一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
【技术领域】
[0001] 本发明设及一种旋转机械早期故障诊断的一体化智能诊断方法，特别是设及一种 基于遗传退火优化多核支持向量机的旋转机械早期故障一体化智能诊断方法。
【背景技术】
[0002] 旋转机械的早期故障是威胁旋转机械安全可靠运行的主要问题，如果能够对旋转 机械的早期故障进行可靠诊断，提前掌握旋转机械的运行状态，即可避免旋转机械的早期 故障逐渐渐变发展成典型故障，最终导致旋转机械突然停机等恶性事件发生。广义上讲，旋 转机械设备早期故障诊断是针对目前正在运行的旋转机械设备，辨识旋转机械设备当前的 运行状态，找出其故障源和故障部位，分析其故障成因，并提出合理的解决方案。其研究内 容主要设及机械动力学、材料学、机械设备测试技术、工程信号处理技术、计算机技术等，其 主要方法是依据机械动力学和材料学的理论，分析旋转机械的故障机理，采用传感器测出 旋转机械当前的运行状态信号，对信号进行分析处理，并构造智能化算法对旋转机械设备 当前的运行状态进行诊断辨识。
[0003] 传统在旋转机械设备早期故障诊断过程中，技术人员首先利用机械动力学和材料 学的知识分析旋转机械的故障机理，并利用各类传感器采集旋转机械的运行状态信号；随 后对获取的各类运行状态信号进行分析处理，提取状态信号的主要特征指标;最后利用人 工智能、计算机技术建立故障诊断模型，根据特征指标的量值大小，推理出旋转机械设备当 前的运行状态。对于旋转机械而言，振动信号对其运行状态的反映最为直接，因此，对旋转 机械而言一般是采用振动信号进行分析，但是反映旋转机械早期故障的振动信号强度相对 较小，虽然通过现代高精度的传感器能够采集到早期故障特征信息，但是受到信号传播途 径、传播介质等环境因素的干扰，很难精确提取出旋转机械早期故障的振动特征。在故障诊 断模型的构建过程中，目前应用最多的是二类分类法、K近邻分类算法、人工神经网络 (Artificial 化ural 化twork，ANN)和支持向量机（Suppo;rt Vector Machine,SVM)等，二 类分类法、K近邻分类算法简单，但是可靠性低，ΑΓ^Ν的可靠性有所改善，但是容易出现过学 习或欠学习而陷入局部极小，SVM在运之中性能相对最优，但是参数选择W及核函数的构造 也具有一定的随机性，因此要建立合理可靠的早期故障智能诊断模型也并非易事。
[0004] 本发明主要针对旋转机械基于支持向量机的智能诊断算法进行的更新改进。在传 统采用支持向量机进行故障诊断过程中，一般是直接将获取的早期故障特征指标输入到支 持向量机进行分类辨识，对于支持向量机的结构，通常采用的是单核支持向量机，对于支持 向量机的参数通常采用试凑法或者是简单的优化算法获取。本发明中，对于支持向量机的 结构，在传统单核SVM的基础上，通过对各类独立核进行加权融合而形成的一种新型机器学 习模型，即多核混合支持向量机(Multi-kernel Su卵ort Vector Machine，MSVM)，MSVM继 承了传统单核SVM的泛化推广能力和自学习能力。在利用MSVM进行旋转机械早期故障的诊 断过程中，各个独立核的核函数参数及其权重因子的合理选择将直接影响MSVM的辨识性 能，通过综合遗传算法（Genetic Algorithm,简称GA)和模拟退火算法（Simulated Annealing,简称SA)各自的优势，构造了遗传退火算法（Genetic Simulated Annealing Algorithm,简称GA-SA)，进而实现了对MSVM控制参数的最佳择优。由此形成的基于遗传退 火优化多核支持向量机的旋转机械早期故障诊断方法，该方法具有较好的抗干扰能力，泛 化推广能力强，为旋转机械的早期故障智能诊断提供了一种新的途径。
【发明内容】
[0005] 大型旋转机械包含众多的传动零部件，包括各类齿轮、轴承、轴系等，一旦发生典 型故障，不仅会导致旋转机械的骤然停机，更为严重的是会对一线操作人员的人身安全产 生极大威胁。旋转机械的典型故障是一个循序渐进、逐步发展的过程。如果能在旋转机械故 障产生的早期阶段，做到尽早发现、尽早诊断、尽快修复，则能避免危险因素累计超限。由此 可W看出，旋转机械的早期故障的精确诊断是关键。而旋转机械的早期故障特征十分微弱， 既难有效捕获，又难有效辨识。为了解决旋转机械早期故障特征微弱，故障特征与故障模式 之间非线性难W有效辨识的问题，提出一种基于遗传退火优化多核支持向量机的旋转机械 早期故障诊断方法，所采用的技术方案是:采用时域、频域、时频域信号处理方法提取振动 信号中的时域、频域、时频域特征指标，将该时域、频域、时频域特征指标综合起来，构造混 合域特征集;采用高斯核和多项式核构建多核支持向量机，并综合遗传算法和模拟退火算 法构建遗传退火算法；用遗传退火算法优化多核支持向量机的各类参数，获取多核支持向 量机的各类最优参数;将获取的混合域特征集输入到遗传退火算法优化的多核支持向量机 进行旋转机械早期故障模式的准确辨识。具体步骤如下：
[0006] 步骤一，通过ICP加速度传感器采集旋转机械运行过程中的振动状态信息，随后对 该振动信号进行降噪、滤波预处理。
[0007] 步骤二，对在旋转机械预处理后的每一个振动信号，计算其时域、频域、时频域特 征指标量值，构造混合域特征集。
[0008] 步骤Ξ，基于高斯核支持向量机和多项式核支持向量机，将高斯局部核Krbf和多项 式全局核KpDly结合起来，构造多核支持向量机：
[0009] Kmix(xi ,Xj) =λΚκΒρ(χ?, Xj) + ( 1-λ)Κρ〇?γ(χ?, xj)
[0010]式中：xi和X功输入空间的特征向量，巧日d分别为高斯核函数和多项式核函数的核 函数参数，λ(0<λ<1)为权重因子。
[0011] 步骤四，遗传-退火化算法优化多核支持向量机，W多核SVM的权重因子λ、惩罚参 数C、核函数参数σ和d组成染色体的实数基因向量X:
[0012] X=[A,c,0,d]
[0013] 利用多核SVM对混合域特征集训练样本的分类准确率f来评价各个染色体的优劣， 采用Me化ορο? is接受准则确定新染色体pij'是否进入下一代种群，在Metropolis接受准则 中，采用动态调溫策略，设tw = (l-l/irxti，其中ti为第i次进化时的退溫参数，mez用于 控制溫度的下降速度，为了防止当前种群的最优解在下一代中丢失，采用精英保留策略，比 较新解X的适应度f与种群中的最优解X*的适应度f*，若f优于f*，则用X和f分别替换X*和f*。
[0014] 步骤五，将混合域特征集输入到优化后的多核支持向量机，利用最优的多核支持 向量机自动辨识出旋转机械早期故障的故障模式。
[0015] 所述步骤二中，旋转机械在运行过程中产生的振动特征信号是反映旋转机械运行 状态的主要依据，通过计算振动信号的时域、频域特征指标量值，能够定量表征旋转机械早 期故障的出现，时域、频域特征指标很多，在此通过实验数据分析，选取了对轴承早期故障 表征明显的6个时域特征指标和2个频域特征指标;所述时域特征指标包括方根幅值、均方 根值、方差、平均幅值、峭度和最大值;所述频域特征指标包括均值频率和频率散度；<