• 
    

    
    

      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 樣本熵和改進(jìn)極限學(xué)習(xí)機(jī)的滾動軸承故障診斷

      2023-06-22 10:08:12封成東李玥封成智
      關(guān)鍵詞:內(nèi)圈適應(yīng)度麻雀

      封成東,李玥,封成智

      (1. 甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院,甘肅 蘭州 730000;2. 甘肅省生產(chǎn)力促進(jìn)中心,甘肅 蘭州 730000)

      隨著工業(yè)現(xiàn)代化進(jìn)程的推進(jìn),旋轉(zhuǎn)機(jī)械設(shè)備趨向高可靠性、高精度、低故障率發(fā)展,滾動軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的重要元件,其工作穩(wěn)定性對設(shè)備安全可靠運(yùn)行有重要影響。如何在滾動軸承的生命周期內(nèi)準(zhǔn)確、快速的識別軸承的局部或者早期故障并進(jìn)行預(yù)防性維修是設(shè)備管理的重要內(nèi)容,也是降低維修和運(yùn)行成本、提高設(shè)備運(yùn)轉(zhuǎn)率的必然要求。

      當(dāng)滾動軸承出現(xiàn)損傷缺陷甚至局部失效時(shí),其運(yùn)行過程中產(chǎn)生的振動信號必然會發(fā)生變化,振動信號呈現(xiàn)出非線性、非平穩(wěn)性特征[1]。在實(shí)際工程應(yīng)用中,通過監(jiān)測旋轉(zhuǎn)設(shè)備的運(yùn)行工況,采集滾動軸承的振動信號數(shù)據(jù),利用信號處理工具深入挖掘振動數(shù)據(jù)中蘊(yùn)含的時(shí)頻等狀態(tài)信息,并提取有效的信息特征是實(shí)現(xiàn)滾動軸承故障診斷的有效方法。變分模態(tài)分解(VMD)是由Dragomiretskiy[2]等提出的解析信號時(shí)頻特性的方法,該算法在求解變分問題的過程中能夠?qū)崿F(xiàn)頻域的自適應(yīng)劃分,將信號劃分為指定個(gè)數(shù)的調(diào)幅調(diào)頻的模態(tài)分量,同時(shí)確定不同模態(tài)分量的中心頻率和帶寬[3],有效的避免虛假分量的產(chǎn)生,廣泛應(yīng)用于復(fù)雜的、非平穩(wěn)信號的處理和故障模式識別領(lǐng)域。向玲等[4]采用VMD 算法對滾動軸承信號進(jìn)行分解、模態(tài)分量的篩選和重構(gòu),分析重構(gòu)信號的Teager能量譜并提取軸承故障特征頻率,仿真結(jié)果驗(yàn)證了基于VMD和Teager能量譜故障識別模型的有效性,而且要優(yōu)于EEMD 算法。蔡賽男等[5]提取了VMD 分解后各模態(tài)分量的多尺度排列熵作為滾動軸承的故障特征,并將故障特征樣本導(dǎo)入鯨魚算法優(yōu)化最小二乘支持向量機(jī)的分類模型,取得了較好的診斷準(zhǔn)確率。常勇等[6]提出了基于VMD和優(yōu)化模糊聚類相結(jié)合的軸承故障識別算法,通過VMD和奇異值分解對信號進(jìn)行去噪聲和異常值,并采用粒子群優(yōu)化的模糊聚類進(jìn)行不同故障類型的準(zhǔn)確識別。VMD 對滾動軸承的故障振動信號進(jìn)行分解后會產(chǎn)生指定個(gè)數(shù)的模態(tài)分量,為了量化模態(tài)分量中包含的故障信息,引入樣本熵來提取特征信息作為故障診斷依據(jù)。樣本熵是在近似熵理論基礎(chǔ)上的一種改進(jìn)算法,通過計(jì)算信號中產(chǎn)生新模式的概率大小來度量時(shí)間序列的復(fù)雜性[7],樣本熵的數(shù)值的大小直接反應(yīng)時(shí)間序列的復(fù)雜性。

      當(dāng)滾動軸承的故障特征提取后,需要構(gòu)建分類器對故障特征樣本進(jìn)行訓(xùn)練學(xué)習(xí)和識別。極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)是基于前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,具有訓(xùn)練學(xué)習(xí)速率高、泛化性能強(qiáng)、應(yīng)用領(lǐng)域廣的優(yōu)良特性[8-9]。在實(shí)際應(yīng)用中,ELM 算法輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值是隨機(jī)初始化的,在運(yùn)行過程中可能出現(xiàn)不穩(wěn)定性、魯棒性差的缺點(diǎn)[10]。本文引入群智能算法中的麻雀搜索算法(sparrow search algorithm,SSA)[11]來優(yōu)化ELM的初始權(quán)值和閾值,并搭建基于改進(jìn)SSA優(yōu)化ELM的分類器模型,將提取的滾動軸承故障特征樣本導(dǎo)入分類器進(jìn)行故障類型的識別。

      1 基本原理

      1.1 VMD原理

      VMD 的分解是在迭代運(yùn)算中求解約束變分問題最優(yōu)解的過程,假設(shè)一組非線性、非平穩(wěn)信號y(t)被分解為一系列調(diào)幅調(diào)頻的分量信號uk(t),k=1,2,…,K,公式如下:

      式中:Ak(t)為幅值φk(t)為相位,wk(t) =φ'k(t)為瞬時(shí)頻率。

      VMD約束變分問題可表述為:對分解后的每個(gè)模態(tài)分量進(jìn)行希爾伯特變換得到解析頻譜,在頻譜中加入預(yù)估的中心頻率并將混合頻譜調(diào)制到對應(yīng)的基帶,計(jì)算調(diào)制后基帶的梯度平方范數(shù)得到各模態(tài)的頻率帶寬,各模態(tài)的頻率帶寬和為最小,約束變分問題的公式如下:

      式中:?t表示偏導(dǎo),*為卷積,δ為Dirac 分布,變分問題的約束條件為各模態(tài)分量之和為原始信號。

      引入Lagrange 乘法算子和二次懲罰系數(shù),將約束變分的求解轉(zhuǎn)化為求解非約束變分的過程[3],公式如下:

      式中:L為增廣拉格朗日函數(shù),λ為Lagrange 乘法算子,α為二次懲罰系數(shù)。

      對公式(3)采用乘法算子交替方向法和傅里葉等距變換,迭代更新μk和wk得到模態(tài)分量和中心頻率,具體公式如下:

      本文結(jié)合VMD 中心頻率法和模態(tài)分量的頻率混疊性來確定VMD的分解個(gè)數(shù),以美國Case Western Reserve University 實(shí)驗(yàn)室提供的滾動軸承振動數(shù)據(jù)為研究對象,振動數(shù)據(jù)是通過加速度傳感器采集。這里以一組滾動軸承內(nèi)圈故障信號為例,電機(jī)負(fù)載為735W,采樣頻率為12 000Hz,采樣時(shí)間為0.2 s,采樣長度為2 400,損傷直徑為0.177 8mm,信號波形如圖1 所示。采用VMD 分別對內(nèi)圈故障信號進(jìn)行2、3、4、5層分解,得到各模態(tài)分量的中心頻率分布。分析表1可知,當(dāng)分解層數(shù)為5時(shí),模態(tài)4和模態(tài)5的中心頻率比較接近,此時(shí)畫出信號的4層分解和5層分解圖以及對應(yīng)的快速傅里葉變換后頻譜圖,如圖2~3所示。由圖3可知,分解層數(shù)為5時(shí),模態(tài)4和模態(tài)5出現(xiàn)了頻率混疊性,而4層分解后各模態(tài)分量并沒有頻率混疊現(xiàn)象,因而對內(nèi)圈故障信號進(jìn)行VMD分解的層數(shù)為4,同理軸承的正常、滾動體故障和外圈故障的VMD 分解層數(shù)通過分析均確定為4。

      表1 VMD不同分解個(gè)數(shù)各模態(tài)的中心頻率分布Table 1 Central frequency distribution of various modes of different decomposition numbers of VMD

      圖1 滾動軸承內(nèi)圈故障波形圖Figure 1 Rolling bearing inner race fault waveform

      圖2 內(nèi)圈故障信號VMD四層分解波形圖及頻譜圖Figure 2 VMD four-layer decomposition waveform and spectrum of inner race fault signal

      圖3 內(nèi)圈故障信號VMD五層分解波形圖及頻譜圖Figure 3 Five-layer decomposition waveform and spectrum of VMD of inner race fault signal

      1.2 樣本熵

      在實(shí)際應(yīng)用中,樣本熵的大小能度量數(shù)據(jù)序列的自我相似性和復(fù)雜性,而且樣本熵的計(jì)算不依賴于信號的數(shù)據(jù)長度,因而在量化滾動軸承故障信號的特征時(shí)具有更好的統(tǒng)計(jì)穩(wěn)定性和適應(yīng)性,樣本熵的計(jì)算步驟如下[12]:

      (1) 給定原始時(shí)間序列x={x1,x2,…,xN},選擇合適的嵌入維數(shù)m構(gòu)造新的狀態(tài)向量,x={xi,xi+1,…,xi+m-1},i=1,2,…,N-m。

      (3) 給定相似性容限參數(shù)r,統(tǒng)計(jì)xi和xj之間的距離小于等于r的數(shù)量Bi,并做如下定義:

      (4) 計(jì)算(r)的平均值:

      (5) 將嵌入維數(shù)增加為m+1,重復(fù)上述4個(gè)步驟并計(jì)算得到Bm+1(r),當(dāng)時(shí)間序列的長度為有限值時(shí),樣本熵計(jì)算為如下公式:

      選取軸承的正常、內(nèi)圈故障、滾動體故障和外圈故障振動信號,電機(jī)負(fù)載為735 W,采樣頻率為12 000Hz,采樣時(shí)間為0.2 s,采樣長度為2 400,故障損傷直徑為0.177 8 mm,分別對4 種信號進(jìn)行4 層VMD 分解,并提取各模態(tài)分量的樣本熵,見圖4,通過提取樣本熵構(gòu)建滾動軸承的特征樣本并作為分類識別的依據(jù)。

      圖4 VMD分解后各模態(tài)的樣本熵Figure 4 Sample entropy of each mode after VMD decomposition

      1.3 極限學(xué)習(xí)機(jī)

      相對于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò),極限學(xué)習(xí)機(jī)(ELM)的網(wǎng)絡(luò)結(jié)構(gòu)簡單,只需要設(shè)定隱含層神經(jīng)元數(shù)量、輸入層神經(jīng)元和隱含層神經(jīng)元之間的連接權(quán)值以及隱含層神經(jīng)元的閾值,其他層間的連接權(quán)值和閾值不需要調(diào)整,因而ELM 的網(wǎng)絡(luò)學(xué)習(xí)、訓(xùn)練運(yùn)算效率有明顯的提升[13-14]。

      假設(shè)給定的樣本為(xi,yi),1 ≤i≤N,且均為實(shí)數(shù)范圍內(nèi),ELM網(wǎng)絡(luò)模型可表示為如下:

      式中:Yj是網(wǎng)絡(luò)輸出,L為隱含層神經(jīng)元個(gè)數(shù),wi為輸入層神經(jīng)元和第i個(gè)隱含層神經(jīng)元的連接權(quán)值,bi為第i個(gè)隱含層神經(jīng)元的閾值,φ為激活函數(shù),βi為第i個(gè)隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值。

      ELM 的訓(xùn)練目標(biāo)就是通過尋找最優(yōu)的權(quán)值和閾值等參數(shù),使得期望輸出和網(wǎng)絡(luò)輸出的誤差損失函數(shù)值最小,并得到最優(yōu)解。

      由于ELM 的輸入層神經(jīng)元和隱含層神經(jīng)元之間的連接權(quán)值以及隱含層神經(jīng)元的閾值是在網(wǎng)絡(luò)結(jié)構(gòu)中隨機(jī)初始化的,實(shí)際應(yīng)用中可能會出現(xiàn)過擬合、預(yù)測或者分類結(jié)果不穩(wěn)定的病態(tài)現(xiàn)象[15],因?yàn)楸疚囊敕律悄軆?yōu)化算法對ELM進(jìn)行優(yōu)化,提高滾動軸承的故障診斷準(zhǔn)確率。

      2 基于改進(jìn)麻雀搜索算法優(yōu)化ELM的診斷模型

      2.1 麻雀搜索算法基本理論

      麻雀搜索算法(SSA)是2020 年提出的新型仿生智能算法,麻雀種群行為包括覓食和反捕食行為,覓食行為通過麻雀種群中的發(fā)現(xiàn)者和加入者實(shí)現(xiàn),反捕食行為通過偵查預(yù)警機(jī)制實(shí)現(xiàn)[16-17]。SSA在解空間中具有優(yōu)良的尋優(yōu)搜索能力和快速收斂性能。

      假設(shè)麻雀的種群規(guī)模為N,種群個(gè)體搜索最優(yōu)解的空間維度為D,種群的集合向量為X={Xi},i=1,2,…,N,麻雀個(gè)體表示為Xi=[xi1,xi2,…,xid,…,xiD]。麻雀發(fā)現(xiàn)者的位置更新公式如下:

      式中:xbt+1d表示麻雀個(gè)體在搜索空間第d維的最佳位置,xwtd表示麻雀個(gè)體在搜索空間第d維的最差位置,A表示長度為d、元素為-1或者1的向量。

      麻雀種群在實(shí)現(xiàn)覓食行為時(shí),會從種群中選擇10%-20%的個(gè)體執(zhí)行偵查預(yù)警機(jī)制,保證種群的安全,位置更新公式如下:

      式中:β為個(gè)體移動步長控制系數(shù),該系數(shù)是方差為1、均值為0的正態(tài)分布隨機(jī)數(shù),k為[-1,1]內(nèi)的均勻隨機(jī)數(shù),fi為個(gè)體適應(yīng)度,fg為當(dāng)前迭代過程中種群最佳適應(yīng)度值,fw為種群最差適應(yīng)度值,e為防止分母為0的極小數(shù)值。

      2.2 麻雀搜索算法的改進(jìn)

      雖然SSA 具有收斂速度快、局部尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn),但在迭代后期種群個(gè)體跳出局部極值的能力較弱,尋優(yōu)過程中易陷于局部最優(yōu)的缺點(diǎn),因而為提高SSA的全局搜索能力對SSA進(jìn)行改進(jìn),改進(jìn)策略如下:

      (1) 混沌初始化種群

      標(biāo)準(zhǔn)SSA在種群初始化時(shí),只是通過產(chǎn)生[0,1]之間的隨機(jī)數(shù)和搜索空間的上限值、下限值的組合來產(chǎn)生初始個(gè)體,并不能保證初始個(gè)體在空間中是分布均勻,空間的遍歷性較差。本文引入Sin混沌模型來初始化種群,增加麻雀個(gè)體在搜索空間中的遍歷性,豐富種群的多樣性。

      (2) 反向?qū)W習(xí)策略

      麻雀種群中的發(fā)現(xiàn)者在迭代開始就直接趨向最優(yōu)解靠近,搜索范圍小,易陷入局部最優(yōu)。為了增強(qiáng)種群的全局尋優(yōu)能力,引入反向?qū)W習(xí)策略進(jìn)行擾動,計(jì)算對應(yīng)的反向解和適應(yīng)度值,比較該適應(yīng)度值和種群最佳適應(yīng)度值,保存適應(yīng)度更好的解。

      式中:Xb(t)和X'b(t)表示當(dāng)前迭代的最優(yōu)解和反向解,lb和ub分別表示搜索空間的上限和下限,b1表示信息交換參數(shù),r表示[0,1]范圍內(nèi)的隨機(jī)數(shù)。

      2.3 改進(jìn)麻雀搜索算法ISSA優(yōu)化ELM的步驟

      (1) 采用VMD 對滾動軸承故障信號進(jìn)行分解并提取樣本熵,構(gòu)建樣本熵特征樣本,將樣本劃分為訓(xùn)練樣本和測試樣本;

      (2) 設(shè)置SSA的參數(shù),初始化種群規(guī)模、最大迭代次數(shù)、預(yù)警值、發(fā)現(xiàn)者比例、偵察者比例、搜索空間的上限和下限,計(jì)算麻雀個(gè)體的長度即ELM輸入層神經(jīng)元和隱含層神經(jīng)元之間的連接權(quán)值以及隱含層神經(jīng)元的閾值的長度;

      (3) 采用Sin混沌算法初始化麻雀種群,以訓(xùn)練樣本期望輸出和網(wǎng)絡(luò)輸出的準(zhǔn)確率作為適應(yīng)度函數(shù),計(jì)算麻雀個(gè)體的適應(yīng)度值,保存最優(yōu)適應(yīng)度值和最差適應(yīng)度值以及對應(yīng)的位置;

      (4) 根據(jù)發(fā)現(xiàn)者比例和個(gè)體適應(yīng)度值,選取適應(yīng)度優(yōu)的麻雀作為發(fā)現(xiàn)者并更新位置,剩下的個(gè)體作為加入者并更新位置,同時(shí)根據(jù)偵察者比例隨機(jī)選取麻雀個(gè)體作為偵察者并更新位置;

      (5) 根據(jù)反向?qū)W習(xí)策略對當(dāng)前代的最優(yōu)解進(jìn)行擾動并計(jì)算對應(yīng)的適應(yīng)度值,比較當(dāng)前適應(yīng)度值和種群最佳適應(yīng)度值,保存適應(yīng)度更好的解,進(jìn)行下一次的迭代;

      (6) 判斷是否達(dá)到循環(huán)結(jié)束條件?若是,跳轉(zhuǎn)至第2步并繼續(xù)尋優(yōu),否則將最優(yōu)解賦值給ELM 的初始權(quán)值和閾值,并結(jié)合訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)的再學(xué)習(xí)及訓(xùn)練,最后導(dǎo)入測試樣本進(jìn)行滾動軸承的故障分類。

      3 滾動軸承故障診斷仿真試驗(yàn)

      3.1 數(shù)據(jù)分析

      為了驗(yàn)證基于VMD 和改進(jìn)SSA 優(yōu)化ELM 的診斷模型的有效性和準(zhǔn)確性,本文采用美國Case Western Reserve University 實(shí)驗(yàn)室的滾動軸承振動數(shù)據(jù)進(jìn)行仿真試驗(yàn)[19]。電機(jī)驅(qū)動端采用深溝球滾動軸承,軸承型號為6205-2RS JEM SKF,軸承的內(nèi)圈、滾動體和外圈設(shè)置電火花單點(diǎn)損傷故障,損傷直徑為0.177 8 mm,數(shù)據(jù)源包括滾動軸承正常狀態(tài)、內(nèi)圈故障、滾動體故障和外圈故障的振動信號數(shù)據(jù),分別在電機(jī)負(fù)載功率為0、0.74 6、1.49 2、2.238 kW 的工作狀態(tài)下采集,采樣頻率為12 000 Hz。

      選取電機(jī)負(fù)載功率為0.746 kW 的驅(qū)動端的振動信號數(shù)據(jù),繪制滾動軸承時(shí)域波形圖,圖5-A為正常狀態(tài)、B為內(nèi)圈故障、C為滾動體故障、D為外圈故障的時(shí)域波形。采樣時(shí)間為0.3 s,采樣點(diǎn)為3 600。本文2.2節(jié)通過中心頻率和頻率混疊性確定了VMD分解的層數(shù)為4,分別對滾動軸承的四種狀態(tài)進(jìn)行4層VMD分解,見圖6~9。

      圖5 滾動軸承四種狀態(tài)的時(shí)域波形Figure 5 Time domain waveform of four states of rolling bearing

      圖6 正常狀態(tài)的VMD分解圖Figure 6 VMD decomposition in the normal state

      圖7 內(nèi)圈故障的VMD分解圖Figure 7 VMD breakdown diagram of inner ring failure

      圖8 滾動體故障的VMD分解圖Figure 8 VMD breakdown diagram of rolling volume failure

      圖9 外圈故障的VMD分解圖Figure 9 VMD decomposition diagram of outer ring failure

      3.2 特征樣本的提取

      在電機(jī)負(fù)載功率0、0.74 6、1.49 2、2.23 8 kW 的工作狀態(tài)下,選取滾動軸承內(nèi)圈故障、滾動體故障和外圈故障以及正常狀態(tài)的4種類型的振動數(shù)據(jù),每種類型在不同的負(fù)載功率狀態(tài)下各采集50組,每組的數(shù)據(jù)長度為2 000,共計(jì)200組,4種類型的數(shù)據(jù)組數(shù)為800組。對數(shù)據(jù)進(jìn)行4層VMD 分解,并提取各模態(tài)分量的樣本熵,樣本熵的嵌入維數(shù)為2,相似性容限選為各模態(tài)序列標(biāo)準(zhǔn)差的0.25 倍,最終得到800行4 列的特征樣本矩陣。表2 列出了軸承振動信號經(jīng)VMD 4層分解后的各模態(tài)的樣本熵。定義4種類型的分類標(biāo)簽,滾動軸承正常狀態(tài)為1,內(nèi)圈故障類型為2、滾動體故障類型為3 和外圈故障類型為4。滾動軸承特征樣本信息詳見表3。

      表2 滾動軸承四種狀態(tài)的樣本熵特征(部分)Table 2 Sample entropy characteristics of four states of rolling bearings (Part)

      表3 滾動軸承特征樣本信息Table 3 Rolling bearing feature sample information

      3.3 滾動軸承故障分類識別

      采用MATLAB 編程[20]分別建立ELM、SSAELM 和ISSA-ELM 的故障診斷模型,ELM 的輸入層、隱含層和輸出層神經(jīng)元的網(wǎng)絡(luò)結(jié)構(gòu)為4-9-1,傳遞函數(shù)為Sigmoid。SSA-ELM 和ISSA-ELM 中的麻雀種群規(guī)模為50,最大迭代次數(shù)為300,發(fā)現(xiàn)者比例為種群規(guī)模的30%,偵察者比例為種群規(guī)模的20%,安全預(yù)警值為0.7,個(gè)體搜索空間的上限為5,下限為-5,根據(jù)輸入層神經(jīng)元和隱含層神經(jīng)元計(jì)算麻雀個(gè)體長度為45。

      特征樣本隨機(jī)劃分為訓(xùn)練樣本和測試樣本,滾動軸承每種類型隨機(jī)取值170 組共計(jì)680 組作為訓(xùn)練樣本,剩下的120 組作為測試樣本,ELM、SSAELM 和ISSA-ELM 所用的訓(xùn)練樣本和測試樣本是相同的,SSA-ELM 和ISSA-ELM 的適應(yīng)度函數(shù)為訓(xùn)練樣本期望輸出和預(yù)測輸出的分類準(zhǔn)確率。將訓(xùn)練樣本和測試樣本導(dǎo)入SSA-ELM 和ISSA-ELM進(jìn)行最優(yōu)解的尋優(yōu)和故障分類診斷,圖10~11 為SSA-ELM 和ISSA-ELM 的迭代過程中種群最佳適應(yīng)度曲線和平均適應(yīng)度曲線。對比圖10~11,ISSA-ELM 的最佳適應(yīng)度準(zhǔn)確率為98.68%,SSAELM 的最佳準(zhǔn)確率為97.79%,ISSA-ELM 平均適應(yīng)度范圍優(yōu)于SSA-ELM,因而改進(jìn)的麻雀搜索算法ISSA有更好的全局尋優(yōu)能力。

      圖10 SSA-ELM的適應(yīng)度曲線Figure 10 Fitness curve of SSA-ELM

      圖11 ISSA-ELM的適應(yīng)度曲線Figure 11 Fitness curve of ISSA-ELM

      ELM、SSA-ELM 和ISSA-ELM 對120 組測試樣本的分類結(jié)果如圖12~14所示,3種診斷模型的分類結(jié)果對比,見表4。由仿真實(shí)驗(yàn)結(jié)果可知,ELM、SSA-ELM和ISSA-ELM 3種診斷模型的準(zhǔn)確率均超過了90%,對滾動軸承的故障有較好的分類效果。ELM 對測試樣本錯(cuò)分了8 個(gè),SSA-ELM 錯(cuò)分了5個(gè),ISSA-ELM錯(cuò)分了3個(gè),錯(cuò)分類型主要集中在內(nèi)圈故障和滾動體故障兩種類型,分析存在的原因?yàn)閮?nèi)圈故障和滾動體故障樣本熵特征樣本中的小部分樣本存在相似性,造成模型分類結(jié)果的互相混淆。綜上所述,ISSA-ELM 相對ELM 和SSA-ELM 的診斷精度更高、泛化性能更優(yōu),分類結(jié)果驗(yàn)證了本文提出算法的有效性。

      表4 三種分類模型結(jié)果對比Table 4 The results of the three classification models were compared

      圖12 ELM分類結(jié)果圖Figure 12 ELM classification result diagram

      圖13 SSA-ELM分類結(jié)果圖Figure 13 Classification results of SSA-ELM

      圖14 ISSA-ELM分類結(jié)果圖Figure 14 Figure of classification results of ISSA-ELM

      4 結(jié)論

      為了更好提高滾動軸承故障診斷準(zhǔn)確率,本文提出了基于變分模態(tài)分解 (VMD)VMD、樣本熵和改進(jìn)極限學(xué)習(xí)機(jī)(ELM)的滾動軸承故障診斷組合分類方法。以軸承正常狀態(tài)、內(nèi)圈故障、滾動體故障和外圈故障的振動信號為研究對象,采用變分模態(tài)分解VMD 算法將信號分解成多個(gè)模態(tài)分量并提取樣本熵作為分類特征,構(gòu)造了改進(jìn)SSA 優(yōu)化ELM(ISSA-ELM)的診斷模型,仿真實(shí)驗(yàn)結(jié)果表明,該模型精度更高、泛化性能更優(yōu)、診斷識別效果更好,為滾動軸承故障診斷提供了一種新的有效方法。由于在診斷過程中,內(nèi)圈故障和滾動體故障的類型識別出現(xiàn)了部分相互混淆現(xiàn)象,今后將進(jìn)一步研究對以上類型的信號進(jìn)行精細(xì)化處理,以更好地提取特征并實(shí)現(xiàn)更精確的診斷。

      猜你喜歡
      內(nèi)圈適應(yīng)度麻雀
      改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
      特種復(fù)合軸承內(nèi)圈推力滾道磨削用工裝設(shè)計(jì)
      哈爾濱軸承(2021年4期)2021-03-08 01:00:48
      拯救受傷的小麻雀
      主軸軸承內(nèi)圈鎖緊用臺階套的裝配
      1958年的麻雀
      麻雀
      趣味(語文)(2018年2期)2018-05-26 09:17:55
      基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
      中國塑料(2016年11期)2016-04-16 05:26:02
      緊盯著窗外的麻雀
      山東青年(2016年1期)2016-02-28 14:25:22
      內(nèi)圈帶缺陷中介軸承的動力學(xué)建模與振動響應(yīng)分析
      少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
      土默特右旗| 临沂市| 阿坝县| 桂阳县| 厦门市| 屏山县| 昌宁县| 长兴县| 西城区| 贵溪市| 都匀市| 焉耆| 逊克县| 金堂县| 澄城县| 东港市| 东阿县| 德庆县| 肃北| 吉林省| 灵山县| 林周县| 开远市| 陇川县| 囊谦县| 邢台市| 陵水| 固安县| 浑源县| 车致| 山阳县| 开远市| 房产| 贺兰县| 永顺县| 上虞市| 许昌市| 托克托县| 和平区| 南充市| 伊金霍洛旗|