【技术实现步骤摘要】
本专利技术涉及故障检测，尤其涉及一种基于gsinsoa-elm模型的针织机故障检测方法。
技术介绍
1、针织机在长期使用的过程中，极易因针床、针筒、机械部件以及传动系统的负荷运作而发生故障（例如：退圈、垫纱、弯纱、成圈等工艺都伴随着机械部件和传动系统的负荷运作）。其中：针床和针筒作为针织机的核心部件，负责针织操作，由于长时间的工作以及受力情况，针床和针筒容易出现磨损、变形或者断裂等问题，导致针织机无法正常工作。而针织机的传动系统包括：电机、减速机、皮带、链条等组成的机械结构，用于驱动针床和针筒进行运动。传动系统容易因为零部件磨损、松动或者润滑不良等原因导致故障，影响针织机的正常运转。针织机传动系统的任何故障都可能导致不必要的停机，并影响针织产品的合格率，因此，针织机的健康状况监测和故障检测对针织产品的合格率具有重要意义。
2、目前，在针织机中加入振动传感器，通过振动传感器来实时监测针织机传动系统的振动情况，并通过分析振动信号获取针织机的运行状态信息（例如：运行平稳性、异响、震动幅度等）。通过故障检测分析针织机的运行数据和状态来确定针织机是否正常运行以及在出现故障的情况下，确定故障的位置和类型。故障检测技术对于提高针织机的运行可靠性、降低维护成本以及减少停机时间至关重要。在针织机运行时若出现故障，至少一个系统特征或变量出现细微变化，训练出的故障检测模型能够捕捉到工况的细微差别，从而及时进行诊断。针织机由较多的零部件组合而成，信号在各成分间传递，会发生相互耦合、调制，使得信号在特征提取过程中面临种种困难。通过振动传感器采
技术实现思路
1、本专利技术要解决的技术问题是：为了解决现有针织机故障检测因滤波不彻底导致最佳故障检测模型无法调出，影响针织机故障检测精确度和稳定性的技术问题，本专利技术提供一种基于gsinsoa-elm模型的针织机故障检测方法，通过对故障检查方法的优化，能够提高针织机故障检测的精确度和稳定性。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于gsinsoa-elm模型的针织机故障检测方法，包括以下步骤：
3、s1、获取振动传感器采集的针织机的振动数据集；
4、s2、对步骤s1获取的振动数据集进行emd分解、维纳卡尔曼去噪以及数据重构，以得到重构数据；
5、s3、对步骤s2得到的重构数据进行时域特征提取、频域特征提取以及排列熵特征提取，并将这些特征重新整理成数据集；
6、s4、建立gsinsoa-elm模型，通过基于gsin映射的海鸥优化算法对该模型中的连接权值w和神经元阈值b参数进行优化，以得到最优gsinsoa-elm模型；
7、s5、采集针织机的实时振动数据，并利用步骤s4得到的最优gsinsoa-elm模型进行故障检测，输出针织机的故障检测结果；
8、在步骤s4中，通过基于gsin映射的海鸥优化算法对模型中的连接权值w和神经元阈值b的优化过程包括以下步骤：
9、s4-1、通过gsin映射初始化海鸥种群，并设置模型错误率为适应度函数；
10、通过gsin映射初始化海鸥种群的公式为：
11、
12、其中：m、l表示常数，i表示当前迭代次数，xbest表示当前已知的最优解，itermax表示设置的最大迭代次数，xn是当前的状态，xn+1是下一个状态，|lxbest-xn|表示寻优过程中当前时刻产生粒子的最优位置和当前时刻粒子的差值，表示当前迭代次数与迭代次数比值的平方算子；
13、s4-2、计算每个海鸥个体的适应度函数值；
14、s4-3、比较海鸥个体的适应度函数值，寻找当前最优位置；
15、s4-4、计算猎物的最佳适应度值，并更新个体攻击位置；
16、s4-5、判断是否达到迭代次数，若不满足，则以当前最优位置为搜索区域重复步骤s4-1至步骤s4-4；若满足，则执行步骤s4-6；
17、s4-6、得到最优得连接权值w和神经元阈值b，进而得到最优gsinsoa-elm模型。
18、由此，通过对针织机振动数据进行emd分解和维纳卡尔曼去噪，能够实现振动信号全频范围内噪声的快速滤除，同时能够加快故障检测模型的诊断效率，通过引入排列熵特征，能够实现针织机机理特征的准确提取，通过gsin映射对soa中海鸥初始总群参数进行分批次自适应调优初始化算法中粒子的位置，达到对故障检测模型参数的空间全局动态搜索，能够有效减少故障检测模型陷入局部最优解的情况，并优化算法中的参数，加快每个循环中的寻优速度，进而能够提高针织机故障检测的精确度和稳定性。
19、通过基于gsin映射的海鸥优化算法对gsinsoa-elm模型进行循环迭代，在迭代过程中，不断缩小搜索范围，同时在缩小后的范围中，增加搜索的随机点，从而提升参数寻优的全局搜索能力，能够在解空间中找到较优解，有助于解决复杂的优化问题。同时，在gsinsoa算法在对海鸥初始值更进一步随机化，达到更强的全局搜索能力，且该算法具备了自适应强和收敛速度快的优势。
20、通过将|lxbest-xn|作为算法寻优过程中当前时刻产生粒子的最优位置和当前时刻粒子的差值，放在寻优空间里可以看成是有指向最优解的方向的矢量参数，让初始海鸥粒子的位置与方向更多变。同时，为了算法在随着迭代，对于已搜索空间的最优解附近继续产生粒子小范围寻优，就需要对产生粒子的初始位置距离可控，通过结合当前迭代次数与迭代次数比值的平方算子，增加随机搜索概率，以在算法中对参数寻优时随着迭代次数的增加，实现非线性的自适应动态调整初始粒子位置，从而提高故障诊断的精度。
21、进一步地，在步骤s4中，对基于gsin映射的海鸥优化算法达到全局范围内搜索，包括：位置更新、行动方向更新以及避免个体相互碰撞;
22、引入变量a来计算海鸥个体的位置cz，计算公式为：
23、；
24、引入变量b来负责平衡全局优化和局部优化，模型行动方向的表达式为：
25、；
26、引入线性递增因子，则b的计算公式为:
27、;
28、在模拟空间内海鸥个体粒子按照最佳方向进行移动，在不断迭代后，将迁徙至最佳位置dz（t），dz（t）的表达式为：
29、；
30、海鸥觅食以螺旋式俯冲捕捉猎物觅食，将该行为模拟至三维空间中，得到以下运动轨迹公式：
31、；
32、海鸥个体的局部搜索公式如下：
33、；
34、其中：fc为海鸥总群的控制因子，t为当前迭代次数，maxiter为最大迭代次数，pz（t）为当前的海鸥位置，mz（t）为计算出最本文档来自技高网...
【技术保护点】
1.一种基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，在步骤S4中，对基于gsin映射的海鸥优化算法达到全局范围内搜索，包括：位置更新、行动方向更新以及避免个体相互碰撞;
3.根据权利要求1所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，在步骤S4中，建立gsinSOA-ELM模型中包括：将不同工况下针织机重构后的振动数据提取相同性质的特征构成特征向量，并对特征向量划分训练测试集，将训练集放入不同分类器中，依据分类器得到的分类结果来评估特征以及最佳的分类器。
4.根据权利要求1所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，在步骤S4中，建立gsinSOA-ELM模型中，激活函数g（wixi+bi）输出矩阵H（x）的计算公式为：
5.根据权利要求1所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，所述步骤S2包括以下步骤：
6.根据权利要
7.根据权利要求5所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，所述S2-4包括以下步骤：
8.根据权利要求1所述的基于gsinSOA-ELM模型的针织机故障检测方法，其特征在于，在步骤S3中，所述时域特征包括：最大值、最小值、峰值、峰峰值、均值、平均幅值、方根幅值、方差、标准差、均方根值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子以及余隙因子；
...【技术特征摘要】
1.一种基于gsinsoa-elm模型的针织机故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于gsinsoa-elm模型的针织机故障检测方法，其特征在于，在步骤s4中，对基于gsin映射的海鸥优化算法达到全局范围内搜索，包括：位置更新、行动方向更新以及避免个体相互碰撞;
3.根据权利要求1所述的基于gsinsoa-elm模型的针织机故障检测方法，其特征在于，在步骤s4中，建立gsinsoa-elm模型中包括：将不同工况下针织机重构后的振动数据提取相同性质的特征构成特征向量，并对特征向量划分训练测试集，将训练集放入不同分类器中，依据分类器得到的分类结果来评估特征以及最佳的分类器。
4.根据权利要求1所述的基于gsinsoa-elm模型的针织机故障检测方法，其特征在于，在步骤s4中，建立gsinsoa...
【专利技术属性】
技术研发人员：周玉龙，孟博，赵一多，王伟，张久林，杨光，韦宣宇，
申请(专利权)人：中国机械总院集团江苏分院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。