一种基于DA—SVM的滚动轴承故障检测方法与流程

本发明涉及一种基于da—svm的滚动轴承故障检测方法，属于机械自动化故障检测的领域。

背景技术：

滚动轴承作为大型机械中关键组成元件，其运行状态的是否正常对整个机械设备的运行起着极其重要的作用，一旦发生故障，造成的损失是巨大的。而滚动轴承通常长期处于复杂、恶劣的工作环境中，运行状态不易监测，因此对滚动轴承健康状况的及时了解，能够及时的对滚动轴承的各种故障监测、反馈，对保证整个大型机械设备的安全运行有着极其重要的意义。现有技术中滚动轴承的检测速度与检测精确度都较低，不能满足高标准的要求。

技术实现要素：

本发明要解决的问题是提供一种基于da—svm的滚动轴承故障检测方法，通过算法对svm中的参数优化，能有效提高滚动轴承的检测速度与检测精确度。

本发明采用的技术方案是:一种基于da—svm的滚动轴承故障检测方法，包括如下步骤：

步骤一，由加速传感器同步获取滚动轴承转动所产生的信号，再通过小波包对获取到的原始信号分解重构，提取到第3层8个节点的能量特征值，将其作为特征向量；

步骤二，使用蜻蜓算法对svm的惩罚因子c与核函数参数g进行参数优化，得到优化后的da-svm故障检测模型；

步骤三、将设置的训练集代入到步骤二的诊断模型中，得到da-svmm训练模型；

步骤四、将测试集代入到已完成训练的da-svm训练模型中，获得对滚动轴承的正常状态、轴体故障、外圈故障、内圈故障的检测结果；

具体地，所述的步骤2中蜻蜓算法的运行步骤包括：

首先蜻蜓为保证正常的群体生活，需要进行分离、排队、结盟三种生群体行为：

分离：指每个独立的蜻蜓个体与其所相邻个体的分离情况，分离行为的数学表达式如下所示：

上式中：si—第i个蜻蜓个体分离行为的位置向量；n—相邻蜻蜓个体的个数；x—蜻蜓个体的所在位置；xj—所相邻个体蜻蜓j所处的位置；

排队：指每个蜻蜓个体在飞行时与相邻个体之间的速度匹配，排队行为的数学表达式如下所示：

上式中：ai—第i个蜻蜓个体排队行为的位置向量；vj—相邻个体的飞行速度；

结盟：指蜻蜓个体与相邻的其它蜻蜓彼此凑到一起的聚拢行为，结盟行为的的数学表达式如下所示：

上式中，ci—第i个蜻蜓个体结盟行为的位置向量；

其次，蜻蜓在保证正常的群体的行为后，蜻蜓需要捕猎获取食物以及躲避天机防止被捕食，具体内容如下所示：

寻找猎物：指每个蜻蜓个体为生存寻找猎物的行为，寻找猎物行为的数学表达式如下所示：

fi＝x⁺-x(4)

上式中，fi—第i个蜻蜓个体猎食行为的位置向量；x⁺—待捕食的猎物所处的位置；

躲避天敌：蜻蜓个体出于生存的本能，需时刻躲避天敌的行为，躲避天敌行为的数学表达式如下所示：

ei＝x^--x(5)

上式中，ei—第i个蜻蜓个体逃避天敌行为的位置向量；x^-—蜻蜓猎食者所处的位置；

最后，蜻蜓在分离、排队、结盟、寻找猎物、躲避天敌5种行为完成后，需要完成步向量、位置的实时更新，具体内容如下所示：

步向量表示为蜻蜓的飞行方向以及步长，其数学式如下所示：

△xt+1＝(ssi+aai+cci+ffi+eei)+ω△xt(6)

上式中，t—当前的迭代次数；；s—分离权重；α—对齐权重；c—凝聚权重；f—猎物权重因子；e—天敌权重因子；ω—惯性权重；△xt-当前的迭代次数蜻蜓种群位置更新步长；△xt+1-当前的迭代次数的下一代蜻蜓种群位置更新步长；

更新蜻蜓个体所处位置的向量，数学表达式如下所示：

xt+1＝xt+△xt+1(7)

上式中，xt-当前的迭代次数种群中蜻蜓所处位置；xt+1-当前的迭代次数的下一代种群中的蜻蜓所处位置；

为了使蜻蜓算法的性能得到进一步的加强，当蜻蜓个体周围没有临近解的情况出现时，通过使用lévy飞行的方法绕搜索空间飞行，进行蜻蜓位置的更新：

xt+1＝xt+le'vy(d)△xt(8)

其中d表示维度。

具体地，所述的步骤2中使用蜻蜓算法对svm的惩罚因子c与核函数参数g进行参数优化的步骤如下：

step1：首先初始化蜻蜓参数与设置svm样本数据

首先对蜻蜓算法参数和svm参数进行设置，蜻蜓算法参数包括：蜻蜓最大迭代次数、蜻蜓种群数量，svm参数设置包括：核惩罚参数c、核函数参数g；然后按照比例设置数据集，设置的数据集包括：训练数据集与测试数据集；最后初始化蜻蜓x与△x，对蜻蜓在搜索空间中的位置向量x、在搜索空间中的方向向量△x进行初始化，各只蜻蜓优化参数的组合设为(c，g)，其中位置向量x组成的矩阵中第一、二行分别存放核惩罚参数c的数值、核函数参数g的数值；

step2：计算权重值与适应度值

首先根据上述步骤的数据，对相关权重值进行初始化，相关权重具体包括：邻域半径r、惯性权重ω、猎物权重因子f、对齐权重α、凝聚权重c、分离权重s、天敌权重因子e；权重值完成更新后，进而对适应度值进行计算，具体而言：通过训练数据集完成对svm的训练，将训练后得到的svm模型用于对测试数据集的故障分类预测中，svm模型的对故障的分类准确率作为各只蜻蜓当前的适应度值，蜻蜓的最大适应度值随着蜻蜓不断地进行操作而实时更新，如果蜻蜓当前的适应度值大于已保存的适应度值，则更新原有的适应度值，否则原适应度值不变，保存的适应度值则为最优值，并且保存当前最优值对应的参数组合(c，g)；

step3：最后判断出邻域内是否存在蜻蜓，并完成蜻蜓行为度、位置、步长的更新；由上述步骤已计算出权重值以及适应度值，然后通过采用欧氏距离判断邻域内是否有相邻的蜻蜓存在，若存在，使用公式(6)、(7)更新位置与步长；若不存在，使用公式(8)更新位置，在完成本步骤后，进而计算出蜻蜓的各个行为度：根据公式(1)、(2)、(3)、(4)、(5)，能够计算出猎物吸引力f、对齐度a、内聚度c、分离度s、外敌排斥力e，本步骤的最后，通过使用上述步骤的公式与结论更新位置x与方向向量△x；

step4：完成上述3个步骤后，寻优完成，输出最优的惩罚因子c与核函数参数g的参数组合(c，g)。

本发明的有益效果是：本发明通过基于蜻蜓算法优化支持向量机，将原来svm中参数难以选取的问题转化为由蜻蜓算法进行参数组合寻优的问题，蜻蜓算法经运行能够寻找到最优的惩罚因子参数c和核函数参数g，那么这个最优的参数组合就是原问题的解。蜻蜓算法具有寻优能力强的特点，经过少量的迭代即可获取到最优的惩罚因子c和核函数参数g。经蜻蜓算法优化支持向量机的滚动轴承故障检测方法，检测速度较快且故障检测精确率较高。

附图说明

图1是本发明实施例提供的da-svm轴承故障检测模型示意图；

图2是本发明比较例中提供的蜻蜓算法优化支持向量机适应度曲线图；

图3是本发明比较例中提供的da-svm轴承故障检测模型的精确率曲线图；

图4是本发明比较例中提供的svm轴承故障检测模型的实际与预测分类比较图；

图5是本发明比较例中提供的ga-svm轴承故障检测模型的实际与预测分类比较图；

图6是本发明比较例中提供的pso-svm轴承故障检测模型的实际与预测分类比较图；

图7是本发明比较例中提供的da-svm轴承故障检测模型的实际与预测分类比较图。

具体实施方式

为了能够更加清楚地说明本发明，下面结合实施例对本发明提供的一种新型da-svm滚动轴承故障检测模型进行进一步详细地描述。

实施例1：如图1-7所示，一种基于da—svm的滚动轴承故障检测方法，包括如下步骤：

步骤一、由加速传感器同步获取滚动轴承转动所产生的信号，再通过小波包对获取到的原始信号分解重构，提取到第3层8个节点的能量特征值，将其作为特征向量。如表1所示，列出了滚动轴承正常状态、滚动体故障、外圈故障、内圈故障4类信号的部分样本能量特征值。其中。序号1—5表示正常状态下的样本能量特征值，序号6—10表示轴体故障的样本能量特征值，序号11—15表示外圈故障的样本能量特征值；序号16—20表示内圈故障的能量特征值。

表1小波包获取滚动轴承故障能量特征的部分能量特征值样本

步骤二，使用蜻蜓算法对svm的惩罚因子c与核函数参数g进行参数优化，得到优化后的da-svm故障检测模型；

步骤三、将设置的训练集代入到步骤二的诊断模型中，得到da-svmm训练模型；

步骤四、将测试集代入到已完成训练的da-svm训练模型中，获得对滚动轴承的正常状态、轴体故障、外圈故障、内圈故障的检测结果。

进一步地，所述的步骤2中蜻蜓算法的运行步骤包括：

首先蜻蜓为保证正常的群体生活，需要进行分离、排队、结盟三种生群体行为：

分离：指每个独立的蜻蜓个体与其所相邻个体的分离情况，分离行为的数学表达式如下所示：

上式中：si—第i个蜻蜓个体分离行为的位置向量；n—相邻蜻蜓个体的个数；x—蜻蜓个体的所在位置；xj—所相邻个体蜻蜓j所处的位置；

排队：指每个蜻蜓个体在飞行时与相邻个体之间的速度匹配，排队行为的数学表达式如下所示：

上式中：ai—第i个蜻蜓个体排队行为的位置向量；vj—相邻个体的飞行速度；

结盟：指蜻蜓个体与相邻的其它蜻蜓彼此凑到一起的聚拢行为，结盟行为的的数学表达式如下所示：

上式中，ci—第i个蜻蜓个体结盟行为的位置向量；

其次，蜻蜓在保证正常的群体的行为后，蜻蜓需要捕猎获取食物以及躲避天机防止被捕食，具体内容如下所示：

寻找猎物：指每个蜻蜓个体为生存寻找猎物的行为，寻找猎物行为的数学表达式如下所示：

fi＝x⁺-x(4)

上式中，fi—第i个蜻蜓个体猎食行为的位置向量；x⁺—待捕食的猎物所处的位置；

躲避天敌：蜻蜓个体出于生存的本能，需时刻躲避天敌的行为，躲避天敌行为的数学表达式如下所示：

ei＝x^--x(5)

上式中，ei—第i个蜻蜓个体逃避天敌行为的位置向量；x^-—蜻蜓猎食者所处的位置；

最后，蜻蜓在分离、排队、结盟、寻找猎物、躲避天敌5种行为完成后，需要完成步向量、位置的实时更新，具体内容如下所示：

步向量表示为蜻蜓的飞行方向以及步长，其数学式如下所示：

△xt+1＝(ssi+aai+cci+ffi+eei)+ω△xt(6)

上式中，t—当前的迭代次数；；s—分离权重；α—对齐权重；c—凝聚权重；f—猎物权重因子；e—天敌权重因子；ω—惯性权重；△xt-当前的迭代次数蜻蜓种群位置更新步长；△xt+1-当前的迭代次数的下一代蜻蜓种群位置更新步长；

更新蜻蜓个体所处位置的向量，数学表达式如下所示：

xt+1＝xt+△xt+1(7)

上式中，xt-当前的迭代次数种群中蜻蜓所处位置；xt+1-当前的迭代次数的下一代种群中的蜻蜓所处位置；

为了使蜻蜓算法的性能得到进一步的加强，当蜻蜓个体周围没有临近解的情况出现时，通过使用lévy飞行的方法绕搜索空间飞行，进行蜻蜓位置的更新：

xt+1＝xt+le'vy(d)△xt(8)

其中d表示维度。

进一步地，所述的步骤2中使用蜻蜓算法对svm的惩罚因子c与核函数参数g进行参数优化的步骤如下：

step1：首先初始化蜻蜓参数与设置svm样本数据

首先对蜻蜓算法参数和svm参数进行设置，蜻蜓算法参数包括：蜻蜓最大迭代次数、蜻蜓种群数量，svm参数设置包括：核惩罚参数c、核函数参数g；然后按照比例设置数据集，设置的数据集包括：训练数据集与测试数据集；最后初始化蜻蜓x与△x，对蜻蜓在搜索空间中的位置向量x、在搜索空间中的方向向量△x进行初始化，各只蜻蜓优化参数的组合设为(c，g)，其中位置向量x组成的矩阵中第一、二行分别存放核惩罚参数c的数值、核函数参数g的数值；

step2：计算权重值与适应度值

首先根据上述步骤的数据，对相关权重值进行初始化，相关权重具体包括：邻域半径r、惯性权重ω、猎物权重因子f、对齐权重α、凝聚权重c、分离权重s、天敌权重因子e；权重值完成更新后，进而对适应度值进行计算，具体而言：通过训练数据集完成对svm的训练，将训练后得到的svm模型用于对测试数据集的故障分类预测中，svm模型的对故障的分类准确率作为各只蜻蜓当前的适应度值，蜻蜓的最大适应度值随着蜻蜓不断地进行操作而实时更新，如果蜻蜓当前的适应度值大于已保存的适应度值，则更新原有的适应度值，否则原适应度值不变，保存的适应度值则为最优值，并且保存当前最优值对应的参数组合(c，g)；

step3：最后判断出邻域内是否存在蜻蜓，并完成蜻蜓行为度、位置、步长的更新；由上述步骤已计算出权重值以及适应度值，然后通过采用欧氏距离判断邻域内是否有相邻的蜻蜓存在，若存在，使用公式(6)、(7)更新位置与步长；若不存在，使用公式(8)更新位置，在完成本步骤后，进而计算出蜻蜓的各个行为度：根据公式(1)、(2)、(3)、(4)、(5)，能够计算出猎物吸引力f、对齐度a、内聚度c、分离度s、外敌排斥力e，本步骤的最后，通过使用上述步骤的公式与结论更新位置x与方向向量△x；

step4：完成上述3个步骤后，寻优完成，输出最优的惩罚因子c与核函数参数g的参数组合(c，g)。

下面结合现有技术进行对比说明。

在本比较例中，为了体现本文所介绍蜻蜓算法优化支持向量机模型的优势，实验将其与svm(支持向量机)、ga—svm(遗传算法优化的支持向量机)、pso—svm(粒子群算法优化的支持向量机)三种滚动轴承检测模型进行比较。

由图2能够看出，蜻蜓算法在经过少量的迭代即可迅速搜索到最优值，遗传算法算法迭代到第39次时算法参数基本达到最优，而粒子群算法pso算法搜索到最优值需要迭代到63次。因此可以得出结论，采用蜻蜓算法对支持向量机参数寻优速度最快且诊断错误率最低。

由图3能够看出，经蜻蜓算话优化的支持向量机模型诊断精确度为92.5％，而svm、ga—svm、pso—svm三种滚动轴承检测模型的检测精确率分别为89.81％、92.375％、92.1875％，经对比后可知。da-svm滚动轴承故障检测模型在检测精确度上明显优于其它3种检测模型，具有显著的优势。

由图4、图5、图6、图7为4种诊断模型的实际测试集与预测测试集分类结果的对比图，在训练样本与测试样本完全相同的前提下，通过对实验结果进行对比，图7能够明显看出da—svm诊断模型错分样本数是最少的，da-svm轴承故障检测模型分类精度最优。综上所述：本发明提出的da-svm滚动轴承故障检测模型具备较高的故障检测识别率与较快的诊断速度。

将支持向量机(svm)应用到滚动轴承的的故障检测中时，其惩罚因子c与核函数参数g的选取对于轴承检测精确率具有至关重要的的影响。处理这方面的问题，需要通过使用算法对支持向量机中的参数进行优化，选取最优的参数组合。本发明设计了一种基于da-svm(蜻蜓算法优化支持向量机，dragonflyalgorithmsforoptimizingsupportvectormachines)的股东轴承故障检测方法，它是通过由蜻蜓算法对svm模型中的惩罚因子c和核函数参数g进行优化，具有很强的寻优能力，能够提高滚动轴承故障检测的检测速度与检测精度。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。