基于改进支持向量机的旋转机械故障识别方法技术

本发明专利技术公开了一种基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。采用本发明专利技术可以有效提高旋转机械故障识别的准确度和效率。

Fault Recognition Method of Rotating Machinery Based on Improved Support Vector Machine

【技术实现步骤摘要】
基于改进支持向量机的旋转机械故障识别方法
本专利技术属于工程机械系统故障识别
，更为具体地讲，涉及一种基于改进支持向量机的旋转机械故障识别方法。
技术介绍
随着工业的现代化和科学技术的飞速发展，旋转机械设备作为工业中使用最广泛的设备之一，被越来越多地应用于电力、石油化工、航空以及多种军工产业等领域。旋转机械设备不断朝着高速化、系统化和自动化等方向发展，其生产系统的规模逐渐增大，机械结构也越来越复杂，每一种设备相互之间相互关联，紧密耦合，工作性能指标越来越高。在旋转机械设备工作运行中，伴随着很多不确定因素，一些设备不可避免的会产生一些故障，一旦某一设备的关键部件产生故障则会发生一系列的连锁反应，严重的还会造成整条生产线的停产，进而造成巨大的经济损失甚至人员伤亡。旋转机械设备的安全性，可维护性和可靠性已成为时下研究的热点，建立和完善故障识别
不仅能够保障旋转机械设备的安全运行，同时对提高经济收益、减少维修成本以及确保人员安全具有积极的意义。支持向量机是Vapnik在统计学习理论的Vapnik-ChervonenkisDimension(VC维)理论和结构风险最小原理基础上提出的一种新的机器学习方法。作为一种努力最小化结构风险的算法，支持向量机具有良好的鲁棒性、适应性并且计算简单、训练效率高，比神经网络还强的泛化能力以及解决小样本学习问题等优点，它被广泛应用于机械故障识别应用领域之中并取得了较好的效果。随着对支持向量机越来越多的研究，支持向量机得到飞速的发展，针对支持向量机的研究主要围绕以下几个方面：(1)特征提取是支持向量机分类的重点研究方向之一。大多数机器学习方法通过人为设计特征提取器进行特征提取。但是如果特征数量不足会导致信息量的缺失进而影响故障识别精度；若特征数量过多则会出现信息的冗余导致运算时间的增加。同时，特征的选取也与目标值之间有着重要的关系。大多数研究围绕着小波变换方法，经验模态分解方法等对故障信号进行处理，往往不能全面的对信号进行分析。(2)核函数的研究主要包含构造和类型两个方面，通常选择径向基函数(RBF核函数)，该函数的一个重要参数g(gamma)隐含地决定了数据映射到新的特征空间后的分布，所以该参数的选取也是支持向量机的一个关键点。(3)模型参数的选取直接影响着支持向量机的性能，具体地说，惩罚因子C值越大，越容易造成过拟合；C值越小，越容易造成欠拟合。遗传算法是一种广泛应用于参数优化的方法，但是存在迟迟不能收敛，达到局部最优等问题有待改进。面对现代化智能工业设备的发展，在工程实际应用时，支持向量机面临的这些问题需要研究解决。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于改进支持向量机的旋转机械故障识别方法，将采集得到的旋转机械工作信号进行时频分析处理，通过基于云模型的遗传算法优化的基于支持向量机的多分类模型实现对旋转机械故障的识别，可以有效提高旋转机械故障识别的准确度和效率。为实现上述专利技术目的，本专利技术基于改进支持向量机的旋转机械故障识别方法包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds。将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R；S2：对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量Xs′,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本；重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集；然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集；S3：构建基于支持向量机网络的多分类模型，其输入为组合特征向量，输出为故障状态标签；S4：采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化，在优化过程中，采用步骤S2得到的训练样本集对各个个体对应的基于支持向量机网络的多分类模型进行训练，采用步骤S2得到的验证样本集对多分类模型进行验证，将验证样本集的分类精度作为个体适应度。S5：当旋转机械发生故障时，采用S个传感器采集得到S个长度为M的工作信号从中提取出步骤S1中约简得到的K个特征组成组合特征向量将其输入至步骤S4训练好的多分类模型中，得到故障识别结果。本专利技术基于改进支持向量机的旋转机械故障识别方法，首先在旋转机械的各个故障状态下从不同传感器提取工作信号，分别进行时频特征提取并约简，得到各个工作信号的特征向量，基于这些特征向量获取每个故障状态的训练样本集和验证样本集，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的核函数和惩罚因子进行参数优化处理，得到多分类模型，当旋转机械发生故障时从各个传感器提取出特征向量，输入多分类模型得到故障识别结果。本专利技术具有以下有益效果：1)本专利技术对获取的时域、频域以及时频域特征进行筛选，有效解决了特征过多或者过少的问题，同时得到能切实反应故障状态的特征；2)本专利技术针对遗传算法进行改进，采用基于云模型的遗传算法对基于支持向量机网络的多分类模型的参数进行优化处理，能有效缩短多分类模型的训练时间；3)本专利技术提出的基于支持向量机网络的多分类模型对硬件资源的要求低，具有一定的泛化能力，并且经实验证明本专利技术可以有效提高旋转机械的故障识别准确率。附图说明图1是本专利技术基于改进支持向量机的旋转机械故障识别方法的具体实施方式流程图；图2是本专利技术中采用基于云模型的遗传算法对基于支持向量机网络的多分类模型进行参数优化的流程图；图3是本实施例中本专利技术与对比方法对于美国凯斯西储大学数据的故障识别准确率统计图；图4是本实施例中本专利技术与对比方法对于美国凯斯西储大学数据的故障识别耗时对比图；图5是本实施例中本专利技术与对比方法对于自主实验平台数据的故障识别准确率统计图；图6是本实施例中本专利技术与对比方法对于自主实验平台数据的故障识别耗时对比图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本本文档来自技高网...

【技术保护点】
1.一种基于改进支持向量机的旋转机械故障识别方法，其特征在于，包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M‑1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中

【技术特征摘要】
1.一种基于改进支持向量机的旋转机械故障识别方法，其特征在于，包括以下步骤：S1：分别在旋转机械的R种故障状态下从不同传感器的工作信号中随机截取若干长度为M的工作信号Ls,n(m)，其中s＝1,2,…,S，S表示传感器数量，n＝1,2,…,Ns，Ns表示来自第s个传感器的工作信号数量，m＝0,1,…,M-1，并且M＞T,T表示工作信号的周期；记每段工作信号Ls,n(m)对应的标签为Ys,n，标签Ys,n用于标识工作信号对应的旋转机械的故障状态，Ys,n＝1,…,R；对于每种故障状态的每段工作信号进行时频分析处理以提取其时域特征、频域特征和时频域特征，每种特征的数量根据实际需要确定，将这些特征作为初始特征，然后对于不同传感器的工作信号的初始特征进行约简，记第s个传感器初始特征约简得到的特征数量为Ds，最终共计得到K个特征，其中记各个工作信号Ls,n(m)对应的特征向量Xs,n＝(Xs,n(1),Xs,n(2),…,Xs,n(Ds))，其中Xs,n(d)表示工作信号Ls,n(m)中第d个特征的值，d＝1,2,…,Ds。将每个传感器的工作信号特征向量按照故障状态标签进行分类，得到第s个传感器的工作信号在第r种故障状态下的特征向量集合φs,r，r＝1,2,…,R；S2：对于每个故障状态，分别按照以下方法获取该故障状态的样本：对于第r种故障状态，从对应的S个特征向量集合φs,r中分别随机选取一个特征向量X′s,r，然后按照传感器序号组合得到一个组合特征向量Z＝(X′1,r,X′2,r,…,X′S,r)＝(z1,z2,…,zK)，zk表示组合特征向量Z的第k个元素，k＝1,2,…,K，组合特征向量Z对应的故障状态标签为r，即构成一个样本；重复以上过程，对每种故障状态分别获取若干个样本，从而构成训练样本集；然后采用相同方法，对每种故障状态分别获取若干个样本，构成验证样本集；S3：构建基于支持向量机网络的多分类模型，其输入为组...

【专利技术属性】
技术研发人员：米金华，王馨苑，程玉华，白利兵，陈凯，盛瀚民，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51