一种基于MEA‑BP神经网络算法的轴承状态跟踪与预测方法与流程

本发明属于轴承故障诊断与预测领域，尤其涉及一种基于MEA-BP神经网络算法的轴承状态跟踪与预测方法。

背景技术：

轴承作为一个关键的零部件，广泛地被应用于精密机床、高速铁路、风力发电机等重大机电装备中。然而，轴承也是这些装备中的一个薄弱部件。相关资料表明，40％左右的电机失效是由轴承故障引起的，风力发电机故障也常常是由轴承故障导致的。轴承一旦发生故障，轻则降低或失去系统的一些功能，重则造成系统的突然停机失效和一些重大的安全事故。因此对轴承进行状态监测、故障诊断与预测一直是企业界和学术界的一个研究重点，而对轴承状态的在线跟踪与预测是评价轴承实时的健康状态，判断其是否能满足系统工作要求的重要保障。由于神经网络算法具有较强的非线性学习与映射能力，可以较好的反映出不同设备(如轴承等)工作状态的发展趋势，在状态跟踪与剩余寿命预测方面有着较为广泛的应用。但是限于其自身结构的特点，神经网络算法收敛速度较慢，预测精度较低，且容易出现局部最优和过拟合等问题，该算法在实际的应用当中受到了一定的限制。

技术实现要素：

为了克服现有的轴承状态跟踪与预测方法的收敛速度较慢、预测精度较低的不足，本发明提供一种预测精度较高、耗时较短的基于思维进化算法(MEA)-BP神经网络算法的轴承状态跟踪与预测方法，MEA算法具有较强的局部寻优能力，可以被用于优化神经网络算法的初始权值和阈值，进而加快神经网络的收敛速度以及提高预测精度，较好的弥补了神经网络算法自身的不足。

本发明解决其技术问题所采用的技术方案是：

一种基于MEA-BP神经网络算法的轴承状态跟踪与预测方法，所述方法包括以下步骤：

S1.采集全寿命周期内轴承在水平和竖直方向上的振动信号；

S2.分别计算两个方向振动信号的有效值；

S3.根据有效值计算RRMS值并将其作为反映轴承健康状态的指数，利用中值滤波方法对该健康指数进行平滑处理；

S4.利用MEA算法对BP神经网络算法的初始权值和阈值进行优化，将时间指数作为输入变量，轴承的健康指数作为输出变量，对BP神经网络进行训练；

S5.BP神经网络训练完成后，输入当前时刻和当前时刻之前的任一时间指数，计算得到该时间指数所对应的状态值，达到状态跟踪的效果，输入当前时刻下一时刻时间指数，预测得到下一时刻的状态，达到状态预测的效果。

进一步，所述步骤S4中，所述BP神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元个数根据影响因素的数量确定，隐含层神经元个数参考经验公式试凑确定，n为隐含层节点数，n_i为输入节点数，n_j为输出节点数，I为1～10之间的常数；输出层神经元个数根据输出量确定；输入层到隐含层以及隐含层到输出层的传递函数均采用正切S型传递函数tansig，训练算法采用trainlm算法。

再进一步，所述步骤S4中，MEA算法优化BP神经网络算法的初始权值和阈值过程如下：

首先产生初始群体，优胜子群体和临时子群体；

其次，优胜子群体和临时子群体产生后，各个子群体要先执行趋同操作，利用种群成熟判别函数判断各个子群体趋同操作是否完成；

再次，待各个优胜子群体和临时子群体趋同操作完成后，执行异化操作，当一个临时子群体得分高于某个成熟的优胜子群体，则该优胜子群体被临时子群体替代，原优胜子群体中的个体被释放，若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分，则该临时子群体被废弃，其中的个体被释放，被释放的个体在全局范围内重新搜索并形成新的临时群体；

最后，当满足迭代停止条件时，MEA算法结束优化过程，此时，根据编码规则，对寻找到的最优个体进行解析，从而得到BP神经网络算法的初始权值和阈值。

更进一步，所述步骤S4中，对BP神经网络进行训练首先需要对输入和输出的数据进行归一化和反归一化处理，过程如下：

根据以下的线性函数进行数据归一化处理，把数据映射到Y_min～Y_max范围之内：

上式中，i＝[1,2,…，m]，X为长度为m的数组，X_max为该数组中的最大值，X_min为该数组中的最小值，Y为归一化后的数组；

接着，设置最大收敛次数，显示间隔，收敛误差，学习速率；训练完成后，将训练结果进行反归一化处理：

所述步骤S2中，对S1所得的轴承全寿命周期振动信号，构建特征参数，过程如下：

设第k时刻振动信号Z_k，其中包含N个采样点，样本数据集Z_k＝(z₁,z₂,…,z_N)，计算该样本集的有效值：

由于分别采集了水平和竖直两个方向上轴承的振动信号，因此对两个方向上的振动信号分别计算有效值之后，将同一时刻两个方向上的有效值计算欧拉距离，从而把两个方向的信息集成在一个综合的有效值上。

所述步骤S3中，利用综合有效值，计算RRMS值并将其作为表征轴承健康状态的指数，过程如下：

取轴承正常工作时的任一时刻s的综合有效值RMS_s作为参考，第k时刻轴承的综合有效值为RMS_k，则该时刻的RRMS值定义为：

对所得的RRMS进行中值滤波，进行平滑处理后得到轴承在全寿命周期内的健康指数HI。

本发明的技术构思为：通过采集轴承振动信号，基于振动信号计算并获得有效值，参考轴承正常工作时的有效值计算RRMS值，并将其作为反映轴承状态的健康指数，将时间指数作为输入变量，健康指数作为输出变量确定BP神经网络的拓扑结构。在训练BP神经网络之前，利用MEA算法对BP神经网络算法的初始权值和阈值进行优化，利用学习样本对BP神经网络进行训练，训练完成后，利用构建的MEA-BP神经网络算法对轴承进行状态的跟踪与预测。

本发明的有益效果为：能够较好地跟踪轴承的健康状态，对下一时刻的状态预测较为准确，且耗时较少。

附图说明

图1为基于MEA-BP神经网络算法的轴承状态跟踪与预测方法流程图。

图2为轴承全寿命周期健康指数示意图。

图3为MEA算法系统结构示意图。

图4为BP神经网络拓扑结构示意图。

图5为轴承全寿命周期状态跟踪结果。

图6为轴承下一时刻状态预测结果。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图6，一种基于MEA-BP神经网络算法的轴承状态跟踪与预测方法，所述方法包括以下步骤：

S1.采集全寿命周期内轴承在水平和竖直方向上的振动信号；

S2.分别计算两个方向振动信号的有效值；

S3.根据有效值计算RRMS值并将其作为反映轴承健康状态的指数，利用中值滤波方法对该健康指数进行平滑处理；

S4.利用MEA算法对BP神经网络算法的初始权值和阈值进行优化，将时间指数作为输入变量，轴承的健康指数作为输出变量，对BP神经网络进行训练；

S5.BP神经网络训练完成后，输入当前时刻和当前时刻之前的任一时间指数，计算得到该时间指数所对应的状态值，达到状态跟踪的效果，输入当前时刻下一时刻时间指数，预测得到下一时刻的状态，达到状态预测的效果。

进一步，所述步骤S2中，对S1所得的轴承全寿命周期振动信号，构建特征参数，过程如下：

设第k时刻振动信号Z_k，其中包含N个采样点，样本数据集Z_k＝(z₁,z₂,…,z_N)，计算该样本集的有效值：

由于分别采集了水平和竖直两个方向上轴承的振动信号，因此对两个方向上的振动信号分别计算有效值之后，将同一时刻两个方向上的有效值计算欧拉距离，从而把两个方向的信息集成在一个综合的有效值上。

再进一步，所述步骤S3中，利用得到的综合有效值，计算RRMS值并将其作为表征轴承健康状态的指数，过程如下：

取轴承正常工作时的任一时刻s的综合有效值RMS_s作为参考，第k时刻轴承的综合有效值为RMS_k，则该时刻的RRMS值定义为：

对所得的RRMS进行中值滤波，进行平滑处理后得到轴承在全寿命周期内的健康指数HI。再进一步，所述步骤S4中，所述BP神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元个数根据影响因素的数量确定，隐含层神经元个数参考经验公式试凑确定，n为隐含层节点数，n_i为输入节点数，n_j为输出节点数，I为1～10之间的常数；输出层神经元个数根据输出量确定；输入层到隐含层以及隐含层到输出层的传递函数均采用正切S型传递函数tansig，训练算法采用trainlm算法。

所述步骤S4中，MEA算法优化BP神经网络算法的初始权值和阈值过程如下：

首先产生初始群体，优胜子群体和临时子群体；

其次，优胜子群体和临时子群体产生后，各个子群体要先执行趋同操作，利用种群成熟判别函数判断各个子群体趋同操作是否完成；

再次，待各个优胜子群体和临时子群体趋同操作完成后，执行异化操作，当一个临时子群体得分高于某个成熟的优胜子群体，则该优胜子群体被临时子群体替代，原优胜子群体中的个体被释放，若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分，则该临时子群体被废弃，其中的个体被释放，被释放的个体在全局范围内重新搜索并形成新的临时群体；

最后，当满足迭代停止条件时，MEA算法结束优化过程，此时，根据编码规则，对寻找到的最优个体进行解析，从而得到BP神经网络算法的初始权值和阈值。

所述步骤S4中，对BP神经网络进行训练首先需要对输入和输出的数据进行归一化和反归一化处理，具体步骤如下：

根据以下的线性函数进行数据归一化处理，把数据映射到Y_min～Y_max范围之内：

上式中，i＝[1,2,…，m]，X为长度为m的数组，X_max为该数组中的最大值，X_min为该数组中的最小值，Y为归一化后的数据；

接着，设置最大收敛次数，显示间隔，收敛误差，学习速率；训练完成后，将训练结果进行反归一化处理：

本实施例利用PRONOSTIA平台的轴承全周期寿命数据对基于MEA-BP神经网络算法的轴承状态跟踪与预测方法进行验证。具体过程如下：

S1.采集全寿命周期内轴承在水平和竖直方向上的振动信号。通过加速度传感器采集如上两个方向的振动信号，振动信号每隔10s采集一次，每一次采集时长为0.1s，数据采样频率为25.6kHz；

S2.分别计算两个方向振动信号的有效值；

S3.根据综合有效值计算RRMS值并将其作为反映轴承健康状态的指数，利用中值滤波方法对该健康指数进行平滑处理，得到的健康指数如附图2所示，从图中可以看出，所构建的健康指数具有明显的趋势性，可以较好的反映出轴承在整个寿命周期上的健康状态；

S4.利用MEA算法对BP神经网络算法的初始权值和阈值进行优化，MEA算法系统结构如附图3所示，将时间指数作为输入变量，轴承的健康指数做为输出变量，对BP神经网络进行训练，BP神经网络拓扑结构如附图4所示；

S5.BP神经网络训练完成后，若输入当前时刻和当前时刻之前的任一时间指数，可以计算得到该时刻所对应的健康状态，从而达到状态跟踪的效果，状态跟踪结果如附图5所示，从图中可以看出，经过训练，BP神经网络可以较好的跟踪轴承的健康状态，若输入当前时刻下一时刻的时间指数，可预测得到下一时刻的健康状态，对下一时刻健康状态的预测结果如附图6所示，从图中可以看出，利用神经网络算法可对下一时刻的轴承健康状态进行预测，且预测结果较为准确。