基于改进PSO-SOM-BPNN的机械故障诊断方法技术

本发明专利技术公开了基于改进PSO

【技术实现步骤摘要】
基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法


[0001]本专利技术涉及机械故障诊断领域，特别是涉及旋转机械故障诊断方向，具体涉及基于改进PSO
‑
SOM
‑
BPNN(Particle Swarm Optimization
‑
Self Organizing feature Map
‑
Back Propagation Neural Network,PSO
‑
SOM
‑
BPNN)的机械故障诊断方法。

技术介绍

[0002]随着我国制造业的不断发展，机械设备的日趋大型化、复杂化、自动化和连续化已成为重要发展趋势，其中旋转机械的重要地位也愈来愈凸显，因此，提高旋转机械件故障诊断与维护的技术水平，保障机械设备的正常、安全运行，是伴随机械设备发展不可或缺的关键部分。
[0003]在机械系统中，旋转机械件因长期处于旋转状态，极易发生故障，轻则影响工作效率和品质，重则造成机毁人亡的事故。针对这类旋转件的故障诊断方法，现采用的较多是提取准确的故障特征再基于单一神经网络进行故障诊断，在信号特征提取方面，采用的较多是先对信号进行小波消噪，再用小波包提取旋转件的特征能量，但由于两者小波基及分解层数的选取大多依靠经验选取，极易造成特征提取不准。在网络诊断模型方面，除了模型自身的局限性，还涉及到依靠人为设置参数的经验性影响。BPNN为有监督学习网络，即是在己知期望输出的前提下再展开训练，在进行故障诊断时要得到较高的准确率，必须通过大量样本的训练，增加了诊断的时效性，且易陷入局部最小值；SOM是一种无监督型网络，即网络的学习只依赖输入数据的特性。在其学习过程中，网络能够随着不断地迭代，自动摸索出输入样本间隐含的规律，在此基础上对样本进行分类。若两者结合，SOM神经网络相当对样本做了一个初级分类对于次级网络的训练有很好的促进作用。理论上，可以有效降低次级网络的训练时间，使整个串联网络以更快的速度收敛，以达到BPNN模型的优化。但是组合网络权值和阈值的取值对最终诊断结果有很大影响；PSO作为一种简单有效且易于实现的群体智能算法，主要用于对系统模型的参数进行优化，己渗透到各工程领域之中，但PSO算法存在易早熟收敛、收敛精度较低、后期迭代效率不高等缺点。因此，在对诊断模型进行优化时，除了考虑优化算法的优势，也要考虑其自身劣势，并对其加以改进，再结合准确的故障特征信号，才能使诊断模型准确且及时的诊断出故障类型。

技术实现思路

[0004]本专利技术的目的在于提供基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，以解决现有技术存在的问题，本专利技术能够实现机械设备中轴承故障状态的智能诊断。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，包括以下步骤；
[0007]1)构建旋转机械件故障特征数据集：采集旋转机械故障件的振动信号，利用小波分析对其进行消噪，并通过小波包分解提取能量特征，对小波消噪及小波包分解中的基函数和分解层数进行优选，建立故障特征数据集，并分为训练集和测试集进行归一化；
[0008]2)构建故障诊断模型：使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型；
[0009]3)构建串联网络故障诊断模型：使用SOM对步骤2)中BPNN故障诊断模型进行串联，构建SOM
‑
BPNN故障诊断模型；
[0010]4)SOM
‑
BPNN故障诊断模型的参数优化：对步骤3)中SOM
‑
BPNN的权值和阈值采用PSO进行优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM
‑
BPNN阈值和权值优化得到ANVTPSO
‑
SOM
‑
BPNN的故障诊断模型；
[0011]5)基于ANVTPSO
‑
SOM
‑
BPNN的机械故障诊断：使用步骤4)优化后的故障诊断模型进行验证，采集不同类型旋转机械故障件的振动信号，先利用小波消噪再使用小波包提取特征，输入到步骤4)中ANVTPSO
‑
SOM
‑
BPNN的故障诊断模型对其进行故障分类，完成基于ANVTPSO
‑
SOM
‑
BPNN的机械故障诊断。
[0012]进一步地，所述步骤1)中采集旋转机械故障件的振动信号，利用小波消噪对振动信号进行处理，确定小波消噪中的最优小波分解层数以及最优小波基函数；
[0013]在选取小波基函数时，将信号噪声功率p作为小波基函数选取的第1个指标，将噪声功率差Δp
h
作为第2个衡量信号消噪效果的指标。
[0014]进一步地，最优小波基函数选择的步骤如下：
[0015](a)确定不同小波基函数在所采集旋转机械故障件振动信号中的最优分解层数；
[0016]最优分解层数的计算公式为：
[0017]式中：j为最大分解层数；f0为小波基函数的中心频率；f
m
为有用信号的最小频率；Δt为采样周期；
[0018]对振动信号而言，尤其是故障状态信号来说，有用信号的频率分为两种：1)转动频率，2)故障频率；
[0019](b)选取不同的小波基函数对所采集旋转机械故障件振动信号按最优分解层数进行消噪，并计算不同小波基函数下的噪声功率；
[0020]噪声功率p的计算公式为：
[0021]式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；
[0022](c)对于备选的小波基函数，按照噪声功率从小到大依次排序，从h＝1开始依次增加；
[0023](d)依次计算噪声功率差Δp
h
；
[0024]噪声功率差Δp
h
的计算公式为：
[0025]式中：s
h
(q)为消噪后的信号；h为小波基函数编号；当h＝0时，s0(q)为原始含噪信号；
[0026](e)选择出最小Δp
h
，则编号为h
‑
1的小波基函数就是最优小波基函数。
[0027]进一步地，步骤1)中的小波包故障特征提取具体为：
[0028]最大分解层数计算公式为：
[0029]式中：J为最大分解层数；f
s
为采样频率；f
sf
为信号频率；Z为整数集；
[0030]将消噪后的旋转机械故障件振动信号，求取各自能量波动参数E
flu
，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，其特征在于，包括以下步骤；1)构建旋转机械件故障特征数据集：采集旋转机械故障件的振动信号，利用小波分析对其进行消噪，并通过小波包分解提取能量特征，对小波消噪及小波包分解中的基函数和分解层数进行优选，建立故障特征数据集，并分为训练集和测试集进行归一化；2)构建故障诊断模型：使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型；3)构建串联网络故障诊断模型：使用SOM对步骤2)中BPNN故障诊断模型进行串联，构建SOM
‑
BPNN故障诊断模型；4)SOM
‑
BPNN故障诊断模型的参数优化：对步骤3)中SOM
‑
BPNN的权值和阈值采用PSO进行优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM
‑
BPNN阈值和权值优化得到ANVTPSO
‑
SOM
‑
BPNN的故障诊断模型；5)基于ANVTPSO
‑
SOM
‑
BPNN的机械故障诊断：使用步骤4)优化后的故障诊断模型进行验证，采集不同类型旋转机械故障件的振动信号，先利用小波消噪再使用小波包提取特征，输入到步骤4)中ANVTPSO
‑
SOM
‑
BPNN的故障诊断模型对其进行故障分类，完成基于ANVTPSO
‑
SOM
‑
BPNN的机械故障诊断。2.根据权利要求1所述的基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，其特征在于，所述步骤1)中采集旋转机械故障件的振动信号，利用小波消噪对振动信号进行处理，确定小波消噪中的最优小波分解层数以及最优小波基函数；在选取小波基函数时，将信号噪声功率p作为小波基函数选取的第1个指标，将噪声功率差Δp
h
作为第2个衡量信号消噪效果的指标。3.根据权利要求2所述的基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，其特征在于，最优小波基函数选择的步骤如下：(a)确定不同小波基函数在所采集旋转机械故障件振动信号中的最优分解层数；最优分解层数的计算公式为：式中：j为最大分解层数；f0为小波基函数的中心频率；f
m
为有用信号的最小频率；Δt为采样周期；对振动信号而言，尤其是故障状态信号来说，有用信号的频率分为两种：1)转动频率，2)故障频率；(b)选取不同的小波基函数对所采集旋转机械故障件振动信号按最优分解层数进行消噪，并计算不同小波基函数下的噪声功率；噪声功率p的计算公式为：式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；(c)对于备选的小波基函数，按照噪声功率从小到大依次排序，从h＝1开始依次增加；(d)依次计算噪声功率差Δp
h
；
噪声功率差Δp
h
的计算公式为：式中：s
h
(q)为消噪后的信号；h为小波基函数编号；当h＝0时，s0(q)为原始含噪信号；(e)选择出最小Δp
h
，则编号为h
‑
1的小波基函数就是最优小波基函数。4.根据权利要求1所述的基于改进PSO
‑
SOM
‑
BPNN的机械故障诊断方法，其特征在于，步骤1)中的小波包故障特征提取具体为：最大分解层数计算公式为：式中：J为最大分解层数；f
s
为采样频率；f
sf
为信号频率；Z为整数集；将消噪后的旋转机械故障件振动信号，求取各自能量波动参数E
flu
，并根据能量波动参数E
flu
求出正常和故障轴承间的波动变化率E'，各类旋转机械故障件中波动变化率最大的，可知其特征能量最大，即故障特征明显，其对应小波基函数即为各类旋转机械故障件振动信号小波包分解的最优小波基函数，对各类旋转机械故障件振动信号提取故障特征，建立故障特征数据集；能量波动参数E
flu
计算公式为：波动变化率E'计算公式为：式中：2
j
‑
1为各频带能量占总能量百分比；为最大占比；为最小占比；为平均占比；E
nor
为正常信号的能量波动参数。5.根据权利要求1...

【专利技术属性】
技术研发人员：樊红卫，严杨，张旭辉，曹现刚，马嘉腾，马宁阁，樊奕霖，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：