一种柴油机曲轴轴承磨损程度预测方法及系统与流程

1.本发明涉及柴油机曲轴轴承领域，特别是涉及一种柴油机曲轴轴承磨损程度预测方法及系统。


背景技术：

2.近年来，军用车辆在抗震救灾中起到了重要作用，为保障车辆的正常运行，定期对机械进行故障检测成为必要的防患措施，通过专家对内部零件的判断不可避免的需要对一些部件进行拆解，在消耗人力物力的同时，对检测者的要求也很高。利用计算机通信技术对机械进行故障检测为国内外学者研究的焦点。
3.cheny c等[1]，利用快速傅立叶变换(fastfouriertransform，fft)对振动信号进行分析和处理，但其特征具有易聚集特性，不能很好的识别，需要人为介入；张玲玲等[2]，采用小波包-ar谱对变速器轴承故障进行特征提取，但该方法有小波基的选取困难缺陷；cheng j等[3]，利用经验模态分解(empirical mode decomposition，emd)对振动信号分解，但emd会出现模态混淆现象；xia,w等[4]，利用自适应小波和集合经验模态分解(ensemble empirical mode decomposition，eemd)分解信号用故障树分析喷油提前角度的大小，但由于实际运算有限，不能很好的消除已添加的白噪声的影响，会引起重构误差；周小麟等[5]，使用补充的集合经验模态分解、缎蓝园丁鸟优化算法和最小二乘支持向量回归(least squares support vector regression，lssvt)实现超短期风电功率组合预测，但最小二乘支持向量回归对于多分类问题处理效果不佳。


技术实现要素：

[0004]
本发明的目的是提供一种柴油机曲轴轴承磨损程度预测方法及系统，以提高柴油机曲轴轴承磨损程度预测的准确性。
[0005]
为实现上述目的，本发明提供了如下方案：
[0006]
一种柴油机曲轴轴承磨损程度预测方法，所述方法包括：
[0007]
获取不同磨损程度的柴油机曲轴轴承运行时的加速振动信号样本；
[0008]
利用互补集合经验模态分解和奇异值分解相结合的方法提取每种磨损程度对应的加速振动信号样本的特征，获得每种磨损程度对应的特征样本集；
[0009]
以磨损程度为标签，特征样本集为输入量，将所有磨损程度和所有磨损程度对应的特征样本集构成训练集和测试集；
[0010]
基于训练集和测试集，利用模拟退火算法优化循环神经网络，获得优化后的循环神经网络；
[0011]
获取待测柴油机曲轴轴承运行中的实时加速振动信号；
[0012]
对实时加速振动信号进行互补集合经验模态分解和奇异值分解，获得特征集；
[0013]
将所述特征集输入优化后的循环神经网络，输出待测柴油机曲轴轴承的磨损程度。
[0014]
可选的，所述获取不同磨损程度的柴油机曲轴轴承运行时的加速振动信号样本，之后还包括：
[0015]
采用阈值为无偏似然估计阈值的软阈值法对所述加速振动信号样本进行小波阈值去躁。
[0016]
可选的，所述利用互补集合经验模态分解和奇异值分解相结合的方法提取每种磨损程度对应的加速振动信号样本的特征，获得每种磨损程度对应的特征样本集，具体包括：
[0017]
对每种磨损程度对应的加速振动信号样本进行互补集合经验模态分解，获得多个本征模态函数，并将前6个本征模态函数组成每种磨损程度对应的初始向量矩阵；
[0018]
对每种磨损程度对应的初始向量矩阵进行奇异值分解，获得多个奇异值，同时将多个所述奇异值构成每种磨损程度对应的特征样本集。
[0019]
可选的，所述基于训练集和测试集，利用模拟退火算法优化循环神经网络，获得优化后的循环神经网络，具体包括：
[0020]
初始化模拟退火算法参数；所述模拟退火算法参数包括起始温度、迭代次数和终止温度；
[0021]
初始化循环神经网络的初始解；所述初始解包括序列长度为x1和隐含层节点数为x2；
[0022]
利用训练集对序列长度为x1和隐含层节点数为x2的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第一分类准确率；
[0023]
随机生成循环神经网络的新解；所述新解包括序列长度为x1'和隐含层节点数为x2'；
[0024]
利用训练集对序列长度为x1'和隐含层节点数为x2'的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第二分类准确率；
[0025]
判断第二分类准确率相对于第一分类准确率的增量是否大于或等于零，获得第一判断结果；
[0026]
若所述第一判断结果表示是，则接收新解并作为新的初始解，并将第二分类准确率赋值给第一分类准确率；
[0027]
若所述第一判断结果表示否，则按照metropolis准则接收新解；
[0028]
判断当前迭代次数是否大于或等于迭代次数，获得第二判断结果；
[0029]
若所述第二判断结果表示否，则返回步骤“随机生成循环神经网络的新解”；
[0030]
若所述第二判断结果表示是，则判断当前温度是否小于目标温度，获得第三判断结果；
[0031]
若所述第三判断结果表示否，则减小当前温度，并返回步骤“随机生成循环神经网络的新解”；
[0032]
若所述第三判断结果表示是，则将新的当前解作为最优解输出，将第二分类准确率作为最优分类准确率输出。
[0033]
一种柴油机曲轴轴承磨损程度预测系统，所述系统包括：
[0034]
加速振动信号样本获取模块，用于获取不同磨损程度的柴油机曲轴轴承运行时的加速振动信号样本；
[0035]
特征样本集获得模块，用于利用互补集合经验模态分解和奇异值分解相结合的方
法提取每种磨损程度对应的加速振动信号样本的特征，获得每种磨损程度对应的特征样本集；
[0036]
训练集和测试集构成模块，用于以磨损程度为标签，特征样本集为输入量，将所有磨损程度和所有磨损程度对应的特征样本集构成训练集和测试集；
[0037]
循环神经网络优化模块，用于基于训练集和测试集，利用模拟退火算法优化循环神经网络，获得优化后的循环神经网络；
[0038]
实时加速振动信号获取模块，用于获取待测柴油机曲轴轴承运行中的实时加速振动信号；
[0039]
特征集获得模块，用于对实时加速振动信号进行互补集合经验模态分解和奇异值分解，获得特征集；
[0040]
磨损程度输出模块，用于将所述特征集输入优化后的循环神经网络，输出待测柴油机曲轴轴承的磨损程度。
[0041]
可选的，所述系统还包括：
[0042]
去躁模块，用于采用阈值为无偏似然估计阈值的软阈值法对所述加速振动信号样本进行小波阈值去躁。
[0043]
可选的，所述特征样本集获得模块，具体包括：
[0044]
互补集合经验模态分解子模块，用于对每种磨损程度对应的加速振动信号样本进行互补集合经验模态分解，获得多个本征模态函数，并将前6个本征模态函数组成每种磨损程度对应的初始向量矩阵；
[0045]
奇异值分解子模块，用于对每种磨损程度对应的初始向量矩阵进行奇异值分解，获得多个奇异值，同时将多个所述奇异值构成每种磨损程度对应的特征样本集。
[0046]
可选的，所述循环神经网络优化模块，具体包括：
[0047]
参数子初始化模块，用于初始化模拟退火算法参数；所述模拟退火算法参数包括起始温度、迭代次数和终止温度；
[0048]
初始解初始化子模块，用于初始化循环神经网络的初始解；所述初始解包括序列长度为x1和隐含层节点数为x2；
[0049]
第一分类准确率获得子模块，用于利用训练集对序列长度为x1和隐含层节点数为x2的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第一分类准确率；
[0050]
新解生成子模块，用于随机生成循环神经网络的新解；所述新解包括序列长度为x1'和隐含层节点数为x2'；
[0051]
第二分类准确率获得子模块，用于利用训练集对序列长度为x1'和隐含层节点数为x2'的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第二分类准确率；
[0052]
第一判断结果获得子模块，用于判断第二分类准确率相对于第一分类准确率的增量是否大于或等于零，获得第一判断结果；
[0053]
赋值子模块，用于若所述第一判断结果表示是，则接收新解并作为新的初始解，并将第二分类准确率赋值给第一分类准确率；
[0054]
新解接收子模块，用于若所述第一判断结果表示否，则按照metropolis准则接收
新解；
[0055]
第二判断结果获得子模块，用于判断当前迭代次数是否大于或等于迭代次数，获得第二判断结果；
[0056]
步骤返回子模块，用于若所述第二判断结果表示否，则返回步骤“随机生成循环神经网络的新解”；
[0057]
第三判断结果获得子模块，用于若所述第二判断结果表示是，则判断当前温度是否小于目标温度，获得第三判断结果；
[0058]
温度减小子模块，用于若所述第三判断结果表示否，则减小当前温度，并返回步骤“随机生成循环神经网络的新解”；
[0059]
结果输出子模块，用于若所述第三判断结果表示是，则将新的当前解作为最优解输出，将第二分类准确率作为最优分类准确率输出。
[0060]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0061]
本发明公开一种柴油机曲轴轴承磨损程度预测方法及系统，利用互补集合经验模态分解和奇异值分解相结合的方法提取每种磨损程度对应的加速振动信号样本的特征，互补集合经验模态分解相较于emd和eemd可以更好的消除已添加的高斯白噪声所产生的影响，使重构误差更小，奇异值分解具备良好的稳定性，互补集合经验模态分解和奇异值分解相结合可以很好的对振动信号进行特征提取，并根据提取的特征利用模拟退火算法优化循环神经网络，提高原有循环神经网络模型的预测准确率，进而提高了柴油机曲轴轴承磨损程度预测的准确性。
附图说明
[0062]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1为本发明提供的柴油机曲轴轴承磨损程度预测方法的流程图；
[0064]
图2为本发明提供的柴油机曲轴轴承磨损程度预测方法的原理图；
[0065]
图3为本发明提供的模拟退火算法优化循环神经网络的原理图。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
本发明的目的是提供一种柴油机曲轴轴承磨损程度预测方法及系统，以提高柴油机曲轴轴承磨损程度预测的准确性。
[0068]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0069]
本发明提供了一种柴油机曲轴轴承磨损程度预测方法，如图1-2所示，方法包括：
[0070]
步骤101，获取不同磨损程度的柴油机曲轴轴承运行时的加速振动信号样本。
[0071]
研究对象为某型柴油机，在指定位置放置传感器，采集加速振动信号作为实验的初始信号。
[0072]
由于外界存在噪声的干扰，对采集得到的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估计阈值的软阈值法进行处理，得到x
′
(t)。
[0073]
步骤102，利用互补集合经验模态分解和奇异值分解相结合的方法提取每种磨损程度对应的加速振动信号样本的特征，获得每种磨损程度对应的特征样本集，具体实现过程如下：
[0074]
步骤102-1，对每种磨损程度对应的加速振动信号样本进行互补集合经验模态分解，获得多个本征模态函数，并将前6个本征模态函数组成每种磨损程度对应的初始向量矩阵；
[0075]
以一条振动信号为例，使用互补集合经验模态分解(complementary ensemble empirical mode decomposition，ceemd)进行分解，其步骤为：将随机等长、给定标准差、符号相反的白噪声并添加到信号中：得到并添加到信号中：得到为第i1次添加白噪声后的信号，使用emd算法分解以第一次添加的正白噪声后的信号为例：i＝1，h0＝r
i-1
(t)，j＝1。
[0076]
得到第i个imf
[0077]
(a).找出h
j-1
(t)的局部极值点。
[0078]
(b).对h
j-1
(t)的极大值和极小值点分别进行三次样条函数插值，形成上下包络线。
[0079]
(c).计算上下包络线的平均值m
j-1
(t)。
[0080]
(d).令hj(t)＝h
j-1
(t)-m
j-1
(t)。
[0081]
(e).若hj(t)是imf函数，则imfi(t)＝hj(t)；否则，j＝j+1，转到(a)
[0082]
令ri(t)＝r
i-1
(t)-imfi(t)。
[0083]
如果ri(t)极值点数仍然多于2个，则i＝i+1，转到2；否则，分解结束，ri(t)是残余分量。算法最后可得：得到预设个数的imf分量和re分量。
[0084]
以此类推将使用经验模态分解法进行分解得到的第j1个imf分量分别为和re分量分别为和对各imf分量和re求和并求其均值得：对各imf分量和re求和并求其均值得：为最终得到的第j1个本征模态函数；r为分解后的余项分量。
[0085]
步骤102-2，对每种磨损程度对应的初始向量矩阵进行奇异值分解，获得多个奇异值，同时将多个奇异值构成每种磨损程度对应的特征样本集。
[0086]
以一条振动信号为例，在上一步ceemd分解后的前6个imf分量组成初始向量矩阵ee×g，矩阵的秩为r
′
，进行奇异值分解，e＝udw
t
，ue×e＝[u1，u2，...，ue]，
δr′×r′
＝diag(σ1，σ2，...，σr′
)，λ1≥λ2≥...≥λr′
≥0是矩阵e
t
e的特征值。得到ee×g的奇异值σi(i＝1，2，...，r
′
)，得到的特征分量σi作为神经网络的特征集。第n个信号的第i2个特征分量为以第一条特征集为例。n＝1，i2＝1，2，...6，即特征集的第一条数据为：σ
12
、σ
12
、...、σ
16
，第n条数据为σ
n2
、σ
n2
、...、σ
n6
。
[0087]
使用svd提取特征得到特征集，用作神经网络的输入。
[0088]
步骤103，以磨损程度为标签，特征样本集为输入量，将所有磨损程度和所有磨损程度对应的特征样本集构成训练集和测试集。
[0089]
步骤104，基于训练集和测试集，利用模拟退火算法优化循环神经网络，获得优化后的循环神经网络。
[0090]
将循环神经网络作为模拟退火算法(simulated annealing，sa)的目标函数f()，再以将隐含层节点数设为目标函数的自变量x1，将序列长度设为目标函数的自变量x2，模拟退火算法的基本步骤为：
[0091]
1.初始化：起始温度t0(足够高)，初始解s(迭代开始)，迭代次数l，终止温度t1。
[0092]
2.对k＝1，
…
，l做第3至第6步。
[0093]
3.产生新解s
′
。
[0094]
4.计算增量δc＝f(s
′
)-f(s)，f()为目标函数。
[0095]
5.若δc≥0，则接收s
′
作为新的当前解；否则产生一个在[0,1]区间内的随机数ε，并与概率p进行比较，若ε＜p，则接收新解，否则保留s。
[0096]
6.看是否满足迭代次数若不满足则转第3步；
[0097]
看是否满足目标温度，若不满足则t逐渐减小，且t》t1，然后转第3步。
[0098]
7.得到最优分类预测准确率s。
[0099]
循环神经网络(recurrent neural network，rnn)的训练和测试过程为：
[0100]
将已得到的特征集t(n)分为训练集t1和测试集t2，其中训练集t1的标签为y1，测试集个数为n，测试集t2的标签为y2。循环神经网络的基本步骤为：以训练集训练集t1及标签y1为输入，进行训练，输入测试集t2做网络测试，输出预测标签y2′
，设正确个数为n0，令n0＝0，若y
′2(a)-y2(a)＝0(a＝1，2，...，n)则n0＝n0+1，循环从1到n为止，由公式其中s为分类预测的准确率。其中循环神经网络的各参数及权值推导如下：
[0101]
设x
′
为神经网络的输入，h为隐层单元，o为输出，l为损失函数，y
′
为训练集的标签。
[0102][0103]
式中：f1()、g()为激活函数。在rnn的训练调参过程中，需要调优参数只有w、u、v三个参数。对损失函数l求v的偏导：
[0104]
由于网络的损失与时间成正比，循环神经网络需从开始到t1时刻的求偏导：
[0105]
由于可得出与有关，观察发现中也有w和u，即w和u的偏导的求解也和所有历史时刻的数据有关。
[0106]
因此得：
[0107][0108][0109][0110][0111]
参照图3，模拟退火算法优化循环神经网络的具体步骤为：
[0112]
初始化模拟退火算法参数；模拟退火算法参数包括起始温度、迭代次数和终止温度；
[0113]
初始化循环神经网络的初始解；初始解包括序列长度为x1和隐含层节点数为x2；
[0114]
利用训练集对序列长度为x1和隐含层节点数为x2的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第一分类准确率；
[0115]
随机生成循环神经网络的新解；新解包括序列长度为x1'和隐含层节点数为x2'；
[0116]
利用训练集对序列长度为x1'和隐含层节点数为x2'的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第二分类准确率；
[0117]
判断第二分类准确率相对于第一分类准确率的增量是否大于或等于零，获得第一判断结果；
[0118]
若第一判断结果表示是，则接收新解并作为新的初始解，并将第二分类准确率赋值给第一分类准确率；
[0119]
若第一判断结果表示否，则按照metropolis准则接收新解；
[0120]
判断当前迭代次数是否大于或等于迭代次数(10次)，获得第二判断结果；
[0121]
若第二判断结果表示否，则返回步骤“随机生成循环神经网络的新解”；
[0122]
若第二判断结果表示是，则判断当前温度是否小于目标温度，获得第三判断结果；
[0123]
若第三判断结果表示否，则减小当前温度(减小当前温度的10％)，并返回步骤“随机生成循环神经网络的新解”；
[0124]
若第三判断结果表示是，则将新的当前解作为最优解输出，将第二分类准确率作为最优分类准确率输出。
[0125]
步骤105，获取待测柴油机曲轴轴承运行中的实时加速振动信号。
[0126]
步骤106，对实时加速振动信号进行互补集合经验模态分解和奇异值分解，获得特征集。
[0127]
本发明还可选用其他优化算法对rnn进行优化，如，粒子群算法、蚁群算法、锻炼园丁鸟算法、遗传算法、蝙蝠算法、花授粉算法等。
[0128]
步骤107，将特征集输入优化后的循环神经网络，输出待测柴油机曲轴轴承的磨损程度。
[0129]
最终得到使用模拟退火算法优化的循环神经网络对柴油机曲轴轴承磨损程度分类预测的准确率s达到97.45762712％，比基本rnn网络预测准确率提高了5％以上。此模型
可以有效的对获取得到的振动信号进行故障预测。
[0130]
本发明的优点如下：
[0131]
1)ceemd可以改善emd和eemd出现的模态混淆现象，ceemd可以更好的消除已添加的高斯白噪声所产生的影响，使重构误差更小，完备性更好。
[0132]
2)svd奇异值分解具备良好的稳定性，ceemd-svd，可以很好的对振动信号进行特征提取。
[0133]
3)rnn循环神经网络可以处理任意长度的输入，还适用于多输出问题，适用于对曲轴轴承磨损程度进行预测。
[0134]
4)sa-rnn模拟退火算法优化的循环神经网络提高原有循环神经网络模型的预测准确率。
[0135]
本发明还提供了一种柴油机曲轴轴承磨损程度预测系统，系统包括：
[0136]
加速振动信号样本获取模块，用于获取不同磨损程度的柴油机曲轴轴承运行时的加速振动信号样本；
[0137]
特征样本集获得模块，用于利用互补集合经验模态分解和奇异值分解相结合的方法提取每种磨损程度对应的加速振动信号样本的特征，获得每种磨损程度对应的特征样本集；
[0138]
训练集和测试集构成模块，用于以磨损程度为标签，特征样本集为输入量，将所有磨损程度和所有磨损程度对应的特征样本集构成训练集和测试集；
[0139]
循环神经网络优化模块，用于基于训练集和测试集，利用模拟退火算法优化循环神经网络，获得优化后的循环神经网络；
[0140]
实时加速振动信号获取模块，用于获取待测柴油机曲轴轴承运行中的实时加速振动信号；
[0141]
特征集获得模块，用于对实时加速振动信号进行互补集合经验模态分解和奇异值分解，获得特征集；
[0142]
磨损程度输出模块，用于将特征集输入优化后的循环神经网络，输出待测柴油机曲轴轴承的磨损程度。
[0143]
系统还包括：
[0144]
去躁模块，用于采用阈值为无偏似然估计阈值的软阈值法对加速振动信号样本进行小波阈值去躁。
[0145]
特征样本集获得模块，具体包括：
[0146]
互补集合经验模态分解子模块，用于对每种磨损程度对应的加速振动信号样本进行互补集合经验模态分解，获得多个本征模态函数，并将前6个本征模态函数组成每种磨损程度对应的初始向量矩阵；
[0147]
奇异值分解子模块，用于对每种磨损程度对应的初始向量矩阵进行奇异值分解，获得多个奇异值，同时将多个奇异值构成每种磨损程度对应的特征样本集。
[0148]
循环神经网络优化模块，具体包括：
[0149]
参数子初始化模块，用于初始化模拟退火算法参数；模拟退火算法参数包括起始温度、迭代次数和终止温度；
[0150]
初始解初始化子模块，用于初始化循环神经网络的初始解；初始解包括序列长度
为x1和隐含层节点数为x2；
[0151]
第一分类准确率获得子模块，用于利用训练集对序列长度为x1和隐含层节点数为x2的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第一分类准确率；
[0152]
新解生成子模块，用于随机生成循环神经网络的新解；新解包括序列长度为x1'和隐含层节点数为x2'；
[0153]
第二分类准确率获得子模块，用于利用训练集对序列长度为x1'和隐含层节点数为x2'的循环神经网络进行训练，并利用测试集对训练后的循环神经网络进行测试，获得第二分类准确率；
[0154]
第一判断结果获得子模块，用于判断第二分类准确率相对于第一分类准确率的增量是否大于或等于零，获得第一判断结果；
[0155]
赋值子模块，用于若第一判断结果表示是，则接收新解并作为新的初始解，并将第二分类准确率赋值给第一分类准确率；
[0156]
新解接收子模块，用于若第一判断结果表示否，则按照metropolis准则接收新解；
[0157]
第二判断结果获得子模块，用于判断当前迭代次数是否大于或等于迭代次数，获得第二判断结果；
[0158]
步骤返回子模块，用于若第二判断结果表示否，则返回步骤“随机生成循环神经网络的新解”；
[0159]
第三判断结果获得子模块，用于若第二判断结果表示是，则判断当前温度是否小于目标温度，获得第三判断结果；
[0160]
温度减小子模块，用于若第三判断结果表示否，则减小当前温度，并返回步骤“随机生成循环神经网络的新解”；
[0161]
结果输出子模块，用于若第三判断结果表示是，则将新的当前解作为最优解输出，将第二分类准确率作为最优分类准确率输出。
[0162]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0163]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。