一种用于多工位冷镦机状态检测的改进多分类支持向量机方法与流程

本发明属于机械设备故障诊断领域，涉及一种用于多工位冷镦机状态检测的改进多分类支持向量机方法。

背景技术：

多工位自动冷镦成型机作为一种自动化、精密、技术含量高的先进成形装备，在各个产业都有着广泛的应用。工业发达国家在装备制造领域已初步实现信息化和工业化深度融合，冷镦成型机领域也不例外，尤其是多工位全自动冷镦成型机发展到今天己经初步做到设计、制造、维护一体机。多工位冷镦成型机是典型性的机、电、液、温一体化的制造装备，其状态特征信息包含在不同性质的信号中，表现为多源性，由于受设备的工频振动、电噪声、液压和润滑系统脉动噪声、以及传递环节调制和噪声干扰等影响，信号非常微弱此外，多工位冷镦成型机功能部件机、电、液多源特征信号之间相互影响，对其进行状态检测困难。

技术实现要素：

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种用于多工位冷镦机状态检测的改进多分类支持向量机方法。通过该方法能够使冷镦机故障特征明显，从而从改进多分类支持向量机的模型中直接检测出冷镦机的状态。

为实现上述目的，本发明的技术方案是包括有：

s1、用局部均值分解对多工位冷镦机各状态的信号进行分解，得到若干乘积函数，每一乘积函数分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积，包含原始信号的状态特征信息；

s2、为有效去除乘积函数分量中的模态混叠噪声，基于独立成分分析算法并利用时序平移的思想，构造多个乘积函数分量噪声，对乘积函数分量进行盲源分离，提取其中有效状态信号，从而得到降噪后新的模态分量信号；

s3、进而利用排列熵量化各模态分量的状态特征，取各模态分量排列熵的平均值作为特征向量；

s4、建立多工位冷镦机状态检测的改进多分类支持向量机状态分类模型；并将计算的特征向量输入改进多分类支持向量机状态分类模型中进行状态的分类识别。

进一步设置是所述步骤s1具体包括：

设定多工位冷镦机各状态的原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来，经平滑处理得到局部均值函数m11(t)；计算包络估计值ai，将所有的相邻ai用直线连接起来，经进行平滑处理得到包络估计函数a11(t)；

将局部均值函数m11(t)从原始信号x(t)中分离出来得到h11(t)，对其进行解调得到s11(t)，

h11(t)＝x(t)-m11(t)(2)

s11(t)＝h11(t)/a11(t)(3)

计算s11(t)的包络估计函数a12(t)，如果a12(t)＝1，则说明s11(t)是一个纯调频信号，否则需要对s11(t)重复以上步骤，直到-1≤s1n(t)≤1，且其包络信号估计函数满足a1(n+1)(t)＝1，迭代终止条件为

迭代过程中产生的全部包络估计函数的乘积即为包络信号a1(t)：

将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个pf分量：

pf1(t)＝a1(t)s1n(t)(6)

从x(t)中分离出第一个pf分量pf1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复以上迭代过程，循环k次，直到uk(t)为一个单调函数。则x(t)被分解成k个pf分量和一个残余分量uk(t)之和，即：

式(7)中，pfp表示为p个pf分量，uk表示余项。

进一步设置是所述的步骤s2为：

设m个信号源s(t)＝[s1(t),s2(t),…,sm(t)]发出的信号由n个传感器测得，记为x(t)＝[x1(t),x2(t),…,xn(t)]，则

x(t)＝as(t)(8)

式(8)中，a为m×n的混叠矩阵，a和s是未知的，独立成分分析算法需要根据s的先验知识和多个观测信号x来估计a和s，因此，需要一个分离矩阵w，使得y(t)＝wx(t),从而得到原信号的估计：

式中表示对s(t)的估计。

进一步设置是所述的步骤s3中计算经步骤s2中独立成分分析算法消噪处理的各个乘积函数分量的排列熵的方法为：

给定一个时间序列信号{x(i),i＝1,2,…,n}进行相空间重构，根据延迟嵌入定理得到重构信号:

x(i)＝[x(i)x(i+σ)…x(i+(y-1)σ)](10)

式中：σ为延迟时间，y为嵌入维数，重构后i的值最大为n-(y-1)σ。

将式(10)中的元素按升序排列，得到：

x(i+(j1-1))σ≤x(i+(j2-1))σ≤…≤x(i+(jy-1))σ(11)

其中，其中j1,j2,…,jy表示x(i)中元素的位置。如果x(i)中存在相等的元素，则在重新排列时按j的大小进行排列，因此x(i)总能找到如下序列模式:

k(l)＝(j1,j2,…,jy)(12)

其中l＝1,2,…,m,m≤y！。y个元素的向量最多可以有y！种排列模式，k(l)表示其中一种排列模式，设一种排列模式出现的概率为

故信号排列模式的熵为：

对hp(y,σ)进行归一化处理，得到排列熵为：

进一步设置是所述的改进多分类支持向量机状态分类模型是多视图特权支持向量机状态分类模型，该多视图特权支持向量机状态分类模型构建如下：

约束条件为：

式中，||ωa||²和||ωb||²是视图a和视图b的正则化项，通过限制两个视图的分类器容量来避免过度拟合，γ是非负参数，用来平衡||ωa||²，||ωb||²；

和是视图a和视图b的非负松弛变量，两视图相互提供特权信息以补充和丰富两者，在学习利用特权信息的推动下，和受到由视图a，b确定的用于互补原理的未知非负校正函数的限制，c^a，c^b是非负罚参数；非负松弛变量是用来控制两个视图相关联的分类器之间的差距，从而保证他们之间的一致性，c是非负罚参数。

本发明的创新机理是：

本发明通过局部均值分解方法分解产生的模态分量包含原始信号的故障状态特征信息，先用独立成分分析对每个分量进行消噪处理，这样得到的分量信号能够最大程度的包含故障状态特征信号，减少噪声干扰；为量化这些故障状态特征，将信号运用局部均值分解方法分解得到各模态分量引入了熵理论，对各模态分量进行排列熵分析，能够更好地反映多工位冷镦机状态信息。

本发明应用局部均值分解对故障信号进行分解，得到若干包含原始信号的故障状态特征信息的乘积函数分量，接着，为有效去除分量乘积函数中的模态混叠噪声，基于独立成分分析算法对乘积函数分量进行盲源分离以达到消噪的目的，并提取其中的有效故障状态信号，再利用排列熵量化各模态分量的故障特征，取各模态分量排列熵的平均值作为特征向量。

本发明的有益效果是：

本发明方法一方面利用局部均值分解方法将一个复杂的非平稳多分量信号分解成多个单分量信号，由此得到原始信号完整的时频分布，另一方面利用ica有效地提高信噪比，抑制噪声，再利用排列熵提取故障特征，使多工位冷镦机故障状态特征明显；同时，利用改进多分类支持向量机，可以将故障状态精准地检测出来，得到较高准确性的分类结果。

附图说明

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，下面将对实施例或现有技术描述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，根据这些附图获得其他的附图仍属于本发明的范畴。

图1本发明系统流程图；

图2本发明实施例通过局部均值分解冷镦机故障状态检测的数据分解图；

图3本发明实施例通过独立成分分析方法对乘积函数分量降噪的谱图；

图4本发明实施例通过改进多分类支持向量机状态分类模型进行故障分类结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

技术术语说明：

为了便于技术术语描述，本实施例部分技术特征采用英文简称方式进行说明，其技术术语和英文简称对照说明如下：

独立成分分析算法(independentcomponentcorrelationalgorithm,ica)；

乘积函数(productfunctions,pfs)；

乘积函数(pf)分量；

改进多分类支持向量机(multi-classsupportvectormachine,m-svm)；

局部均值分解(localmeandecomposition,lmd)；

多视图特权支持向量机(multi-viewprivilegedsupportvectormachinemodel,psvm-2v)；

排列熵(permutationentropy,pe)。

如图1所示，为本发明实施例中，包括以下步骤：

s1、用局部均值分解对多工位冷镦机各状态的信号进行分解，得到若干乘积函数，每一乘积函数分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积，包含原始信号的状态特征信息；

s2、为有效去除乘积函数分量中的模态混叠噪声，基于独立成分分析算法并利用时序平移的思想，构造多个乘积函数分量噪声，对乘积函数分量进行盲源分离，提取其中有效状态信号，从而得到降噪后新的模态分量信号；

s3、进而利用排列熵量化各模态分量的状态特征，取各模态分量排列熵的平均值作为特征向量；

s4、建立多工位冷镦机状态检测的改进多分类支持向量机状态分类模型；并将计算的特征向量输入改进多分类支持向量机状态分类模型中进行状态的分类识别。

本实施例具体包括以下步骤：

1、建立局部均值分解模型

lmd方法是由smith提出来的一种新的自适应信号处理方法，具有更高的信号完整性保持能力，减少了迭代次数，同时能够更好地避免超调对信号分解的影响。其本质是将多分量的信号分解为若干个单分量pf和一个残余分量r之和,适合于处理多分量的调制信号。

假设原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来，经平滑处理得到局部均值函数m11(t)；计算包络估计值ai，将所有的相邻ai用直线连接起来，经进行平滑处理得到包络估计函数a11(t)。

将局部均值函数m11(t)从原始信号x(t)中分离出来得到h11(t)，对其进行解调得到s11(t)，

h11(t)＝x(t)-m11(t)(2)

s11(t)＝h11(t)/a11(t)(3)

计算s11(t)的包络估计函数a12(t)，如果a12(t)＝1，则说明s11(t)是一个纯调频信号，否则需要对s11(t)重复以上步骤，直到-1≤s1n(t)≤1，且其包络信号估计函数满足a1(n+1)(t)＝1。迭代终止条件为

迭代过程中产生的全部包络估计函数的乘积即为包络信号a1(t)：

将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个pf分量：

pf1(t)＝a1(t)s1n(t)(6)

从x(t)中分离出第一个pf分量pf1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复以上迭代过程，循环k次，直到uk(t)为一个单调函数。则x(t)被分解成k个pf分量和一个残余分量uk(t)之和，即：

式(7)中，pfp表示为p个pf分量，uk表示余项。

2、将分解得到的pf分量输入ica模型进行消噪

独立成分分析是基于统计分析的一种信号处理新方法，它是1997年由芬兰赫尔辛基大学的hyvarinen等人依据中心极限定理提出的一种固定点算法。之后又于1999年和2001年对算法进行了简化和改进。其基本原理是：利用信号的高阶统计特性，对多个观测信号进行盲源分离，估计出原始信号的近似值。

设m个信号源s(t)＝[s1(t),s2(t),…,sm(t)]发出的信号由n个传感器测得，记为x(t)＝[x1(t),x2(t),…,xn(t)]，则

x(t)＝as(t)(8)

式中，a为m×n的混叠矩阵，a和s是未知的，ica需要根据s的先验知识和多个观测信号x来估计a和s，因此，需要一个分离矩阵w，使得y(t)＝wx(t),从而得到原信号的估计：

式中表示对s(t)的估计。

本发明采用ica对产生模态混淆的pf进行盲源分离，估计出pf中的原始信号，达到降噪效果.但ica算法需要输入多个观测信号，而产生模态混淆的pf仅有一个信号，因此需要构造多个观测信号作为ica的输入。所以本发明借鉴信号时序平移思想构造ica的多维输入，其基本思想是：把经lmd分解后得到的第一个pf分量时序序列向左循环平移p个位置，向左溢出部分拼接到该时序序列的右端，重复上述平移过程可得到不同的噪声样本，将这些噪声样本与剩余的pf重构，可得到多个新的含噪信号作为ica的多维输入。由于这组新的含噪信号与原信号相比信噪比几乎一致，不仅保留了原信号中的有效成分，而且信号中所含噪声的成分也没有大的改变，仅由于循环移位操作使噪声的形态发生了改变。

3、计算经ica消噪处理的各个pf分量的排列熵

排列熵是通过对比相邻数据去度量时间序列的复杂性，相比于其他的熵值，排列熵具有计算速度快，抗干扰能力强的优点，只用熵对信号进行排列，能够克服非线性信号失真问题，可以用来提取信号的特征。其基本原理如下:

给定一个时间序列信号{x(i),i＝1,2,…,n}进行相空间重构。根据延迟嵌入定理得到重构信号:

x(i)＝[x(i)x(i+σ)…x(i+(y-1)σ)](10)

式中：σ为延迟时间，y为嵌入维数，重构后i的值最大为n-(y-1)σ。

将式(10)中的元素按升序排列，得到：

x(i+(j1-1))σ≤x(i+(j2-1))σ≤…≤x(i+(jy-1))σ(11)

其中，其中j1,j2,…,jy表示x(i)中元素的位置。如果x(i)中存在相等的元素，则在重新排列时按j的大小进行排列，因此x(i)总能找到如下序列模式:

k(l)＝(j1,j2,…,jy)(12)

其中l＝1,2,…,m,m≤y！。y个元素的向量最多可以有y！种排列模式，k(l)表示其中一种排列模式，设一种排列模式出现的概率为

故信号排列模式的熵为：

对hp(y,σ)进行归一化处理，得到排列熵为：

以上可以看出，hp的取值范围为[0,1]，hp值的大小表示时间序列的复杂和随机程度。hp值越小，则时间序列越规则，反之时间序列越接近随机。因此hp的变化能够反映并放大时间序列的细微变化。

4、将特征向量输入改进多分类支持向量机诊断出多工位冷镦机状态

改进的多分类支持向量机是多视图特权支持向量机(multi-viewprivilegedsupportvectormachinemodel,psvm-2v)，特权信息是指具有l个标签的样本训练集，记为其中x*是与x有相关联得特权信息。基于特权信息的学习方法除了需要处理标准的训练数据集以外，还需要处理一些特权信息x*，这些特权信息能应用到训练样本中，却不能应用于测试样本。所以该方法要求给定一个训练集寻找一个函数f:x→{-1,1}，使得对待分类的测试样本点有较小的误差率。校正函数定义是假设分类问题存在最佳但未知的线性超平面(ω0·x+b0)＝0，oracle函数ξ(x)中定义x满足ξ(x)＝[1-(y(ω0·x)+b0)]+，其中[τ]+＝max{0,τ}，然后假定oracle函数为关于特权信息的函数的校正函数的近似值，并且构成校正空间。基于特权信息的学习方法，在一定程度上利用多个特征集之间互相补充信息，提高许多现有学习任务的性能。其优化是通过二次规划求解器来解决。

在多视图学习(multi-viewlearning,mvl)中，每一个视图都可以提供一个信息分类，并从不同特征视图构建分类器，倾向于与预测一致，psvm-2v的目标是学习满足多视图分类的共识和互补属性的决策函数。由于视图a和视图b彼此相互提供特权信息，因此，两个视图共享补充信息，用他们模拟校正函数来估计最优分类器上损失的上界是合理的，因此，psvm-2v利用每个视图作为特权信息来重新拟合松弛变量，这恰好满足了互补原则，此外，通过使用正则化项来拟合多视图的预测结果之间的差距，实现一致性原则。psvm-2v可构建如下：

约束条件为：

式中，||ωa||²和||ωb||²是视图a和视图b的正则化项，通过限制两个视图的分类器容量来避免过度拟合，γ是非负参数，用来平衡||ωa||²，||ωb||²；

和是视图a和视图b的非负松弛变量，两视图相互提供特权信息以补充和丰富两者，在学习利用特权信息(learningusingprivilegedinformation,lupi)的推动下，和受到由视图a，b确定的用于互补原理的未知非负校正函数的限制，c^a，c^b是非负罚参数；非负松弛变量是用来控制两个视图相关联的分类器之间的差距，从而保证他们之间的一致性，c是非负罚参数；

svm可以被视为数据投影模型，其将数据从特征空间投影到一维空间(即类标签)，然后，第一个约束强制在一维空间的两个视图上的预测变量之间达成一致，因此，通过标签相关性来确保多视图学习的共识原则，变量ε用于违反约束的允许样本；一旦求解出||ωa||²和||ωb||²，则在每一个视图分别建立分类器，并且在两个视图上共同建立分类器，已根据特定条件预测新样本的标签。

公式中所用到的字母符号：表示第i个训练数据点，a,b代表两个视图。l表示训练的数据长度，(xi·xj)表示xi和xj内积，||ωa||²，||ωb||²表示视图a,b的权重向量，φa，φb标识号输入到高维特征空间的映射，c，c^a，c^b表示罚参数，γ表示权衡参数，|·|，||·||表示1-范数，2-范数，[·]+表示max{0,·}，t表示转置向量。

根据上面处理得到的信号与原信号进行互相关系数的计算，以此选用有效的pf分量，利用时序平移的思想，构造多个pf分量噪声，进行ica降噪处理，再将每个降噪后的pfnew分量进行排列熵计算，以提取有效的故障特征，并组成特征向量，输入到改进的多分类支持向量机中进行进行训练测试，得到多工位冷镦机状态的分类结果。

实施案例：多工位冷镦机状态检测

如图2-4所示，为验证上述方法的有效性，取某真实多工位冷镦机工作时的振动信号，分别采集了多工位冷镦机九组不同状态下的数据，分别为压紧机构松动，主滑块磨损，夹钳座压紧机构松动，后通机构定位导套磨损，后通机构受压杆变形，液压油路泄露，动模部件损伤，静模部件磨损，曲轴部件裂纹，并依次对其做编码记号1～9。其中，采样率48000hz，采样时间为3s。首先，取样本数为140000，将这九组数据用lmd方法进行分解，分解之后根据计算pf分量与原信号的互相关系数大小，选取前五层做后续处理。然后，对每一层都做时序平移450个点，构造出6个信噪比大致相同的pf分量，接着输入到ica中，进行去噪处理，得到新的pf分量，再对消噪后的分量进行排列熵计算，量化各模态分量的故障特征，取各模态分量排列熵的平均值作为特征向量。最后，将这些特征向量输入到psvm-2v模型中进行训练、测试，检测出冷镦成型机的状态。经过实验得出，未经过该发明方法处理的数据只有40％的分类精度，经过该方法处理之后再分类最高可达到88.8888％。

本发明结合局部均值分解、独立成分分析、以及排列熵和改进多分类支持向量机即psvm-2v的各自优势，提出一种用于多工位冷镦机状态检测的改进多分类支持向量机方法。以采集的真实冷镦机状态数据为本文提出的方法进行了验证，并与未进行该方法处理的分类方法进行比较，结果表明本文提出的方法具有较高的分类精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。