一种基于“1dCNN-GWO-SVM”模型的轴承故障诊断方法

一种基于“1dcnn-gwo-svm”模型的轴承故障诊断方法
技术领域
1.本发明属于智能装备制造领域，更具体的说涉及一种基于“1dcnn-gwo-svm”模型的轴承故障诊断方法。


背景技术：

2.轴承是机械设备中一种常见且重要的零部件，一旦出现故障，就会影响设备整体使用寿命。因此在生产过程中，需要找到一种切实可行的算法，来监视轴承各项信号指标，从而降低轴承故障的负面影响。
3.轴承故障诊断主要分为两步，一是对原始信号提取特征，二是对处理后数据进行识别与分类。而传统上特征提取方面往往使用主成分分析等机器算法，但由于其结构单一，相较于深度学习算法，其识别效率与准确程度要大打折扣。另外，在识别与分类上，支持向量机是主流的分类模型，但由于优化算法的不同，如网格搜索算法、遗传算法、粒子群算法，使得支持向量机在使用过程中存在着局部最优、效率低下、随机性大等诸多问题。


技术实现要素：

4.本发明所要解决的技术问题是提供一种基于“1dcnn-gwo-svm”(一维卷积神经网络-灰狼算法-支持向量机)模型的轴承故障诊断方法，解决传统上信号特征提取不精确与识别分类效率低下、随机性高、存在局部最优情况的问题，便捷、高效地实现对轴承数据地故障诊断与分类。
5.为了解决上述问题，本发明是采用以下技术方案实现的：所述的方法包括以下步骤实现的：步骤1：数据预处理；步骤2：模型构建；步骤3：将训练集数据输入模型后进行训练，再使用模型对测试集进行分类，评价其分类准确率与精确性。
6.优选的，所述的步骤1：数据预处理；(1)对载入的每一类轴承数据进行重塑与分割，不同的重塑形式会影响1d-cnn的特征提取能力与gwo-svm的诊断效率；(2)将不同故障类别的数据贴上标签，进行横向与纵向拼接，并进行对数据整体的随机化处理；(3)划分训练集与测试集，训练集用以训练一维卷积的特征提取与灰狼算法的参数优化能力，而测试集则作为评估模型最终故障诊断能力的工具。
7.优选的，所述的步骤2：模型构建；原始信号数据经过预处理后，就可以作为1dcnn-gwo-svm模型的输入，该模型主要包括1d-cnn与gwo-svm两部分：
8.(一)一维卷积神经网络
9.卷积神经网络输出层直接连接了gwo-svm分类器；
10.(1)卷积层
11.卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，在1d-cnn的卷积层中，一维卷积核对上一层的输出特征进行卷积计算，计算方式如下：
12.13.其中，k(i)定义了第i层的输出；w为卷积核，b为偏差；r表示一维输入；
14.(2)全连接层
15.全连接层是对多个卷积层所提取的特征进行组合得到输出，采取多个相连的全连接层来处理多个卷积层的特征输出，将其组合输出成gwo-svm分类器的输入值，其数学模型可表述为：
16.xm＝f(ωmx
m-1
+bm)
17.其中，x为特征矢量，b、ω分别为偏差向量和权值矩阵；
18.(二)基于灰狼优化算法的支持向量机
19.通过灰狼算法对其核参数g与惩罚参数c进行优化，以1d-cnn处理的数据特征作为输入；
20.初始化阶段时，灰狼算法
[]
需要定义不同社会阶层的狼，其等级自高向低顺序为：
ɑ
、β、δ、ω，其中
ɑ
、β、δ三匹头狼为算法中适应度函数值最优的三个参数解，是其余狼ω的领导者，当狼群捕获到猎物时，会将参数解分别赋给三匹头狼，也就是更新最优解的位置，而狼群接下来也会根据三匹头狼的位置在其周围继续寻找猎物，直至算法迭代结束；
[0021]
灰狼算法通过对训练集数据的交叉验证来评估模型的性能，作为狼群寻找最优解的衡量标准，狼群寻找最优解的数学模型可表示为：
[0022][0023][0024][0025][0026]
其中，t为当前迭代次数，a和c是协同系数向量，x
p
表示猎物的位置向量，x(t)表示当前灰狼的位置向量，a是随着迭代次数从2线性减小到0的收敛因子，r1和r2是[0，1]中的随机向量；
[0027]
在寻找最优解的过程中，狼群根据领导者(最优解)的位置不断更新搜索位置，这一过程可表示为：
[0028]dα
＝c1·
x
α
,d
β
＝c2·
x
β
,d
δ
＝c3·
x
δ
[0029]
x1＝x
α-a1·dα
,x2＝x
β-a2·dβ
,x3＝x
δ-a3·dδ
[0030][0031]
其中，x
ɑ
、x
β
、x
δ
分别表示了当前种群的
ɑ
、β、δ的位置向量，x为其他灰狼的位置，而d则表示灰狼与三个最优解的距离；
[0032]
在灰狼算法中，为了模拟逼近猎物，a被逐渐减小，a的波动范围也随之减小，这决定了灰狼是否分散或集中搜索某个猎物，而另一个协同向量c表示狼所在的位置对猎物影响的随机权重，使得算法可以跳出局部最优寻找其他可能的解。本发明有益效果：
[0033]
与现有轴承故障诊断模型相比，本模型既利用了卷积神经网络的强大特征提取能力，又应用了灰狼算法为支持向量机优化调参，与同类模型相比，在迭代次数与时间消耗方面均有了一定程度的优化。对于现实而言，使用该模型进行轴承故障诊断的优点有：一是所
需数据简单，只需要提高轴承工作时的振动加速度，便于工作人员使用模型进行故障诊断。二是自动运行，智能识别，降低了对轴承故障诊断的人工工作量，提早、及时发现轴承潜在故障风险，减少损失。
附图说明
[0034]
图1为本“1dcnn-gwo-svm”模型的结构示意图。
[0035]
图2为本模型的算法流程示意图。
具体实施方式
[0036]
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
本发明提出了“1dcnn-gwo-svm”轴承故障诊断复合模型，以凯斯西储大学风扇端轴承信号作为原始数据开展研究。该模型对原始数据进行预处理与后，通过一维卷积神经网络对其迭代学习提取特征，再将特征数据输入至gwo-svm进行优化与诊断。这种复合模型能够自我迭代提取数据特征，在参数优化过程中专注诊断结果准确程度，也大幅缩短了搜索最优解所需的时间，最后以混淆矩阵的形式呈现轴承诊断结果。具体包括如下步骤：
[0038]
步骤1：数据预处理。
[0039]
首先对载入的每一类轴承数据进行重塑与分割，不同的重塑形式会影响1d-cnn的特征提取能力与gwo-svm的诊断效率；再将不同故障类别的数据贴上标签，进行横向与纵向拼接，并进行对数据整体的随机化处理；最后划分训练集与测试集，训练集用以训练一维卷积的特征提取与灰狼算法的参数优化能力，而测试集则作为评估模型最终故障诊断能力的工具。
[0040]
步骤2：模型构建。
[0041]
原始信号数据经过预处理后，就可以作为1dcnn-gwo-svm模型的输入。该模型主要包括1d-cnn与gwo-svm两部分：
[0042]
(一)一维卷积神经网络
[0043]
卷积神经网络是一种自身具有稀疏连接和权值共享的典型的前馈神经网络。在研究中，对标准一维卷积神经网络的结构进行了取舍，输出层直接连接了gwo-svm分类器。
[0044]
(1)卷积层
[0045]
卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核。在1d-cnn的卷积层中，一维卷积核对上一层的输出特征进行卷积计算，计算方式如下：
[0046][0047]
其中，k(i)定义了第i层的输出；w为卷积核，b为偏差；r表示一维输入。
[0048]
(2)全连接层
[0049]
全连接层是对多个卷积层所提取的特征进行组合得到输出。在我们研究中，采取多个相连的全连接层来处理多个卷积层的特征输出，并将其组合输出成gwo-svm分类器的
输入值，其数学模型可表述为：
[0050]
xm＝f(ωmx
m-1
+bm)
[0051]
其中，x为特征矢量，b、ω分别为偏差向量和权值矩阵。
[0052]
(二)基于灰狼优化算法的支持向量机
[0053]
支持向量机是一种常用的分类器，我们通过灰狼算法对其核参数g与惩罚参数c进行优化，以1d-cnn处理的数据特征作为输入。
[0054]
初始化阶段时，灰狼算法需要定义不同社会阶层的狼，其等级自高向低顺序为：
ɑ
、β、δ、ω，其中
ɑ
、β、δ三匹头狼为算法中适应度函数值最优的三个参数解，也就是其余狼ω的领导者。当狼群捕获到猎物(可能的最优解)时，会将参数解分别赋给三匹头狼，也就是更新最优解的位置，而狼群接下来也会根据三匹头狼的位置在其周围继续寻找猎物，直至算法迭代结束。
[0055]
灰狼算法通过对训练集数据的交叉验证来评估模型的性能，作为狼群寻找最优解的衡量标准，狼群寻找最优解的数学模型可表示为：
[0056][0057][0058][0059][0060]
其中，t为当前迭代次数，a和c是协同系数向量，x
p
表示猎物的位置向量，x(t)表示当前灰狼的位置向量，a是随着迭代次数从2线性减小到0的收敛因子，r1和r2是[0，1]中的随机向量。
[0061]
在寻找最优解的过程中，狼群根据领导者(最优解)的位置不断更新搜索位置，这一过程可表示为：
[0062]dα
＝c1·
x
α
,d
β
＝c2·
x
β
,d
δ
＝c3·
x
δ
[0063]
x1＝x
α-a1·dα
,x2＝x
β-a2·dβ
,x3＝x
δ-a3·dδ
[0064][0065]
其中，x
ɑ
、x
β
、x
δ
分别表示了当前种群的
ɑ
、β、δ的位置向量，x为其他灰狼的位置，而d则表示灰狼与三个最优解的距离。
[0066]
在灰狼算法中，为了模拟逼近猎物，a被逐渐减小，a的波动范围也随之减小，这决定了灰狼是否分散或集中搜索某个猎物，而另一个协同向量c表示狼所在的位置对猎物影响的随机权重，这使得算法可以跳出局部最优寻找其他可能的解。
[0067]
步骤3：将训练集数据输入模型后进行训练，再使用模型对测试集进行分类，评价其分类准确率与精确性。
[0068]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。