• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于VMD 與PSO-PNN 的滾動(dòng)軸承故障診斷模型

    2019-04-03 08:18:38張建財(cái)高軍偉
    自動(dòng)化與儀表 2019年3期
    關(guān)鍵詞:變分特征向量故障診斷

    張建財(cái),高軍偉

    (青島大學(xué) 自動(dòng)化學(xué)院,青島 266071)

    滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械的重要零部件,根據(jù)數(shù)據(jù)顯示,大約三分之一的旋轉(zhuǎn)機(jī)械故障都是由軸承故障造成的[1]。及時(shí)發(fā)現(xiàn)并確定故障類型,對(duì)故障軸承進(jìn)行及時(shí)的更換或修復(fù)從而避免因軸承故障造成的連鎖故障進(jìn)而可以降低設(shè)備維護(hù)的成本。

    長(zhǎng)期以來(lái),對(duì)于軸承的故障診斷都是通過(guò)傳感器采集軸承的振動(dòng)信號(hào),通過(guò)各種信號(hào)處理方法提取特征向量,然后進(jìn)行故障類型的識(shí)別。經(jīng)驗(yàn)?zāi)B(tài)分解EMD(empirical mode decomposition)是一種典型的自適應(yīng)信號(hào)處理的方法,一經(jīng)提出就被廣泛應(yīng)用到滾動(dòng)軸承故障特征提取上[2]。然而,EMD 產(chǎn)生的分解高度依賴于極值點(diǎn)搜索、載波包絡(luò)線插值和終止條件,導(dǎo)致了EMD 存在端點(diǎn)效應(yīng)、模態(tài)混疊等問(wèn)題[3]。另外,EMD 也存在缺少嚴(yán)格的數(shù)學(xué)基礎(chǔ)和魯棒性差等問(wèn)題。變分模態(tài)分解VMD 是一種新的自適應(yīng)信號(hào)處理方法。變分模態(tài)分解是一種非遞歸的變分分解模型,運(yùn)用交替方向乘數(shù)法迭代搜尋變分模型的最優(yōu)解。VMD 方法在采樣過(guò)程中和抗噪音方面具有很強(qiáng)的魯棒性,也具有很高的精確度和收斂速度[4]。本文主要采用了變分模態(tài)分解方法對(duì)振動(dòng)信號(hào)提取故障特征向量。

    隨著對(duì)軸承故障研究的深入,產(chǎn)生了越來(lái)越多的故障診斷的方法,例如BP 神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、支持向量機(jī)、概率神經(jīng)網(wǎng)絡(luò)[5]?,F(xiàn)在大多用的是BP神經(jīng)網(wǎng)絡(luò),但是存在收斂速度慢、容易陷入局部極小值等問(wèn)題。概率神經(jīng)網(wǎng)絡(luò)本身具有訓(xùn)練容易、收斂速度快、分類能力強(qiáng)、不存在陷入局部極小值等優(yōu)點(diǎn)。然而,難以在概率神經(jīng)網(wǎng)絡(luò)中的有限故障模式樣本中提煉出能反應(yīng)整個(gè)故障樣本空間的平滑因子。本文采用粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)中的平滑因子,進(jìn)而獲得平滑因子的最優(yōu)解。通過(guò)Matlab仿真結(jié)果表明,與標(biāo)準(zhǔn)的概率神經(jīng)網(wǎng)絡(luò)相比提高了診斷的準(zhǔn)確性和速度性。

    1 VMD 的原理與算法

    1.1 VMD 的原理

    在VMD 算法中,將本證模態(tài)函數(shù)IMF(intrinsic mode function)定義為一個(gè)調(diào)幅—調(diào)頻信號(hào)[6]:

    式中:φk(t)為相位且非遞減,φk′(t)≥0;Ak(t)為瞬時(shí)幅值且Ak(t)≥0。相對(duì)于相位φk(t),Ak(t)與瞬時(shí)頻率ωk(t)=φk′(t)是緩變的。在間隔范圍[t-δ,tδ](δ=2π/φk(t))中,uk(t)可以看作是一個(gè)幅值為Ak(t)頻率為ωk(t)的諧波信號(hào)。

    VMD 是一種時(shí)頻信號(hào)的分解估計(jì)方法,變分問(wèn)題是其整體框架。分解時(shí),根據(jù)預(yù)設(shè)的模態(tài)分量個(gè)數(shù)K 對(duì)原始信號(hào)進(jìn)行分解,最終將原始信號(hào)f(x)分解成K 個(gè)中心頻率ωk為的模態(tài)函數(shù)uk[7]。通過(guò)以下步驟得到一定帶寬頻率的模態(tài)函數(shù):①通過(guò)希爾伯特變換得到每個(gè)模態(tài)函數(shù)的邊際譜;②每個(gè)模態(tài)函數(shù)通過(guò)相應(yīng)的估計(jì)中心頻率將頻譜調(diào)制到相應(yīng)的基頻帶;③通過(guò)計(jì)算解析信號(hào)梯度的平方L2范數(shù),得到每個(gè)模態(tài)函數(shù)的帶寬。構(gòu)造受約束的變分模型為

    式中:{uk}:={u1,u2,…,uk}為模態(tài)函數(shù);{ωk}:={ω1,ω2,…,ωk}為中心頻率為所有模態(tài)函數(shù)的和。

    為了獲得方程(2)的約束變分模型的最優(yōu)解,即每個(gè)模態(tài)函數(shù),引入懲罰因子α 來(lái)構(gòu)造增廣拉格朗日函數(shù):

    式中:α 為懲罰參數(shù);λ 為懲罰因子。

    將Lagrange 函數(shù)從時(shí)域轉(zhuǎn)換到頻域,并進(jìn)行相應(yīng)的極值求解,進(jìn)一步得到相應(yīng)的模態(tài)分量uk,ωk的表達(dá)式:

    1.2 VMD 的算法

    VMD 算法就是將原始信號(hào)分解成K 個(gè)模態(tài)分量,具體算法如下:

    (1)初始化 ,,和n;

    (3)更新λ,根據(jù)式(6);

    2 PSO-PNN 故障診斷模型

    2.1 PNN 神經(jīng)網(wǎng)絡(luò)

    概率神經(jīng)網(wǎng)絡(luò)PNN 是徑向基神經(jīng)網(wǎng)絡(luò)的一種,在模式分類問(wèn)題中有比較廣泛的應(yīng)用。PNN 的四層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1 所示。

    第一層是輸入層,輸入層接收來(lái)訓(xùn)練樣本的故障特征向量,將數(shù)據(jù)傳遞給模式層,其神經(jīng)元的數(shù)目和輸入向量長(zhǎng)度相等。

    第二層是模式層,模式層是計(jì)算輸入故障特征向量與訓(xùn)練集中各個(gè)模式的匹配關(guān)系,每個(gè)模式單元輸出為

    圖1 PNN 的四層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Four-layer network topology of PNN

    式中:Wi為輸入層和模式層之間的連接權(quán)值;δ 為平滑因子。

    第三層是求和層,求和層是將屬于某類的故障模式概率累計(jì),進(jìn)而得到故障模式的概率密度函數(shù)為

    式中:Xai為故障模式a 的第i 個(gè)訓(xùn)練向量;m 為故障模式a 的訓(xùn)練樣本數(shù)目。

    第四層是輸出層,輸出層每一個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)故障類型。

    2.2 PSO 算法

    粒子群算法假設(shè)在Y 維的搜索空間中存在n 個(gè)粒子組成 的 種 群X=(X1,X2,…,Xn),其中第i 個(gè)粒子可以表示為一個(gè)Y 維的向量Xi=代表第i 個(gè)粒子在Y 維搜索空間中的位置[8]。每個(gè)粒子位置Xi對(duì)應(yīng)的適應(yīng)度值通過(guò)目標(biāo)函數(shù)計(jì)算得出。將種群中第i 個(gè)粒子的速度記為,第i 個(gè)粒子搜索到的最優(yōu)位置記為整個(gè)種群搜索到的最優(yōu)位置記為在種群內(nèi)不斷通過(guò)式(9)、式(10)更新自身速度和位置直至求出最優(yōu)解[9]。

    式中:ω 為慣性權(quán)重;d=1,2,…,Y;i=1,2,…,n;k 為當(dāng)前迭代次數(shù);Viy為粒子的速度;c1≥0、c2≥0,稱為加速度因子。

    基本的PSO 優(yōu)化算法步驟: ①初始化一個(gè)規(guī)模為n 的粒子群,設(shè)定種群的初始速度和位置;②基于適應(yīng)度函數(shù)計(jì)算每個(gè)粒子的適應(yīng)度值; ③將每個(gè)粒子的初始位置標(biāo)記為Pi,全局經(jīng)歷的初始位置標(biāo)記為Pg;④根據(jù)式(9)、式(10)更新粒子的位置和速度;⑤計(jì)算新的粒子適應(yīng)度;⑥將每個(gè)粒子新的適應(yīng)度值和其經(jīng)歷過(guò)最優(yōu)位置Pi的適應(yīng)度值相比較,若優(yōu)于,則將其標(biāo)記為當(dāng)前最優(yōu)位置,將每個(gè)粒子新的適應(yīng)度值和全局經(jīng)歷過(guò)的最優(yōu)位置Pg的適應(yīng)度值相比較,若優(yōu)于,則將其標(biāo)記為全局最優(yōu)位置;⑦判斷是否滿足條件,若滿足條件則結(jié)束輸出解,若不滿足則返回步驟④繼續(xù)執(zhí)行。

    2.3 PSO 優(yōu)化PNN 故障診斷模型

    概率神經(jīng)網(wǎng)絡(luò)本身具有訓(xùn)練容易、 收斂速度快、分類能力強(qiáng)、不存在陷入局部極小值問(wèn)題并且具有優(yōu)異的非線性函數(shù)逼近能力。平滑因子δ 是概率神經(jīng)網(wǎng)絡(luò)中最重要的參數(shù),對(duì)網(wǎng)絡(luò)性能起著至關(guān)重要的作用,對(duì)提高故障診斷準(zhǔn)確性和快速性具有很重要的意義。

    然而,在當(dāng)前的概率神經(jīng)網(wǎng)絡(luò)中,難以在有限的故障模式樣本中提煉出能反應(yīng)整個(gè)故障樣本空間的平滑因子。當(dāng)前的平滑因子估計(jì)是基于經(jīng)驗(yàn)估計(jì)或者是有限的樣本聚類方法,此類方法難以充分表達(dá)樣本空間的概率特性[10]。平滑因子取值難以確定進(jìn)而影響故障診斷的準(zhǔn)確性和速度性,平滑因子δ 的優(yōu)化對(duì)提高故障診斷的準(zhǔn)確性和快速性有很重要的意義。粒子群算法對(duì)于求解極值最優(yōu)解具有重要的應(yīng)用價(jià)值,本文主要采用粒子群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)中平滑因子進(jìn)行優(yōu)化并進(jìn)行故障類型的診斷,流程如圖2 所示。

    3 實(shí)驗(yàn)分析

    本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自QPZZ-II 故障模擬平臺(tái),故障模擬平臺(tái)如圖3 所示,主要由變速驅(qū)動(dòng)電機(jī)、軸承、齒輪箱、軸、調(diào)速器和信號(hào)采集系統(tǒng)組成,軸承型號(hào)為N205。

    采集滾子故障、內(nèi)圈故障、外圈故障和正常狀態(tài)四種情形下的振動(dòng)信號(hào)各20 組,每組包含4096個(gè)采樣點(diǎn),滾子故障的原始振動(dòng)信號(hào)的時(shí)域波形頻譜如圖4 所示。

    圖2 基于PSO 優(yōu)化PNN 的故障診斷流程Fig.2 Fault diagnosis flow chart based on PSO optimized PNN

    圖3 QPZZ-II 故障模擬平臺(tái)Fig.3 QPZZ-II fault simulation platform

    圖4 原始信號(hào)的時(shí)域波形和原始信號(hào)頻譜Fig.4 Time-domain waveform and spectrum of the original signal

    3.1 VMD 提取能量特征向量

    在分解之前設(shè)置模態(tài)參數(shù)K=4,然后將4 種狀態(tài)下的原始振動(dòng)信號(hào)進(jìn)行分解,得到4 個(gè)模態(tài)分量。計(jì)算4 個(gè)模態(tài)分量的能量Ei,提取能量特征,構(gòu)建能量特征向量T=[E1,E2,E3,E4]。滾子故障的一組樣本數(shù)據(jù)通過(guò)變分模態(tài)分解得到的能量特征向量圖和能量特征向量柱狀圖如圖5 和圖6 所示。表1展示了滾子故障、內(nèi)圈故障、外圈故障、正常狀態(tài)下的能量特征向量,由于篇幅所限各個(gè)狀態(tài)的能量特征向量分別展示了4 組。將分解得到故障信號(hào)的能量特征向量T 作為故障診斷模型的輸入樣本。

    圖5 滾子故障能量特征向量Fig.5 Roller fault energy eigenvector

    圖6 滾子故障能量特征向量柱狀圖Fig.6 Roller fault energy eigenvector histogram

    表1 部分軸承能量特征向量Tab.1 Partial bearing energy eigenvectors

    3.2 PSO-PNN 故障診斷

    將通過(guò)變分模態(tài)分解得到的4 種狀態(tài)的能量特征向量T 分別輸入到標(biāo)準(zhǔn)PNN 和PSO-PNN 故障診斷模型中。將每種狀態(tài)的1~10 組作為訓(xùn)練樣本,11~20 組作為測(cè)試樣本。

    在PSO 算法中: 設(shè)置加速度因子c1=1.49445;c2=1.49445,將迭代次數(shù)設(shè)置為為100,初始種群規(guī)模設(shè)置為30。

    3.3 實(shí)驗(yàn)結(jié)果

    本文將PSO-PNN 故障診斷模型與標(biāo)準(zhǔn)PNN 故障診斷模型相比較。圖7 為PSO-PNN 模型故障診斷模型測(cè)試樣本的真實(shí)值和預(yù)測(cè)值,圖8 為標(biāo)準(zhǔn)PNN模型故障診斷模型測(cè)試樣本的真實(shí)值和預(yù)測(cè)值。圖7 和圖8 中標(biāo)簽1 表示滾子故障、標(biāo)簽2 表示內(nèi)圈故障、標(biāo)簽3 表示外圈故障、標(biāo)簽4 表示正常狀態(tài)。

    圖7 PSO-PNN 模型測(cè)試樣本的真實(shí)值和預(yù)測(cè)值Fig.7 True and predicted values of PSO-PNN model test samples

    圖8 PNN 模型測(cè)試樣本的真實(shí)值和預(yù)測(cè)值Fig.8 True and predicted values of PNN model test samples

    通過(guò)PSO-PNN 故障診斷模型的滾動(dòng)軸承故障診斷正確率可以達(dá)到95%(38/40),標(biāo)準(zhǔn)PNN 故障診斷模型的滾動(dòng)軸承故障診斷正確率為90%(36/40),PSO-PNN 與PNN 對(duì)4 種故障類型具體的診斷結(jié)果正確率如表2 所示。從實(shí)驗(yàn)驗(yàn)證角度講,PSO-PNN的滾動(dòng)軸承故障診斷正確率要高于標(biāo)準(zhǔn)的PNN 模型,說(shuō)明了通過(guò)粒子群算法優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中具有較好的效果,提高了故障診斷的正確率。

    表2 PSO-PNN 與PNN 對(duì)四種故障類型診斷的正確率Tab.2 Correctness of PSO-PNN and PNN in diagnosing four types of faults

    4 結(jié)語(yǔ)

    本文提出了基于變分模態(tài)分解與PSO-PNN 的滾動(dòng)軸承故障診斷模型。通過(guò)變分模態(tài)分解得到的能量特征向量作為PSO-PNN 故障診斷模型的輸入樣本。粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)模型達(dá)到了故障分類識(shí)別的目的,通過(guò)統(tǒng)計(jì)故障診斷準(zhǔn)確率,我們可以看出對(duì)平滑因子優(yōu)化后故障診斷的準(zhǔn)確率得到了進(jìn)一步的提高,并且具有較高的學(xué)習(xí)率,這也為滾動(dòng)軸承故障診斷提供了一種思路,但是如何進(jìn)一步提高準(zhǔn)確性和速度性還需要進(jìn)一步深層次研究。

    猜你喜歡
    變分特征向量故障診斷
    二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    逆擬變分不等式問(wèn)題的相關(guān)研究
    求解變分不等式的一種雙投影算法
    一類特殊矩陣特征向量的求法
    關(guān)于一個(gè)約束變分問(wèn)題的注記
    EXCEL表格計(jì)算判斷矩陣近似特征向量在AHP法檢驗(yàn)上的應(yīng)用
    一個(gè)擾動(dòng)變分不等式的可解性
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    乌兰县| 清水河县| 奎屯市| 广元市| 前郭尔| 营口市| 江西省| 志丹县| 青州市| 津南区| 镶黄旗| 叙永县| 屯门区| 长葛市| 东兴市| 盐亭县| 交城县| 乐清市| 成武县| 托里县| 淮阳县| 珲春市| 故城县| 永兴县| 田林县| 双牌县| 梁平县| 乌鲁木齐县| 长乐市| 江华| 同仁县| 隆回县| 民权县| 县级市| 南充市| 平南县| 延边| 大石桥市| 怀宁县| 定结县| 黑河市|