滚动轴承故障诊断方法、系统、存储介质、设备及应用与流程

[0001]
本发明属于轴承振动信号识别技术领域，尤其涉及一种滚动轴承故障诊断方法、系统、存储介质、设备及应用。


背景技术：

[0002]
目前：滚动轴承作为旋转机械设备的重要组成部分，也是最容易发生故障的部件之一，由于工作环境较差，容易发生共振等问题，因此，对其进行及时、准确的检测和诊断具有重要的意义，滚动轴承的信号往往是高度非平稳性和非线性的，这些信号的特征较难识别，目前常用的诊断方法是先通过传感器采集振动信号，然后通过傅里叶变换、小波变换等信号处理方法对振动信号进行处理，提取其特征，最后进行模式识别和分类诊断，经验模态分解方法(empirical mode decomposition，emd)具有自适应性，非常适合于分析非平稳、非线性的数据，然而，emd方法存在严重的模态混叠现象，为了解决这一问题，wu和huang提出了一种新的集成经验模态分解方法(ensemble empirical mode decomposition，eemd)，通过在原始信号上添加白噪声，巧妙的解决了模态混叠问题，缺点是白噪声的集合数难以选取，对此，konstantin dragomiretskiy提出了变分模态分解方法(variational mode decomposition，vmd)，与emd和eemd不同的是引入了变分模型，将信号分解转换为无约束变分问题求解最优值，能够有效解决端点效应和模态混叠等问题，缺点是分解参数难以确定，黄大荣提出根据局部均值分解的频率特征确定分解层数，是一种有效的解决方法。
[0003]
故障诊断的第一步就是从振动信号中提取出有效信息，熵作为一种描述故障复杂度的一种工具，近年来被广泛应用于工程应用中，基于熵的故障诊断方法有模糊熵、排列熵和多尺度排列熵等，多尺度排列熵可以从不同角度观察一个时间序列，从而提取出有效的信息，提高鲁棒性，从而提高分类器的分类能力
[9]
，因此，本发明使用变分模态分解和多尺度排列熵提取故障特征，
[0004]
支持向量机在小样本的条件下，具有较好的故障诊断结果，但训练时间长，lssvm学习速度快，分类性能优异，被学者用于电力变压器故障诊断建模中，取得较好的效果，但参数直接影响电力变压器故障诊断效果，王田田使用改进灰狼算法优化优化小波核极限学习机的惩罚因子和核函数的参数，有效提高了分类精度，付伟在传统的粒子群中引入了扰动项，丛日立在粒子群中引入了混沌思想，增强了粒子群群体的多样性和全局搜索能力，
[0005]
通过上述分析，现有技术存在的问题及缺陷为：
[0006]
(1)目前轴承振动信号中的故障特征难以提取。
[0007]
(2)目前轴承故障诊断中最小二乘支持向量机模型参数优化的问题。
[0008]
解决以上问题及缺陷的难度为：
[0009]
(1)背景噪声的复杂性：一般设备现场的环境十分复杂，当机器工作时其周围伴有大量的干扰信号，这些信号有的具有周期性，有的则具有较强的随机性。有时设备发出的声信号甚至会被环境噪声所淹没，所以从复杂的环境中提取出故障信号仍然非常困难。
[0010]
(2)最小二乘支持向量机模型缺陷是计算复杂度大概是样本数的三次方量级，计
算量非常大。
[0011]
解决以上问题及缺陷的意义为：
[0012]
(1)通过对轴承振动信号的分析，利用时频分析等方法，研究振动信号的故障特征提取与轴承状态的识别，实现滚动轴承的早期故障检测和故障特征的识别。
[0013]
(2)通过对最小二乘支持向量机的参数进行优化，能够使模型预测精度满足要求，同时降低运算量，缩短计算时间。


技术实现要素：

[0014]
针对现有技术存在的问题，本发明提供了一种滚动轴承故障诊断方法、系统、存储介质、设备及应用。
[0015]
本发明是这样实现的，一种滚动轴承故障诊断方法，所述滚动轴承故障诊断方法包括：
[0016]
采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量。vmd是通过迭代搜寻变分模型最优解，来确定模态u
k
(t)及其对应的中心频率w
k
和带宽。每个模态都是具有中心频率的有限带宽(就是在频域中有在一定的宽度)，所有模态之和为源信号。而对求最优解采用二次惩罚和拉格朗日乘数将约束问题转换为非约束问题，并用交替方向乘子法求解这个非约束问题，通过迭代更新最终得到信号分解的所有模态。分解的所有模态中有包含主要信号的模态和包含噪声的模态。将包含主要信号的模态进行重构，从而达到去噪的效果。
[0017]
运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本。多尺度排列熵是对排列熵的改进，特点是将排列熵信号进行粗粒化，分别对粗粒化的片段进行计算，从而实现在多个维度对一维信号的描述。首先是将时间序列进行粗粒化，完成粗粒化的过程后在每一个子序列下进行排列熵计算。对每一个子序列进行相位空间重构，计算其时间序列。然后对时间重构序列按升序进行排列，并计算每种排列类型出现的次数及其对应的频率。
[0018]
初始化鲸鱼算法种群规模、最大迭代次数和自适应权重值、鲸鱼种群的位置上界ub＝[ub1,ub2,
…
,ub
n
]和下界lb＝[lb1,lb2,
…
,lb
n
]。鲸鱼种群可以用如下矩阵表示；
[0019][0020]
其中w表示鲸鱼种群的位置，w
i,j
表示第i个鲸鱼位置在第j维上的位置大小。w
i,j
可以用如下公式进行更新：
[0021]
w
i,j
＝(ub(i)-lb(i))
×
rand(i.j)+lb(i)
[0022]
其中：w
i,j
表示第i个鲸鱼位置在第j维上的位置大小，lb(i)和ub(i)分别表示第i个鲸鱼位置的上界和下界，rand(i.j)表示0～1之间随机生成的数。
[0023]
利用初始化参数建立lssvm模型：首先需要设定两个参数的取值范围，惩罚因子和核参数的范围分别为[0.01,1000]和[0.01,100]，鲸鱼种群规模设置为30，最大迭代次数为100。
[0024]
计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群：将确定的300组数据选取180组进行模型训练，其余120组留作测试集，通过适应度函数计算每只鲸鱼的适应度并进行比较，找出适应度值最优的个体，确定位置和此时最优惩罚因子和核参数。
[0025]
采用冯诺依曼拓扑结构进行邻域搜索，进行领域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新：每个座头鲸鱼具有上、下、左、右4个邻居构成的网格形式，与上下左右的座头鲸交换信息，一个座头鲸鱼找到最优解指挥影响周围的鲸鱼，实现种群内每个鲸鱼信息的充分利用，引导种群朝多个方向进化从而维持种群的多样性，进而避免早熟的现象，具有全局性，收敛速度和精度也得到了保证。
[0026]
重复计算每头鲸鱼相应的适应度值和采用冯诺依曼拓扑结构进行邻域搜索，直至达到最大迭代次数，输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0027]
进一步，所述滚动轴承故障诊断方法进行位置更新的公式为：
[0028]
w＝1-exp(1-t)；
[0029][0030]
利用冯诺依曼网格中的局部最优与当前迭代次数对应的全局最优进行更新，随着迭代的进行，采用自适应权重法能够加速局部最优逐渐与全局最优重合。
[0031]
更新鲸鱼的位置，方程如下：
[0032][0033]
式中：d'＝|x
*
(t)-x(t)表示第i条鲸鱼到猎物的距离，b为定义对数螺旋形状的常数，l为[-1，1]中的随机数；
[0034]
位置更新方程如下所示：
[0035]
d＝|cx
rand
(t)-x(t)|；
[0036]
x(t+1)＝x
rand
(t)-ad；
[0037]
式中：x
rand
表示从当前种群中选取的随机位置向量，将参数a从2降低到0，分别用于开发和探索，当|a|＞1时，a被选为随机搜索代理；当|a|＜1时，a被选为最优解用于更新搜索代理的位置；
[0038]
位置更新公式如下所示：
[0039]
w＝1-exp(1-t)；
[0040][0041]
式中：w＝0.5；为座头鲸搜索代理i在冯诺依曼拓扑邻域l(i)中的最优位置，即邻域内各个鲸鱼搜索代理的适应度函数最小值对应个体的历史最优位置；g表示全局最优位置。
[0042]
进一步，所述滚动轴承故障诊断方法鲸鱼优化算法的改进，使用冯诺依曼拓扑结构和自适应权重对鲸鱼算法进行改进，将自适应权重引入位移公式，随着迭代的更新，局部最优逐渐与全局最优重合，位置更新公式如下所示：
[0043]
w＝1-exp(1-t)；
[0044][0045]
式中：w＝0.5；为座头鲸搜索代理i在冯诺依曼拓扑邻域l(i)中的最优位置，即邻域内各个鲸鱼搜索代理的适应度函数最小值对应个体的历史最优位置；g表示全局最优位置。
[0046]
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
[0047]
采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量；
[0048]
运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本；
[0049]
初始化鲸鱼算法种群规模、迭代次数和自适应权重值；
[0050]
利用初始化参数建立lssvm模型；
[0051]
计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群；
[0052]
采用冯诺依曼拓扑结构进行邻域搜索，进行领域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新；
[0053]
重复计算每头鲸鱼相应的适应度值和采用冯诺依曼拓扑结构进行邻域搜索，直至达到最大迭代次数，输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0054]
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
[0055]
采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量；
[0056]
运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本；
[0057]
初始化鲸鱼算法种群规模、迭代次数和自适应权重值；
[0058]
利用初始化参数建立lssvm模型；
[0059]
计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群；
[0060]
采用冯诺依曼拓扑结构进行邻域搜索，进行领域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新；
[0061]
重复计算每头鲸鱼相应的适应度值和采用冯诺依曼拓扑结构进行邻域搜索，直至达到最大迭代次数，输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0062]
本发明的另一目的在于提供一种实施所述滚动轴承故障诊断方法的滚动轴承故障诊断系统，所述滚动轴承故障诊断系统包括：
[0063]
imf分量获取模块，用于采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量；
[0064]
特征向量集构造模块，用于运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本；
[0065]
初始化模块，用于初始化鲸鱼算法种群规模、迭代次数和自适应权重值；
[0066]
模型建立模块，用于利用初始化参数建立lssvm模型；
[0067]
适应度值计算模块，用于计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群；
[0068]
位置更新模块，用于采用冯诺依曼拓扑结构进行邻域搜索，进行领域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新；
[0069]
故障分类模块，用于输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0070]
本发明的另一目的在于提供一种汽车旋转平台，所述汽车旋转平台安装有所述的滚动轴承故障诊断系统。
[0071]
本发明的另一目的在于提供一种旋转餐厅平台，所述旋转餐厅平台安装有所述的滚动轴承故障诊断系统。
[0072]
本发明的另一目的在于提供一种旋转广告平台，所述旋转广告平台安装有所述的滚动轴承故障诊断系统。
[0073]
本发明的另一目的在于提供一种旋转电动风车，所述旋转电动风车安装有所述的滚动轴承故障诊断系统。
[0074]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明采用基于改进的鲸鱼算法优化最小二乘支持向量机模型的故障分类方法，使用变分模态分解和多尺度排列熵提取信号故障特征，针对鲸鱼算法(whale optimization algorithm，woa)收敛速度慢和精度低的问题，引入冯诺依曼拓扑结构和自适应权重进行改进，可以适当地调整全局搜索能力和局部搜索能力之间的平衡；采用改进后的鲸鱼算法优化lssvm核函数的参数和惩罚因子，建立滚动轴承故障诊断模型，结果表明，该方法的故障分类性能更好，准确率更高。针对目前轴承故障诊断中最小二乘支持向量机模型参数优化的问题，本发明提出了一种基于改进鲸鱼算法优化lssvm模型的故障诊断方法，首先，利用变分模态分解将振动信号分解为若干imf分量，计算每个imf分量的多尺度排列熵；然后，将特征向量输入到改进鲸鱼算法优化lssvm模型中，建立轴承故障诊断模型；最后，将该方法与其它五种方法进行了对比分析，验证了该方法的可行性和有效性，
附图说明
[0075]
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
[0076]
图1是本发明实施例提供的滚动轴承故障诊断方法流程图。
[0077]
图2是本发明实施例提供的滚动轴承故障诊断系统的结构示意图；
[0078]
图2中：1、imf分量获取模块；2、特征向量集构造模块；3、初始化模块；4、模型建立模块；5、适应度值计算模块；6、位置更新模块；7、故障分类模块。
[0079]
图3是本发明实施例提供的拓扑结构示意图。
[0080]
图4是本发明实施例提供的正常状态频谱图。
[0081]
图5是本发明实施例提供的内圈故障频谱图。
[0082]
图6是本发明实施例提供的外圈故障频谱图。
[0083]
图7是本发明实施例提供的滚动体故障频谱图。
[0084]
图8是本发明实施例提供的vmd分解诊断结果图。
[0085]
图9是本发明实施例提供的emd分解诊断结果图。
具体实施方式
[0086]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0087]
针对现有技术存在的问题，本发明提供了一种滚动轴承故障诊断方法、系统、存储介质、设备及应用，下面结合附图对本发明作详细的描述。
[0088]
如图1所示，本发明提供的滚动轴承故障诊断方法包括以下步骤：
[0089]
s101：采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量；
[0090]
s102：运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本；
[0091]
s103：初始化鲸鱼算法种群规模、迭代次数和自适应权重值；
[0092]
s104：利用初始化参数建立lssvm模型；
[0093]
s105：计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群；
[0094]
s106：采用冯诺依曼拓扑结构进行邻域搜索，进行邻域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新；
[0095]
s107：重复步骤s105和步骤s106，直至达到最大迭代次数，输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0096]
本发明提供的滚动轴承故障诊断方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的滚动轴承故障诊断方法仅仅是一个具体实施例而已。
[0097]
如图2所示，本发明提供的滚动轴承故障诊断系统包括：
[0098]
imf分量获取模块1，用于采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量。
[0099]
特征向量集构造模块2，用于运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本。
[0100]
初始化模块3，用于初始化鲸鱼算法种群规模、迭代次数和自适应权重值。
[0101]
模型建立模块4，用于利用初始化参数建立lssvm模型。
[0102]
适应度值计算模块5，用于计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群。
[0103]
位置更新模块6，用于采用冯诺依曼拓扑结构进行邻域搜索，进行邻域内的信息交流，找到邻域内最优的鲸鱼，按照公式进行位置更新。
[0104]
故障分类模块7，用于输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，对测试集进行故障分类。
[0105]
下面结合附图对本发明的技术方案作进一步的描述。
[0106]
1理论基础
[0107]
1.1变分模态分解原理
[0108]
原始信号经过vmd分解之后变成了若干模态，固有模态函数被定义为调幅调频信号，如公式(1)所示：
[0109]
u
k
(t)＝a
k
(t)cos(φ
k
(t))
ꢀꢀꢀ
(1)
[0110]
其中a
k
(t)是瞬时幅值，φ
k
(t)是相位，且φ'
k
(t)≥0，w
k
(t)＝φ'
k
(t)是中心频率，瞬时幅值和瞬时频率比相位变化缓慢，经过vmd分解之后，每个模态都具有稀疏性，它的稀疏性由其所在谱域的带宽所决定，为了估计每一个模态的带宽，首先对每一个模态进行希尔伯特变换，得到单边频谱；然后在各自的中心频率加入一个指数函数，将每个模态频谱转移到基带；最后，通过计算解调信号的梯度平方范数，估计带宽，在每个模态分量之和等于信号的约束条件之下，变分约束问题为：
[0111][0112]
式中δ是dirac分布，*表示卷积运算，为了求取问题的最优解，通过引入二次惩罚项α和拉格朗日乘子λ，将变分约束问题转变为无约束变分问题，vmd通过乘子的交替方向法，将原问题的最优解转化为求增广拉格朗日方程的鞍点，得到k个模态分量。
[0113]
1.2多尺度排列熵原理
[0114]
排列熵算法为度量时间序列复杂性的一种方法，算法描述如下：设一维时间序列x＝{x(1),x(2),
…
,x(n)}，然后采用相空间重构延迟坐标法对x(i)进行相空间重构，对每个采样点取其连续的m个样点，得到点x(i)的m维空间的重构向量，其中m是嵌入维数，l是延迟时间；对x(
i
)的重构向量x(i)各元素进行升序排列，每一个x(i)就被映射到了d(l)＝{j1,j2,
…
,j
m
}，l＝1,2,
…
,k(k≤m！)，计算每种情况出现的频率作为概率p1,p2,
…
,p
k
，根据shannon定理，计算归一化后时间序列的排列熵：
[0115][0116]
在实际的轴承故障诊断中，传统的排列熵没有很好的考虑到时间序列中可能存在的不同时间尺度，单一尺度包含的信息往往不够完整，因此需要进行多尺度分析，从多个时间尺度来分析问题找到更多隐藏的信息，对于一维时间序列，对其进行非重叠式粗粒化，得到时间序列：
[0117][0118]
其中τ表示时间尺度因子，然后采用相空间重构延迟坐标法对进行相空间重构。
[0119]
1.3最小二乘支持向量机分类原理
[0120]
lssvm是支持向量机的一个扩展，它使用损失函数的线性最小二乘准则代替不等式约束，基本原则是：给定一组样本其中x
i
∈r
n
是输入向量和y
i
∈r是对应样本i的输出值，通过一个非线性映射将原始特征空间的数据映射到一个高维空间中，如下所示：
[0121][0122]
式中：w表示权重向量，b表示误差，在原空间中，具有等式约束的最小二乘支持向量机可表示为：
[0123][0124]
其中
γ
是惩罚因子，e
i
为松弛变量，拉格朗日函数l可以表示为：
[0125][0126]
其中α
i
是拉格朗日乘子，根据the karush-kuhn-tucker(kkt)条件求解：
[0127][0128]
通过消去变量w和e
i
可将一个优化问题转化为线性求解问题：
[0129][0130]
式中：q＝[1,
…
,1]
t
，a＝[α1,
…
,α
n
]
t
，y＝[y1,
…
,y
n
]
t
，根据mercer条件，核函数可以表示为：
[0131][0132]
lssvm模型可以表示为：
[0133][0134]
mercer核函数有几种不同的类型，例如sigmoid、多项式和径向基函数(rbf)，rbf是核函数的常见选择，需要设置的参数很少，且总体性能很好，因此，本发明选择rbf作为核函数：
[0135][0136]
因此，lssvm模型需要优化两个参数，即高斯径向基核函数的参数σ2和惩罚因子γ。
[0137]
2基于鲸鱼优化算法的参数优化
[0138]
2.1鲸鱼优化算法
[0139]
鲸鱼优化算法whale optimization algorithm(woa)是seyedali、mirjalili和andrew lewis在2016年提出的一种新颖的自然启发元启发式优化算法，该算法模拟了座头鲸的社会行为，对于优化设计在搜索空间中的未知位置，当前的最优候选解是目标猎物或接近woa算法中的最优解，定义了最好的搜索代理，其他搜索代理将试图更新他们的位置，
以寻找最好的搜索代理，位置方程如下：
[0140]
d＝|cx
*
(t)-x(t)|
ꢀꢀ
(13)
[0141]
x(t+1)＝x
*
(t)-ad
ꢀꢀ
(14)
[0142]
a＝2ar-a
ꢀꢀ
(15)
[0143]
c＝2r
ꢀꢀ
(16)
[0144]
式中：t表示当前迭代数，a和c为系数向量，x*为得到的最佳解的位置向量，x为位置向量，r是[0,1]之间的随机数，a在迭代过程中从2线性减小到0，座头鲸在开发阶段捕杀猎物时，假设有50％的可能性在缩小的环绕机制和螺旋模式之间进行选择，以更新鲸鱼的位置，方程如下：
[0145][0146]
式中：d'＝|x
*
(t)-x(t)|表示第i条鲸鱼到猎物的距离，b为定义对数螺旋形状的常数，l为[-1，1]中的随机数，
[0147]
座头鲸在探索阶段会根据彼此的位置随机搜索，因此，本发明使用大于1或小于-1的随机值来迫使搜索代理远离参考鲸鱼，与开发阶段不同，本发明在探索阶段根据随机选择的搜索代理而不是目前找到的最佳搜索代理来更新搜索代理的位置，允许woa算法执行全局搜索，位置更新方程如下所示：
[0148]
d＝|cx
rand
(t)-x(t)|
ꢀꢀꢀ
(18)
[0149]
x(t+1)＝x
rand
(t)-ad
ꢀꢀꢀ
(19)
[0150]
式中：x
rand
表示从当前种群中选取的随机位置向量，将参数a从2降低到0，分别用于开发和探索，当|a|＞1时，a被选为随机搜索代理；当|a|＜1时，a被选为最优解用于更新搜索代理的位置，根据
p
的值，woa可以在螺旋或圆周运动之间切换，最后，通过满足一个终止准则来终止woa算法。
[0151]
2.2鲸鱼优化算法的改进
[0152]
鲸鱼群中的个体会与其他个体进行交流，分享其所拥有的信息，即个体之间形成了一个邻域拓扑，以往采用了多种邻域拓扑结构，不同的邻域拓扑结构具有不同的通信能力，进一步提高了最终解决方案的性能。
[0153]
四种典型的邻域拓扑结构分别是全局关联、环状拓扑、星形拓扑和冯诺依曼拓扑，其中前三种拓扑结构收敛速度很快，但是容易陷入局部最优，冯
·
诺伊曼形成了一个矩形晶格拓扑，如图3所示，每一个个体都与四个邻居进行通信，一个个体找到的最优解只会影响周围的四个邻居，从而保持个体的多样性，避免陷入早熟，相对于其它三种拓扑结构，收敛速度也得到了保证，woa算法可以轻易解决单峰优化问题，但是在处理高峰多维度优化问题时，可以清楚地发现，得到的解并不是很好，因此，为了解决woa算法收敛速度慢和精度低等问题，本发明使用冯诺依曼拓扑结构和自适应权重对鲸鱼算法进行改进，通过分析鲸鱼的位置更新公式可以发现，鲸鱼的位置更新受到全局最优解的影响，会随着全局最优解进行位置更新，为了增强算法的局部搜索能力，将自适应权重引入位移公式，这样不仅能受到全局最优的引导，还能在局部邻域与其它鲸鱼进行交流，随着迭代的更新，局部最优逐渐与全局最优重合，还能加快收敛速度，位置更新公式如下所示：
[0154]
w＝1-exp(1-t)
ꢀꢀ
(20)
[0155][0156]
式中：w＝0.5；为座头鲸搜索代理i在冯诺依曼拓扑邻域l(i)中的最优位置，即邻域内各个鲸鱼搜索代理的适应度函数最小值对应个体的历史最优位置；g表示全局最优位置。
[0157]
2.3鲸鱼优化算法步骤
[0158]
基于vmd分解和iwoa-lssvm的轴承故障诊断方法具体步骤如下：
[0159]
step1：采集轴承四种状态下的原始信号，利用vmd进行信号分解，得到各imf分量。
[0160]
step2：运用多尺度排列熵提取信号特征，构造特征向量集，并将其分为训练样本和测试样本。
[0161]
step3：初始化鲸鱼算法种群规模、迭代次数和自适应权重值。
[0162]
step4：利用初始化参数建立lssvm模型。
[0163]
step5：计算每头鲸鱼相应的适应度值，并按照适应度大小进行排序，并选取n个鲸鱼作为下一代的种群。
[0164]
step6：采用冯诺依曼拓扑结构进行邻域搜索，进行领域内的信息交流，找到邻域内最优的鲸鱼，按照公式(17)，(18)，(19)，(20)，(21)进行位置更新。
[0165]
step7：重复步骤5和6，直至达到最大迭代次数，输出适应度最佳的鲸鱼位置作为lssvm的参数进行训练，然后对测试集进行故障分类。
[0166]
下面结合实验对本发明的技术效果作详细的描述。
[0167]
1、实验结果与分析
[0168]
为了测试iwoa-lssvm的性能，本发明采用美国凯斯西储大学提供的轴承数据集进行实验，并与其它五种算法进行比较，其中失效直径分别为0.007英寸、0.014英寸和0.021英寸，在数据集中，有驱动端轴承数据(本发明只考虑驱动端轴承数据)和风扇端轴承数据，所有驱动端轴承型号为skf 6205，振动数据由加速度计采集，采样频率为12khz，在实际故障诊断中，有时不仅要知道轴承的故障类型，还要知道故障的直径，为了测试iwoa-lssvm模型诊断不同故障直径的性能，将分类标签设为10个，即健康轴承对应一个标签，其它三种故障类型分别对应三个标签，具体的类别标签如表1所示，
[0169]
表1轴承故障数据
[0170]
[0171]
2、特征提取
[0172]
采用vmd进行信号分解时，需要确定模态分解个数k值，当k值较小时，会丢失信息，当k值较大时，会出现模态混叠问题，本发明主要是根据计算各模态的中心频率来确定k值，以滚动体故障为例进行分解，通过表2可以得出，当k＝5时，第4和第5模态的中心频率值较为接近，由此推断出现模态混叠现象，因此确定k＝4。
[0173]
表2不同k值对应的模态中心频率
[0174][0175]
正常状态、内圈故障、外圈故障和滚动体故障的频谱图如图4至图7所示，根据本发明提出的智能故障诊断方法，首先需要利用mpe从原始振动信号中提取故障特征向量，通过对时间尺度和嵌入维数的研究，本发明将时间尺度设置为20和嵌入维数设置为6，对于每种状态分解得到4个模态中心频率，并未出现过分解的现象。
[0176]
3、故障识别
[0177]
通过将训练样本输入到iwoa-lssvm中，得到了最佳参数σ2为97.54和惩罚因子γ为632.36，得到lssvm模型的最佳参数之后，可以利用iwoa-lssvm对从多尺度排列熵提取的特征向量进行识别，为了说明vmd进行信号分解的优势，图8和图9分别给出了vmd和emd在四种状态下的故障诊断结果，其中每个标签取30组数据，前12组为训练样本，后18组为测试样本，具体的平均正确率见表3所示，
[0178]
表3基于vmd和emd分解的故障诊断结果
[0179][0180]
为了测试本发明提出的优化方法的性能，将iwoa-lssvm与ga-lssvm、pso-lssvm、woa-lssvm、pso-svm和ga-svm进行对故障进行分类识别，在ga-lssvm和ga-svm算法中，交叉概率为0.7，遗传概率为0.05；pso-lssvm和pso-svm中，最小权重为0.5，最大权重0.9，局部搜索参数0.5，全局搜索参数0.9，在设置好参数之后，就可以对模型进行训练和诊断，测试结果如表4所示，
[0181]
表4轴承故障诊断对比实验
[0182][0183][0184]
从表4可以看出，iwoa-lssvm对比ga、pso算法优化的svm模型，前者在三种故障类型的诊断上优于后两者，说明改进的鲸鱼算法优化lssvm参数，可以在一定程度上提高算法的性能，将iwoa-lssvm与其他三种算法优化lssvm进行对比，可以看出iwoa-lssvm诊断准确率优于其它算法，这表明，iwoa-lssvm算法在当今的故障诊断中具有一定的优势。
[0185]
本发明主要是对旋转机械邻域的轴承故障诊断进行了测试，首先，利用多尺度排列熵进行故障特征提取，然后，在lssvm模型中引入改进的鲸鱼算法用于故障诊断，通过使用美国凯斯西储大学轴承故障数据集进行测试，发现iwoa-lssvm故障诊断准确率高，轴承健康状态诊断准确率达100％，内圈故障诊断准确率达98.1％，滚动体故障诊断准确率达96.3％，外圈故障诊断准确率达100％，该诊断能力满足工程实际需要，最后，通过与其它五种算法的比较，验证了所提优化算法的正确性和所提方法的优越性，此外，随着人工智能、大数据和深度学习的发展，这三个方面的理论和系统会越来越完善，在不久的将来，深度学习可能会取代机器学习，因此，基于深度学习的轴承故障诊断将成为研究热点。
[0186]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁
盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0187]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。