基于混合特征與自適應ELM的軸承故障診斷方法

毛 敏 鄭小青 梅鵬飛

(衢州職業技術學院 信息工程學院,浙江 衢州324000)

1 概述

隨著現代工業與技術的快速發展,旋轉機械的工作過程越來越趨向于高速化、自動化及智能化。滾動軸承是將運轉的軸與軸座之間的滑動摩擦變為滾動摩擦,從而減少摩擦損失的一種精密的關鍵機械部件之一,其健康狀況直接影響著整個旋轉機械的工作性能、穩定性及壽命周期。由于滾動軸承的運轉環境一般都是密閉且是復雜多變的,在應用過程中常伴隨著老化、損壞等問題,產生的各種類型故障將會造成較大的安全事故和巨大的經濟損失。利用精確、高效的故障診斷技術不僅可以降低維修成本,而且可以提高運行設備的可靠性和穩定性。因此,對滾動軸承故障進行準確而及時的診斷尤為重要。

混合域故障特征選擇方面。近年來諸多學者通過時域、頻域或時頻域等單一特征來表征故障信息,并通過智能方法來診斷故障[1]。Zhao C,Feng Z等提出一種基于時域和時頻域結合的特征提取方法來診斷故障。為全面提取時域、頻域及時頻域特征,Yan X,Jia M提出一種基于混合域特征構建方法。然而,混合域特征集維數高且計算復雜,此外冗余特征往往降低診斷可靠性。針對混合域特征的缺陷,Sun C,Wang P,Yan R等通過局部嵌入算法(Locally Linear Embedding,LLE)尋找高維特征所隱藏的低維流形結構,使降維后的特征保持原有的拓撲結構。但是,數據的整體分布在降維后的低維空間會有變形。Yunguang Y,Zhang Y,Wang Q等用線性局部切空間排列(Linear Local Tangent Space Alignment,LLTSA)實現維數約簡,但它無法將類別信息融入維數約簡過程來提高低維特征的可辨識性。Allegretta I,Marangoni B,Manzari P用主成分分析(Principal Component Analysis,PCA)提取特征的協方差矩陣來降維,但PCA僅考慮全局重構信息且沒有利用數據內、樣本間的相關性。除了基于特征融合與優選的降維方法[2],Xiaoan Y,Minping J等提出最大相關最小冗余(Max-Relevance Min-Redundancy,MRMR)的特征選擇方法,它能夠自動地從候選多尺度特征中選擇敏感特征在沒有任何先驗知識的情況下。Zhu X,Wang Y,Li Y等利用多聚類特征選擇方法(Multi-cluster Feature Selection,MCFS)進行特征提取,該方法基于譜回歸的稀疏子空間學習同無監督特征選擇相結合。白麗麗,韓振南,任家駿等提出一種基于拉普拉斯分值(Laplacian Score,LS)的特征選擇方法,采用過濾式的特征選擇方式對原始特征集進行篩選以得到前N維特征子集。Saman Seifpour等利用MCFS選擇具有較高準確率的最佳特征子集,使多級睡眠階段分類問題更準確、更可靠。

ELM神經網絡故障診斷模型構建方面。ELM是一種針對前饋神經網絡而設計的機器學習算法[3],ELM的學習效率與計算復雜度低,同時克服了梯度下降算法的缺點而得到了廣泛的應用。然而,傳統ELM參數設置直接影響其分類結果[4]。目前,基于啟發式優化算法來優化ELM參數的模型屢見不鮮。粒子群優化(Particle Swarm Optimization,PSO)算法通過群體中個體間的協作和信息共享來尋找最優解。Wang Z,Zhang D,Gong D等為ELM設定出了最佳網絡參數,避免了ELM隨機產生輸入層權值和隱含層閾值造成的網絡不穩定問題。遺傳算法(Genetic Algorithm,GA)是一類通過模擬自然進化過程來搜索最優解的方法。鄭茂輝,劉少非等通過優化ELM的輸入權值矩陣和隱含層偏置,來改善由網絡參數隨機生成而帶來的模型輸出不穩定、分類精度偏低的問題。蜻蜓算法(Dragonfly algorithm,DA)是一種以蜻蜓奇跡虎尋食和躲避天敵為理論基礎的新式群智能算法[5],可利用DA算法優化ELM故障診斷和識別模型。鯨魚優化算法(Whale Optimization Algorithm,WOA)采用隨機或最佳搜索代理來模擬捕獵行為,并使用螺旋來模擬座頭鯨的泡泡網攻擊機制[6]。該算法與其它群智能優化算法相比,具有明顯的區別。在ELM參數選取中,智能優化算法被證明是有效的。但上述智能算法以及蝙蝠算法[7](Bat Algorithm,BA)、蝗蟲群優化算法[8](Grasshopper Optimization Algorithm,GOA)、灰狼優化算法[9](Grey Wolf Optimizer,GWO)等均存在求解精度低、易早熟停滯等問題。為此,Islam M S,Islam M R提出模擬退火算法(Simulated Annealing,SA),將退火思想引入到組合優化領域能有效的解決局部最優解問題。Gupta S,Deep K提出一種不易陷入局部極小值的隨機游走算法(Random Walk,RW)。劉漢,康國欽,李凱等提出差分進化算法(Differential Evolution,DE),是一種高效的全局優化算法等。對于ELM神經網絡模型參數優化,目前仍有較大改進空間。

因此,本文提出基于MCFS的特征降維方法選取可以準確反映設備運行狀態的特征,并使用DEGWO對ELM進行參數優化,得到自適應模型。最終,實現滾動軸承的故障診斷。

2 軸承故障診斷方法技術路線

本文利用基于高維特征選擇的方法對滾動軸承振動信號混合域特征進行降維,利用優化ELM構建最優故障診斷模型。于此同時,根據不同情況下的故障信號建立最優特征空間,從而進一步提高分類識別精度。該方法通過以下五方面實現:

2.5.1 優化Ⅰ-利用特征選擇(即降維)算法對混合域高維特征進行選擇。通過逐一分析法,根據實際分類效果構建滾動軸承故障最優特征空間。算法相關思路及處理方法主要包括:(1)獲取混合域特征集；(2)選取降維方法進行特征優選；(3)依次選取前d(d=1,2,...,M)維特征空間,利用ELM模型進行訓練與測試；(4)根據分類效果更新優選特征空間；(5)最后,經過綜合分析得到最優特征空間。

圖1 基于自適應ELM的軸承故障診斷總技術路線

為驗證選取的最優特征空間表征效果,利用優化改進的ELM模型進行分類識別。其中,Xj代表模型的輸入變量,即滾動軸承最優特征空間；Ti代表模型的輸出變量,即滾動軸承的故障類型,如不同程度的內圈、外圈及滾動體故障等。根據ELM模型訓練與測試,最優特征空間表征效果得以驗證。

2.5.2 優化Ⅱ-改進群智能算法優化ELM神經網絡模型。該模型將集成全局搜索最優的能力和ELM強學習的能力。利用經改進后的群智能算法,把最優輸入權值、偏置問題轉化為種群的尋優問題。以此構建最優ELM神經網絡故障診斷模型,從而更進一步的提高滾動軸承故障分類與識別效果。其算法詳細的流程圖,如圖2所示。

圖2 優化Ⅱ算法流程圖

算法相關思路及處理方法主要包括:(1)種群初始化；(2)個體適應度評價；(3)種群進化；(4)ELM神經網絡訓練與預測；(5)結合滾動軸承故障最優特征空間,獲取最優ELM神經網絡模型。經過優化改進后的ELM神經網絡模型,將更進一步提高模型的預測精度與泛化能力。

3 基于自適應ELM的軸承故障診斷

本文實驗數據由凱斯西儲大學的電氣工程實驗室獲得[10]。實驗平臺由電機、轉矩傳感器、功率計及電子控制設備構成。本文將隨機選取最具代表性的驅動端振動信號(其中,電機轉速為1750r/min,采樣頻率為12kHz)作為數據樣本。內圈、外圈和滾動體的三種故障直徑分別為0.007 inches,0.014 inches和0.021 inches,共四大類(10類)故障,相應的故障標簽分別為IR7、IR14、IR21、OR7、OR14、OR21、B7、B14、B21。每類故障信號平均分割為60組樣本,包括40組訓練樣本、20組測試樣本。為優選特征向量,根據MCFS算法對混合域特征進行優化排序,結果如表1所示。

表1 基于MCFS的前15維特征向量

上述算法可選取前10維作為最優特征向量,但基于DEGWO-ELM模型對比GWO-ELM模型具有較高的分類準確率。由圖3、圖4可知,DEGWO-ELM軸承故障診斷模型識別效果明顯高于GWO-ELM模型。

圖3 基于GWO-ELM模型的預測分類圖

圖4 基于DEGWO-ELM模型的預測分類圖

綜上所述,本文方法在最少的迭代次數內得到最優 ωi與bi,并達到了最優識別精度,適用性得到充分論證。其原因在于面對復雜的滾動軸承故障分類模型參數優化問題,GWO易陷入局部最優；而DEGWO使用嵌入趨優算子的算法進行搜索,實現在更短的時間內獲取更高的優化精度與更快的收斂速度。再利用具有自適應調節參數功能的DE策略進一步提高GWO對復雜優化函數的尋優性能,從而得到自適應ELM模型。

4 結論

一種基于混合特征與自適應ELM的滾動軸承故障診斷方法被提出在本文中,其有效性及優越性得到充分驗證。針對滾動軸承振動信號混合域高維特征,利用MCFS算法進行降維,能保證在選取最小特征維數下達到最佳識別精度,并實現最佳特征空間的構建。同時,基于DE與GWO相結合的優化方法,可提高全局搜索能力,有效避免早熟停滯、陷入局部最優等問題。相比于GWO的其他參數設置,基于本文參數設置方法所得到的尋優效果最佳。以此構建的DEGWO-ELM方法,可較好的解決GWO所存在的局部收斂和收斂精度低的問題在自適應基礎上。同時,得到的分類識別精度均優于原GWO-ELM自適應方法及傳統ELM方法。