大类，分别是基于信号、基于统计、基于Wrapper三个大类。
[0004]工业领域常用的特征提取方法为基于信号的特征提取算法(小波变换、EMD等)，如中国专利“基于优选小波基函数的模拟电路故障特征提取方法及系统”(公开号：CN111337819A)。但是此方法处理突变信号时，特征提取效果较差，并且对于小波基的选取需要有很高的经验要求。而中国专利“一种基于EMD的脑电信号的短时特征提取方法”(公开号：CN111580654A)。虽然EMD特征提取方法相对于小波变换特征提取方法有所提升，但是仍存在着模式混叠现象，端点效应和停止条件难以判定等缺点。

技术实现思路

[0005]本专利技术的目的在于，针对上述现有技术的不足，提供一种基于花朵授粉算法改进VMD算法的数据特征提取方法，以解决数据特征提取问题。
[0006]为实现上述目的，本专利技术采用的技术方案如下：
[0007]本专利技术提供了一种基于花朵授粉算法改进VMD算法的数据特征提取方法，该方法包括：
[0008]获取用于表征轴承设备的多种状态的轴承状态数据，轴承状态数据包括正常轴承数据、内圈故障数据、外圈故障数据、滚珠故障数据；
[0009]对轴承状态数据进行预处理，以形成训练集和测试集；
[0010]基于python平台构造变分模态分解特征提取模型，变分模态分解特征提取模型采用训练集和测试集来进行训练和测试；
[0011]通过花朵授粉算法对变分模态分解特征提取模型进行参数优化，以形成经优化的变分模态分解特征提取模型；
[0012]采用经优化的变分模态分解特征提取模型进行数据特征提取。
[0013]可选地，对轴承状态数据进行预处理，以形成训练集和测试集，包括：将轴承状态数据通过python平台输入为二维数组，二维数组包括轴承状态数据和轴承状态标签，将二维数组进行划分，划分为训练集和测试集，将各个二维数组中70％的数据内容作为训练集，将各个二维数组中30％的数据作为测试集。
[0014]可选地，对轴承状态数据进行预处理的过程中，还包括在轴承状态数据中增加高斯白噪声来进行数据增强。
[0015]可选地，在轴承状态数据中增加高斯白噪声来进行数据增强具体操作通过以下表达式表示：
[0016][0017]其中x(n)为原始信号，s(n)为加入噪声后的信号，通过设定信噪比SNR的值来设定输入噪声的大小。
[0018]可选地，基于python平台构造变分模态分解特征提取模型，包括：
[0019]通过python平台利用vmdpy库来建立变分模态分解特征提取模型，所建立的变分模态分解特征提取模型为VMD(s,alpha,tau,K,DC,tol)，其中，s为输入的数据，alpha为带宽限制，tau为噪声容限，K为分解模态个数，DC为合成信号有无常量，tol为误差精度。
[0020]可选地，通过花朵授粉算法对变分模态分解特征提取模型进行参数优化，包括：利用花朵授粉算法对变分模态分解特征提取模型中的带宽限制alpha和分解模态个数K进行参数寻优，得出最优的带宽限制alpha和分解模态个数K。
[0021]可选地，通过花朵授粉算法对变分模态分解特征提取模型进行参数优化，具体包括：
[0022]a)进行种群初始化，通过初始化变分模态分解特征提取模型参数，生成初始种群，模型参数包括噪声容限tau、误差精度tol、带宽限制alpha、分解模态个数K；
[0023]b)构造适应度函数，适应度函数f(x)用幅值谱来构造，并且幅值谱熵的极小值作为适应度值；
[0024]c)进行花朵授粉算法参数设定，花朵授粉算法参数包括种群数目pop、迭代次数Max_g、转换概率p；
[0025]d)输入数据以训练变分模态分解特征提取模型，并根据适应度函数计算每个解的适应度值，并求解出当前的最优解和最优适应度值；
[0026]e)根据转换概率来判断进行局部授粉或者全局授粉，若p>rand，则进行全局授粉，反之，则进行局部授粉，其中rand为0到1之间的随机数字；
[0027]f)计算步骤d)得到的新解对应的适应度值，若新解的适应度值最优，则用新解和新解对应的适应度值分别替换当前解和当前适应度值，否则保留当前解和当前适应度值，如果新解对应的适应度值比全局最优值更优，则更新全局最优解和全局最优值；
[0028]g)判断是否满足算法终止条件，若不满足算法终止条件，则返回步骤d)继续执行，直到满足算法终止条件，算法终止条件为适应度值达到预设要求或者迭代次数达到预设最大迭代次数；
[0029]h)得到的最优的带宽限制alpha和分解模态个数K。
[0030]可选地，在采用经优化的变分模态分解特征提取模型进行数据特征提取之后，将提取的特征带入到预先建立的支持向量机故障诊断模型中进行故障诊断，通过故障诊断的识别率来表征经优化的变分模态分解特征提取模型进行特征提取的效果。
[0031]可选地，将提取的特征带入到预先建立的支持向量机故障诊断模型中进行故障诊断，通过故障诊断的识别率来表征经优化的变分模态分解特征提取模型进行特征提取的效果，具体包括：
[0032]通过python平台利用sklearn库来建立支持向量机故障诊断模型，建立的支持向量机故障诊断模型为SVC(C＝1,gamma＝'auto',kernel＝'rbf')，其中，C为惩罚参数，gamma为核函数系数，kernel为核函数类型，将提取的特征输入所述支持向量机故障诊断模型中，并以特征数据的70％为训练集进行模型训练，特征数据的30％为测试集，通过判断测试集的故障识别率来表征经优化的变分模态分解特征提取模型进行特征提取的效果。
[0033]本专利技术的有益效果包括：
[0034]本专利技术提供的基于花朵授粉算法改进VMD算法的数据特征提取方法包括：获取用于表征轴承设备的多种状态的轴承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，所述方法包括：获取用于表征轴承设备的多种状态的轴承状态数据，所述轴承状态数据包括正常轴承数据、内圈故障数据、外圈故障数据、滚珠故障数据；对所述轴承状态数据进行预处理，以形成训练集和测试集；基于python平台构造变分模态分解特征提取模型，所述变分模态分解特征提取模型采用所述训练集和所述测试集来进行训练和测试；通过花朵授粉算法对所述变分模态分解特征提取模型进行参数优化，以形成经优化的变分模态分解特征提取模型；采用所述经优化的变分模态分解特征提取模型进行数据特征提取。2.根据权利要求1所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，所述对所述轴承状态数据进行预处理，以形成训练集和测试集，包括：将所述轴承状态数据通过python平台输入为二维数组，所述二维数组包括轴承状态数据和轴承状态标签，将所述二维数组进行划分，划分为训练集和测试集，将各个二维数组中70％的数据内容作为训练集，将各个二维数组中30％的数据作为测试集。3.根据权利要求2所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，对所述轴承状态数据进行预处理的过程中，还包括在所述轴承状态数据中增加高斯白噪声来进行数据增强。4.根据权利要求3所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，在所述轴承状态数据中增加高斯白噪声来进行数据增强具体操作通过以下表达式表示：其中x(n)为原始信号，s(n)为加入噪声后的信号，通过设定信噪比SNR的值来设定输入噪声的大小。5.根据权利要求1所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，所述基于python平台构造变分模态分解特征提取模型，包括：通过python平台利用vmdpy库来建立变分模态分解特征提取模型，所建立的变分模态分解特征提取模型为VMD(s,alpha,tau,K,DC,tol)，其中，s为输入的数据，alpha为带宽限制，tau为噪声容限，K为分解模态个数，DC为合成信号有无常量，tol为误差精度。6.根据权利要求5所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，所述通过花朵授粉算法对变分模态分解特征提取模型进行参数优化，包括：利用花朵授粉算法对变分模态分解特征提取模型中的带宽限制alpha和分解模态个数K进行参数寻优，得出最优的带宽限制alpha和分解模态个数K。7.根据权利要求6所述的基于花朵授粉算法改进VMD算法的数据特征提取方法，其特征在于，...

【专利技术属性】
技术研发人员：尹德斌，孙志伟，乔非，慕涵铄，翟晓东，
申请(专利权)人：同济大学，
类型：发明
国别省市：