QPSO-WT和QPSO-SVM在滾動軸承故障診斷中的應(yīng)用

， ，，

(西南交通大學(xué)機械工程學(xué)院，四川 成都 610031)

0 引言

當(dāng)滾動軸承發(fā)生故障時，振動信號呈現(xiàn)出非線性非平穩(wěn)特性，小波變換是當(dāng)前實現(xiàn)機械設(shè)備故障診斷的有效方法之一，特別適用于處理非平穩(wěn)時間序列，但是由于此方法的所采用的閾值函數(shù)是分段函數(shù)，其函數(shù)連續(xù)但導(dǎo)數(shù)不連續(xù)，在具體的應(yīng)用中不便于運算處理，限制了它的發(fā)展[1-3]。支持向量機是一個常用的機器學(xué)習(xí)方法，在實際工程中有著大量的應(yīng)用[4]，但其效果卻受制于懲罰參數(shù)和和函數(shù)參數(shù)的選擇，輕微的差別都可能使最后的識別結(jié)果發(fā)生巨大的差異[5-6]。

QPSO算法是一種群體智能優(yōu)化算法，具有控制參數(shù)少、計算簡單、收斂速度快、尋優(yōu)能力強、易于實現(xiàn)等特點，大量應(yīng)用于實際優(yōu)化問題求解中，并且理論上已證明其可收斂到全局最優(yōu)解[7]。Gao等[8]、Lu等[9]將QPSO應(yīng)用于圖像處理；Fang等[10]使用QPSO優(yōu)化信號處理過程；Xi等[11]，Liu等[12]使用QPSO進行參數(shù)優(yōu)化。

提出一種基于小波優(yōu)化閾值的濾波方法和QPSO-SVM狀態(tài)識別方法，并將其應(yīng)用到滾動軸承故障診斷中。實驗證明，該模型能對滾動軸承故障狀態(tài)作出較好的識別，從而為滾動軸承故障診斷的工業(yè)應(yīng)用提供了良好的技術(shù)支撐。

1 研究方法

1.1 小波變換

Donoho提出的軟閾值函數(shù)為：

(1)

此方法可以按以下3個步驟實現(xiàn)：

①對觀測信號f(t)作離散小波變換DWT，得到小波系數(shù)cdjk(j=1,2,…,J)，J為小波分解的尺度數(shù)。

②應(yīng)用軟閾值函數(shù)處理各尺度小波系數(shù)，基于所選擇閾值得出各尺度小波系數(shù)的估計值。

1.2 支持向量機

SVM算法的基本思想從尋找一個最優(yōu)超平面使樣本集分為兩類使樣本離該超平面的距離最近。設(shè)有樣本集D={(xi,yi)}，i=1,2,…,n,xi為第i個樣本輸入列向量；yi為向量機相應(yīng)的輸出。存在一個非線性映射函數(shù)φ(·)將樣本數(shù)據(jù)映射到高維特征空間，在特征空間中找到一個最優(yōu)超平面wx+b=0使得映射樣本數(shù)據(jù)在精度ε下達到最優(yōu)的分類效果，此時的幾何間隔為γ=||w||2。在此引入松弛變量ξi，則構(gòu)造最優(yōu)超平面的問題轉(zhuǎn)化為：

(2)

yi(ωTxi+b)≥1-ξi,i=1,2,…,n

引入懲罰參數(shù)C和拉格朗日乘子，對w，b求偏導(dǎo)，則可以將w和b的求解問題轉(zhuǎn)換為一個凸二次規(guī)劃問題：

(3)

選擇適當(dāng)?shù)暮撕瘮?shù)K(xi,x)代替上式中的內(nèi)積運算(φ(xi),φ(xj))，即可構(gòu)造出分類函數(shù)：

(4)

1.3 量子行為粒子群算法

2004年，Sun等[13]基于Clerc等關(guān)于粒子收斂行為的研究成果，從量子力學(xué)的角度提出了QPSO算法。在量子空間中，粒子的聚集性通過粒子運動中心存在的某種吸引勢產(chǎn)生的束縛態(tài)來描述，而處于量子束縛態(tài)的粒子可以以一定的概率密度出現(xiàn)在空間任何點，滿足聚集態(tài)的性質(zhì)的粒子可以在整個可行解空間中進行搜索，但不會發(fā)散到無窮遠。

假設(shè)一個包含m個粒子的粒子群在D維解空間中飛行，在t時刻，第i個粒子位置表示為Xi(t)=[Xi,1(t),Xi,2(t),…,Xi,D(t)]，其中i=1,2,…,m。第i個粒子在D維解空間中的歷史最優(yōu)位置表示為Pi(t)=[Pi,1(t),Pi,2(t),…,Pi,D(t)]，群體的全局最優(yōu)位置表示為G(t)=[G1(t),G2(t),…,GD(t)]，且G(t)=Pg(t)，g是全局最優(yōu)位置粒子的下標(biāo)，g∈{1,2,…,m}。個體最優(yōu)位置的平均由下式?jīng)Q定：

(5)

對于最小化問題，目標(biāo)函數(shù)值越小，對應(yīng)的適應(yīng)值越好，故第i個粒子的個體最優(yōu)位置Pi(t)由下式確定：

(6)

群體的全局最優(yōu)位置G(t)由下式確定：

(7)

粒子位置進化方程為：

Pi,j(t+1)=φj(t)Pi,j(t)+[1-φj(t)]Gj(t)，

φj(t)∈U(0,1)

(8)

Xi,j(t+1)=

Pi,j(t)±α·|Mbest(t)-Xi,j(t)|·ln[1/ui,j(t)]，

ui,j(t)∈U(0,1)

(9)

φj(t)，ui,j(t)為(0,1)區(qū)間均勻分布的隨機數(shù)，若ui,j(t)大于0.5，α前取負號，否則取正號；單個粒子有界性的充分必要條件是α<1.782，而粒子有界性是QPSO算法收斂到全局最優(yōu)解的充分必要條件，實際過程中，參數(shù)α從1.0線性下降到0.5，普遍可以取得較好的優(yōu)化效果[14]。

1.4 QPSO優(yōu)化小波變換(QPSO-WT)

為了克服傳統(tǒng)小波閾值不能隨著系統(tǒng)實時改變、僅靠人工因素和統(tǒng)計理論來決策的問題，提出了量子行為粒子群自適應(yīng)閾值尋優(yōu)算法，見圖1。選用GCV風(fēng)險函數(shù)作為QPSO優(yōu)化小波閾值的適應(yīng)函數(shù)，通過目標(biāo)函數(shù)最小化來選取漸進最優(yōu)閾值T。

圖1 QPSO-WT算法流程

1.5 QPSO優(yōu)化支持向量機(QPSO-SVM)

傳統(tǒng)的SVM需要輸入懲罰參數(shù)c和核函數(shù)參數(shù)g，這兩個參數(shù)與支持向量回歸的預(yù)測精度息息相關(guān)。針對這種情況選用廣義交叉驗證(GCV)風(fēng)險函數(shù)作為QPSO優(yōu)化支持向量機的適應(yīng)函數(shù)，通過目標(biāo)函數(shù)最小化來選取漸進最優(yōu)參數(shù)c和g。其流程如下。

第1步，對最佳懲罰參數(shù)和最佳和函數(shù)參數(shù)進行編碼。

第2步，確定適應(yīng)函數(shù)為CGV意義下的錯誤率。

第3步，初始化粒子群，確定迭代次數(shù)。

第4步，輸入樣本數(shù)據(jù)，計算粒子的適應(yīng)度。

第5步，判斷粒子適應(yīng)度是否達到要求，如果達到要求就進行解碼，如果未達到要求重新計算粒子群的平均最優(yōu)位置，繼續(xù)進行迭代，直至滿足條件。

第6步，將解碼后的最佳懲罰參數(shù)和核函數(shù)參數(shù)用來建立支持向量機模型。

第7步，利用該模型進行分類。

2 實驗研究

實驗數(shù)據(jù)是美國西儲大學(xué)電氣工程實驗室的故障采樣頻率為48 kHz的驅(qū)動端滾動軸承故障實驗數(shù)據(jù)。該實驗過程共有4種不同工況，軸承故障分類如表1所示，共分為10種不同類別的軸承，總共有40組數(shù)據(jù)。

表1 滾動軸承故障分類

2.1 信號濾波

對振動信號進行5層小波降噪，選用db6小波基，QPSO優(yōu)化小波閾值降噪效果見表2。

表2 QPSO優(yōu)化前后軟閾值濾波后的信號參數(shù)SNR與MSE

2.2 特征提取

遵循同種類別差異小，不同類別差異大的原則，選取以下13個特征參數(shù)：均方頻率、重心頻率、頻率方差、均方根、平均信號強度、峰態(tài)系數(shù)、偏態(tài)系數(shù)、峰值、峰值因子、脈沖因子、波形因子、峭度因子、裕度系數(shù)。

按照5 ms計算一組特征的原則，得到400組特征樣本，其中每個軸承類別有40個特征樣本。

2.3 QPSO-SVM分類

基于1.4的算法過程，利用MATLAB平臺進行編程，QPSO-SVM模型，其中設(shè)置初始種群數(shù)量為30，迭代次數(shù)為300，選擇RBF核作為核函數(shù)，算法的適應(yīng)度函數(shù)為CGV意義下的錯誤率，通過最小化適應(yīng)度函數(shù)得到最優(yōu)解，設(shè)置懲罰參數(shù)c的取值范圍為[0,100]，核函數(shù)參數(shù)g的取值范圍為[0,100]。

按照訓(xùn)練集和測試集都必須涵蓋4種工況的原則，每種軸承類別取20個特征樣本作為訓(xùn)練集，20個特征樣本作為測試集，則得到了200個訓(xùn)練樣本，200個測試樣本。

訓(xùn)練集經(jīng)過量子行為粒子群算法對支持向量機的輸入?yún)?shù)進行尋優(yōu)，最后得到的最佳懲罰參數(shù)為c，最佳核函數(shù)參數(shù)為g。

利用得到的最佳輸入?yún)?shù)建立支持向量機模型，對測試集進行分類，其測試結(jié)果如圖2所示，其中0～9表示10種不同的軸承狀態(tài)，具體類別參照表1。從圖中所示結(jié)果可以發(fā)現(xiàn)QPSO-SVM識別的準(zhǔn)確率達到了87.67%，說明QPSO-SVM模型具有很高的識別精度。

圖2 QPSO-SVM分類結(jié)果

為了進一步驗證QPSO-SVM模型的有效性，還設(shè)計了SVM分類器和RBF神經(jīng)網(wǎng)絡(luò)分類器來對軸承故障進行分類。

在缺乏先驗知識儲備的情況下，SVM模型的輸入?yún)?shù)主要依賴人為經(jīng)驗選擇。故本次實驗中設(shè)置懲罰參數(shù)c=1.4，核函數(shù)參數(shù)g=1.5。

RBF神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)，由于在本次實驗中的特征參數(shù)為13，故設(shè)置RBF神經(jīng)網(wǎng)絡(luò)的輸入層為13，輸出層設(shè)為1，訓(xùn)練精度為1×10-6。

RBF,SVM和QPSO-SVM分類結(jié)果見表3。

表3 RBF,SVR,QPSO-SVR診斷結(jié)果

3 結(jié)束語

首先通過對比QPSO優(yōu)化后的小波降噪與普通的小波降噪發(fā)現(xiàn)，經(jīng)過閾值尋優(yōu)后的去噪效果十分明顯，有著更高的SNR和更低的MSE。再對比QPSO-SVM和SVM發(fā)現(xiàn)，QPSO算法避免了支持向量機懲罰參數(shù)c和核函數(shù)參數(shù)g在選擇上的盲目性，并且在設(shè)定的參數(shù)范圍內(nèi)尋找到全局最優(yōu)解，具有更高的精度，同時發(fā)現(xiàn)QPSO-SVM有著更好的識別效果。對比QPSO-SVM和RBF神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)，QPSO-SVM提高了SVM本身的識別精度，同時識別效果也高于RBF神經(jīng)網(wǎng)絡(luò)。因此在多分類的情況，QPSO-SVM模型有著更高的精度。

參考文獻：

[1] PENG Z K, CHU F L. Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography [J]. Mechanical Systems and Signal Processing,2004,18:199-221.

[2] VAFAEI S,PAHNEJAT H. Indicated repeatable runout with wavelet decomposition (IRR-WD) for effective determination of bearing-induced vibration [J]. Journal of Sound and Vibration, 2003, 260: 67-82.

[3] 唐進元,陳維濤,陳思雨,等.一種新的小波閾值函數(shù)及其在振動信號去噪分析中的應(yīng)用[J].振動與沖擊, 2009(7): 118-121.

[4] 克里斯特安尼，等. 支持向量機導(dǎo)論[M]. 李國正，王猛，曾華軍，譯.北京: 電子工業(yè)出版社, 2004.

[5] 張小艷, 李強. 基于SVM的分類方法綜述[J]. 科技信息, 2008(28): 350-351.

[6] ZHANG X Y, LIANG Y T, ZHONG J, et al. A novel bearing fault diagnosis model integrated permutation entropy, ensemble empirical model decomposition and optimized SVM[J]. Measurement, 2015, 69: 164-179.

[7] 吳濤. 粒子群及量子行為粒子群優(yōu)化算法的改進研究[D]. 成都：西南交通大學(xué),2014.

[8] GAO F,GAO H G , LI Z Q ,et al.Detecting unstable periodic orbits of nonlinear mappings by a novel quantum-behaved particle swarm optimization non-Lyapunov way[J].Chaos, Solitons & Fractals, 2009, 42(4): 2450-2463.

[9] LU Y ,LIAO Z W ,CHEN W F .An automatic registration framework using quantum particle swarm optimization for remote sensing images[R]. Proceedings of the 2007 International Conference on Wavelet Analysis and Pattern Recognition, 2007, 2: 484-488.

[10] FANG W,SUN J,XU W B. Design IIR digital filters using quantum-behaved particle swarm optimization[J]. Lecture Notes in Computer Science, 2006, 4222: 637-640.

[11] MAO L X, SUN J,WEN B X. Parameter optimization of PID controller based on quantum-behaved particle swarm optimization algorithm[J]. Complex Systems and Applications, Modeling, Control and Simulations, 2007(14): 603-607

[12] LIU J, WU Q, ZHU D Q. Thruster fault-tolerant for UUVs based on quantum-behaved particle swarm optimization[J]. Opportunities and Challenges. Springer, 2009, 214: 65.

[13] SUN J, XU W B. A Global Search Strategy of Quantum behaved Particle Swarm Optimization[R] IEEE Conference on Cybernetics and Intelligent Systems. 2004: 111-116.

[14] 孟宗,李姍姍. 小波改進閾值去噪和經(jīng)驗?zāi)B(tài)分解相結(jié)合的旋轉(zhuǎn)機械故障特征提取[J]. 機械強度, 2014(1): 24-29.