本发明属于轴承性能退化评估技术领域,具体涉及一种基于foa-wsvdd(fruitflyoptimizationalgorithm-waveletsupportvectordatadescription)的滚动轴承性能退化评估方法。
背景技术:
随着工业及科技水平的不断提高,机械设备不断在复杂、高效、轻型等方面进行改进,同时也面临更加苛刻的工作环境。一旦设备的关键部件出现故障,就可能会影响整个生产过程,造成巨大的经济损失,甚至会导致人员伤亡等问题。因此,设备维修正由传统的事后维修和计划维修向基于状态的视情维修转变,而作为建立合理维修策略的前提,设备性能退化评估也开始备受关注。
滚动轴承作为旋转机械中的关键零部件之一,其性能状态的好坏直接影响整台设备的运行可靠性。一般来说,滚动轴承在使用过程中都会经历从正常到退化直至失效的过程,而这期间通常要经历一系列不同的性能退化状态。如果能够在滚动轴承性能退化的过程中监测到轴承性能退化的程度,那么就可以有针对性地组织生产和制定合理的维护计划,防止设备异常失效的发生。
目前,对于滚动轴承运行状态的评估可以分为:特征指标法和评估模型法。特征指标法包括:时域指标、频域指标、时频指标。特征指标法能在一定程度上反映出轴承的运行状态,例如时域指标中的稳定性指标(如均方根值、方根幅值等)会随着故障发展而逐渐增大,但无法判断初始损伤的位置。而敏感性指标(如峭度指标)虽可以识别初始损伤的位置,但随着故障的发展会呈现先升后降的趋势,并不符合轴承故障程度的发展趋势。评估模型法就是综合选取各种特征指标,利用智能学习算法,建立性能退化评估模型,从而得到能够全面地反映滚动轴承性能退化过程的特征指标。常用的智能学习算法有逻辑回归(logisticregression,lr),支持向量数据描述(supportvectordatadescription,svdd)等。lr算法在应用过程中,需要使用不同故障模式下的数据建立模型,限制了它的应用范围。svdd算法仅需要少量正常状态的数据建模,在应用中具有较高的精度和较强的鲁棒性,克服了lr算法的缺点,得到了广泛的应用。但当数据具有多模态分布时,其精度会受到很大的影响,而且不能反映出信号的局部信息。
技术实现要素:
本发明为了更及时准确地反映出轴承的早期退化状态,提出一种基于foa-wsvdd的滚动轴承性能退化评估方法。
为了实现上述目的,本发明通过如下技术方案实现:
步骤(1):获取轴承正常状态下的振动数据,进行去噪和归一化预处理;提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;
步骤(2):将foa算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的foa算法;
步骤(3):将小波核函数引入到svdd算法中,利用步骤(1)提取的特征向量建立wsvdd性能退化评估模型,并利用改进的foa算法对wsvdd模型的核参数寻优;
步骤(4):对轴承全生命周期振动数据同样根据步骤(1)的方法提取特征向量,并作为wsvdd模型的输入,计算特征向量距离超球中心的距离,以此作为轴承的性能退化评估指标;
步骤(5):设置自适应报警阈值曲线,对轴承的早期退化状态做出及时准确的预警。
步骤(6):利用基于经验模态分解和hilbert包络解调的故障诊断方法验证评估结果进行的正确性。
根据以上的技术方案,可以实现以下的有益效果:
(1)本发明提取了轴承振动数据的时域及基于小波包的时频特征,并基于单调性进行特征选择,使最终的评估指标与故障程度之间具有良好的单调性;
(2)本发明将小波核函数引入到svdd算法中,构造了基于wsvdd算法的性能退化评估模型,相比于lr算法,本算法仅需要少量正常状态下的数据建模,克服了lr算法对故障模式下的数据的依赖;相比于svdd算法,本算法对早期的故障更为敏感,更能及时的对早期故障作出预警;
(3)本发明采用改进的foa,以支持向量个数与总样本数的比值作为适应度函数,对svdd算法的核参数进行优化,既避免了标准foa寻优空间不足,易陷入局部最优的缺陷,又消除人为选择核参数的盲目性。
附图说明
图1本发明的实验装置示意图;
图2本发明的具体操作流程。
具体实施方式
为使本发明的目的、技术方案和优点等更加清楚明白,以下结合实施例,并参照附图,对本发明进一步详细说明。
一种基于foa-wsvdd的滚动轴承性能退化评估方法,操作流程图如图2所示,所述方法包括以下步骤:
步骤(1):提取振动数据的时域、时频域特征向量,并基于单调性进行特征选择;
利用轴承1正常状态下的数据,提取其时域特征rms(均方根)、am(绝对值)、smr(方根幅值)、kurtosis(峭度)、skewness(偏斜度)、peak(峰值),利用db8小波对数据进行三层小波包分解,得到八个节点能量的归一化值,作为时频特征。由于轴承在使用过程中,性能逐渐退化,并且是不可恢复的,所以其性能变化应该是随着时间单调改变的。为了更准确高效的对退化性能进行评估,以单调性作为特征向量质量的评价指标进行特征选择,特征向量的单调性定义为:
其中,x为去噪后的特征向量,k为特征向量的长度,
计算出每个特征向量的单调性后,从中选取单调性较高的五个特征向量作为最终的特征向量。
步骤(2):将foa算法的寻优空间扩展到三维空间,并改变其迭代步长,得到改进后的foa算法;
改进的foa算法是用来对核参数寻优的,步骤如下:
1)参数初始化:初始化种群规模sizepop;最大迭代次数maxgen,果蝇群体初始位置x_axis、y_axis、z_axis,随机飞行范围[a,b];
2)赋予果蝇个体搜索食物的飞行随机方向与距离:
其中,β、η为调节因子,gen当前迭代次数。在寻优的初始阶段,为了增加果蝇种群的多样性,避免陷入局部最优,应增大随机飞行的距离,此时调节因子β大于1,记为β1。在寻优的第二阶段,为了增加寻优精度,随机飞行的距离应减少,此时调节因子β小于1,记为β2。
3)计算每个个体与原点的距离di以及味道浓度判断值si:
4)将味道浓度判断值si代入味道浓度判断函数(适应度函数),求得果蝇个体的味道浓度,找出果蝇种群中味道浓度最佳的果蝇:
smelli=f(si)
[bestsmellbestindex]=min(smell)
5)保留最佳味道浓度值s与个体对应坐标x、y、z,果蝇群体将向该位置飞去:
smellbest=bestsmell
x_axis=x(bestindex)
y_axis=y(bestindex)
z_axis=z(bestindex)
6)迭代寻优:重复执行步骤2)~4),并判断当前最佳味道浓度值是否由于上次迭代的最佳味道浓度值,若是执行步骤5),当达到最大迭代次数时,寻优结束。
步骤(3):将小波核函数引入到svdd算法中,利用步骤(1)提取的特征向量建立wsvdd性能退化评估模型,并利用改进的foa算法对wsvdd模型的核参数寻优,步骤如下:
1)首先,定义一个训练样本集x={x1,...,xn},其中xi∈rd(1≤i≤n)为列向量,通过非线性函数
s.t||φ(xi)-a||2≤r2+ξi,ξi≥0,1≤i≤n
其中,a为超球的圆心,r为半径,ξi是引入的松弛项,c>0是控制参数,调节错分训练样本数(球外样本数)和r的大小。
2)优化问题的拉格朗日方程为:
其中α=(α1,...,αn)t≥0,β=(β1,...,βn)t≥0是拉格朗日乘子向量.上式分别对变量r,a,ξi求偏导数并置为0,得:
3)原始问题的对偶形式:
k(xi,xj)为核函数,用它代替内积计算,即
4)利用改进foa算法,以最小化支持向量个数nsv与总样本数n的比值fsv作为适应度函数,选择最优核参数;原始优化的对偶形式为凸规划问题,利用凸规划问题求解方法求取拉格朗日乘子α,对于新样本z到球心的距离为:
置f(x)=cv(confidencevalue),以cv作为轴承性能退化评估的指标。
步骤(4):对轴承全生命周期振动数据同样根据步骤(1)的方法提取特征向量,并作为wsvdd模型的输入,计算特征向量距离超球中心的距离,以此作为轴承的性能退化评估指标,得到轴承全生命周期的cv值;
步骤(5):设置自适应报警阈值曲线,对轴承的早期退化状态做出及时准确的的预警。
cv是一个连续变化的参数,表示设备偏离正常状态的程度。设定报警阈值,能够对轴承的健康状态进行实时的监控,报警阈值的计算公式如下:
式中:t(t)表示t时刻的cv值,mean、std分别表示求均值和标准偏差。阈值th的求解分为3个阶段,第1阶段数据来源于早期无故障状态,阈值th是一个固定值,计算公式如式(1)。第2阶段将t时刻的t(t)与t-1时刻的th(t-1)进行比较,若t(t)在th(t-1)范围内,则用式(2)计算th值。如果其后连续nu个cv值均超限,则定义t=te为性能退化状态发生变化的时刻,进入第三阶段,计算公式如式(3)。
步骤(6):利用基于经验模态分解和hilbert包络解调的故障诊断方法验证评估结果进行的正确性。
根据轴承的包络知识可知,当轴承的某个部件发生故障时,其冲击信号的包络谱会在故障特征频率及其倍频处出现幅值逐渐衰减的离散谱线。所以利用基于经验模态分解和hilbert包络解调的方法,提取轴承振动信号的包络谱,对评估结果的正确性进行验证。