基于遗传编程算法的集成学习高速旋转轴承故障诊断方法技术

本发明专利技术涉及一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，包括：步骤1，确定高速旋转轴承故障诊断模型的输入变量及输出变量；步骤2，基于高速轴承运行的历史样本数据，在云计算中的计算节点中执行基于树的遗传编程算法，将每组输入变量和输出变量的值放入一个计算节点中，通过多个计算节点的并行计算得到多个用于描述高速旋转轴承健康状态及故障严重程度的最优子模型；步骤3，基于分布式计算的集成学习建模方法，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型，用于高度旋转轴承故障诊断

【技术实现步骤摘要】
基于遗传编程算法的集成学习高速旋转轴承故障诊断方法


[0001]本专利技术属于高速旋转轴承故障诊断
，尤其涉及一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法
。

技术介绍

[0002]如何建立一个预测模型来准确地评估高速旋转轴承的健康状况，高效地进行故障检测，问题诊断和寿命预测是需要解决的问题
。
[0003]现有高速旋转轴承故障诊断方法中，由于高速旋转轴承故障的历史样本数据非常有限，并且遗传编程属于人工智能算法，虽然高效，但需要大量的数据运算，运算成本较高
。

技术实现思路

[0004]本专利技术的目的是提供一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，利用机器学习技术，改进数据处理
(Data Conditioning)
和特征选取
(Feature Selection)
模型，采用基于树的遗传编程
(Genetic Programming)
技术和集成学习
(Ensemble based Learning)
，处理不同的数据流，并从中提取风机状态和诊断预测信息
。
[0005]本专利技术提供了一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，包括如下步骤：
[0006]步骤1，确定高速旋转轴承故障诊断模型的输入变量及输出变量，其中，所述输入变量根据高速旋转轴承特性进行特征提取得到；所述输出变量为高速旋转轴承健康状态及故障严重程度；
[0007]步骤2，基于高速轴承运行的历史样本数据，在云计算中的计算节点中执行基于树的遗传编程算法，将每组输入变量和输出变量的值放入一个计算节点中，通过多个计算节点的并行计算得到多个用于描述高速旋转轴承健康状态及故障严重程度的最优子模型；
[0008]步骤3，基于分布式计算的集成学习建模方法，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型，用于高度旋转轴承故障诊断
。
[0009]进一步地，所述输入变量包括由时域特征中提取的最大值
、
中值
、
方差
、
峰度和偏斜
、
波峰因子；由频域特征中提取的沿时间频率扇区的能量分布
、
高频分量的时间定位；由时频特征中提取的
Wigner
‑
Ville
分布
、
平滑的伪
WV
分布
、Born
‑
Jordan
分布
、
巴特沃斯分布
、Gabor
分布
、
短时傅立叶变换
。
[0010]进一步地，所述步骤2包括：
[0011]在分布式计算系统每个计算节点中存入
10
个变量的历史数据进行训练建模；其中的变量包括随机选取的4个不可控输入变量
、4
个可控输入变量和2个输出变量；
[0012]将相同的遗传编程算法加入多个计算节点中进行并行计算，得到对应的多个描述高速旋转轴承健康状态及故障严重程度的最优子模型
。
[0013]进一步地，步骤2中所述遗传编程算法的步骤如下：
[0014]1)
随机生成初始群体，
GP
的初始群体中的个体随机生成，由给定的函数和终止符
构成
N
个程序，
N
是群体大小，即群体中含有的个体数；在初始化时预先定义所要生产的树的最大深度
Di
；
[0015]2)
对程序群体重复执行下述子步骤，直至满足终止准则；
[0016]a.
用适应度的衡量标准为群体中的每个程序个体赋一个适应度；
[0017]b.
应用复制
、
杂交
、
变异
)
的遗传操作产生1个新的表达式群体，选择被处理的个体时以基于适应度的概率值为标准；
[0018]3)
返回的个体表达式作为遗传编程的运行结果
。
[0019]借由上述方案，通过基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，具有如下技术效果：
[0020]1)
可以快速检测故障，并对其实施实时问题诊断，在故障造成严重后果之前估算部件的剩余寿命，以此来增加风机设备的可靠性，可以帮助操作员做出快速反应并预防风机出现严重故障
。
[0021]2)
通过估算剩余寿命，提前安排对故障设备的检修，能够大幅降低维护费用
。
[0022]3)
使用集成学习建模技术，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型
。
提高了模型的预测准确率，减少了样本数据使用量，降低了运算成本
。
[0023]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后
。
附图说明
[0024]图1是本专利技术基于遗传编程算法的集成学习高速旋转轴承故障诊断方法的流程图；
[0025]图2是本专利技术一实施例中树
A
和树
B
的结构图；
[0026]图3是本专利技术遗传编程算法的流程图；
[0027]图4是本专利技术一实施例中多个最优子模型合并为一个最优总模型的流程图
。
具体实施方式
[0028]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述
。
以下实施例用于说明本专利技术，但不用来限制本专利技术的范围
。
[0029]本实施例提供了一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，该方法结合进化机器学习
(Evolutionary Machine Learning)
和云计算技术
(Cloud Computing)
，提供了一种健壮稳定
、
适用于各种规模
、
易实现的算法来创建高速旋转轴承故障诊断方法，尤其适用于各类风机轴承，具体步骤如下：
[0030]步骤
S1
，确定高速旋转轴承故障诊断模型的输入变量及输出变量，其中，所述输入变量根据高速旋转轴承特性进行特征提取得到；所述输出变量为高速旋转轴承健康状态及故障严重程度
。
输入变量及输出变量如表1所示：
[0031]表1输入变量及输出变量
[0032][0033][0034]步骤
S2
，基于高速轴承运行的历史样本数据，在云计算中的计算节点中执行基于树的遗传编程算法，将每组输入变量和输出变量的值放入一个计算节点中，通过多个计算节点的并行计算得到多个用于描述高速旋转轴承健康状态及故障严重程度的最优子模型
。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，其特征在于，包括如下步骤：步骤1，确定高速旋转轴承故障诊断模型的输入变量及输出变量，其中，所述输入变量根据高速旋转轴承特性进行特征提取得到；所述输出变量为高速旋转轴承健康状态及故障严重程度；步骤2，基于高速轴承运行的历史样本数据，在云计算中的计算节点中执行基于树的遗传编程算法，将每组输入变量和输出变量的值放入一个计算节点中，通过多个计算节点的并行计算得到多个用于描述高速旋转轴承健康状态及故障严重程度的最优子模型；步骤3，基于分布式计算的集成学习建模方法，将多个最优子模型通过基于树的遗传编程合并为一个最优总模型，用于高度旋转轴承故障诊断
。2.
根据权利要求1所述的基于遗传编程算法的集成学习高速旋转轴承故障诊断方法，其特征在于，所述输入变量包括由时域特征中提取的最大值
、
中值
、
方差
、
峰度和偏斜
、
波峰因子；由频域特征中提取的沿时间频率扇区的能量分布
、
高频分量的时间定位；由时频特征中提取的
Wigner
‑
Ville
分布
、
平滑的伪
WV
分布
、Born
‑
Jordan
分布
、
巴特沃斯分布
、Gabor
分布
、
短时傅立叶变...

【专利技术属性】
技术研发人员：王泽，叶翔，李锐，郝晓昱，聂硕晔，南雄，王英敏，郭洪义，焦开明，阴晓艳，韩志成，彭铁英，夏尊宇，易卫国，黄治军，董银怀，刘佃臣，周军焰，李文强，王建廷，董强，崔井操，
申请(专利权)人：中国大唐集团科学技术研究总院有限公司中国大唐集团科学技术研究总院有限公司华北电力试验研究院，
类型：发明
国别省市：