基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置

专利名称：基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置

专利类型：发明专利

专利申请号：CN202210372766.7

专利申请（专利权）人：昆明理工大学
权利人地址：云南省昆明市五华区学府路253号

专利发明（设计）人：李琨,叶震

专利摘要：本发明公开了一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置，方法包括：利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别。本发明有效解决了滚动轴承故障振动信号特征信息难以完全提取和滚动轴承故障类型识别准确率较低的问题。

主权利要求：
1.一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，其特征在于：包括：
利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；
对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；
将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别；
所述利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒，包括：获取滚动轴承不同故障程度和不同故障类型的原始轴承振动信号；采用模糊信息粒化对原始轴承故障振动信号进行粒化处理，得到low、R、up三个尺度下的模糊信息粒；其中，low、R、up分别表示原始轴承振动信号粒化窗口内的最小值、平均值、最大值的集合；
所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：利用麻雀搜索算法对核极限学习机进行参数优化，将特征向量矩阵划分为训练集和测试集，利用训练集训练核极限学习机模型；麻雀搜索算法参数初始化：设置麻雀初始种群，最大迭代次数，正则化系数和核函数参数的寻优范围，选用高斯核函数；循环搜索适应度值最优的麻雀个体所对应的位置，即为最优参数；将测试集输入到最优参数设置下的核极限学习机模型进行故障分类识别；其中，最优参数为最优正则化系数和核函数参数。
2.根据权利要求1所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，其特征在于：所述模糊信息粒化包括：初始化粒化窗口；选用三角型模糊粒子作为隶属函数A(x,l,m,n)：式中：x表示为划分的粒化信号，l、m、n分别表示粒化窗口内数据变化的最小值、平均值和最大值；粒化窗口的取值大于等于3。
3.根据权利要求1所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，其特征在于：所述对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵：包括：设置散布熵参数，对三个尺度下的模糊信息粒进行散布熵值求取，依据求取的散布熵值构建特征向量矩阵。
4.根据权利要求3所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，其特征在于：所述散布熵参数包括：映射类数取6、数据维数取3、时间延迟取1。
5.一种基于粒化散布熵和优化KELM的滚动轴承故障诊断装置，其特征在于：包括：
获得模块，用于利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；
构建模块，用于对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；
执行模块，用于将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别；
所述利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒，包括：获取滚动轴承不同故障程度和不同故障类型的原始轴承振动信号；采用模糊信息粒化对原始轴承故障振动信号进行粒化处理，得到low、R、up三个尺度下的模糊信息粒；其中，low、R、up分别表示原始轴承振动信号粒化窗口内的最小值、平均值、最大值的集合；
所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：利用麻雀搜索算法对核极限学习机进行参数优化，将特征向量矩阵划分为训练集和测试集，利用训练集训练核极限学习机模型；麻雀搜索算法参数初始化：设置麻雀初始种群，最大迭代次数，正则化系数和核函数参数的寻优范围，选用高斯核函数；循环搜索适应度值最优的麻雀个体所对应的位置，即为最优参数；将测试集输入到最优参数设置下的核极限学习机模型进行故障分类识别；其中，最优参数为最优正则化系数和核函数参数。
6.一种处理器，其特征在于：所述处理器用于运行程序，其中，所述程序运行时执行权利要求1‑4中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1‑4中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。 说明书 : 基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置技术领域[0001] 本发明涉及一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置，属于机械设备故障诊断技术领域。背景技术[0002] 滚动轴承由于其运行环境常处于高速、高载、高温状态下，导致各种故障频发。对于轴承振动信号非平稳、非线性特性，如何更丰富、更全面地提取出信号中的深层故障信息显得尤为重要。[0003] 针对机械系统故障诊断问题，振动信号往往过于复杂，此时单一的对其进行信号特征提取存在着信息表达不足、无法全面概括不同故障类型特征信息的问题，从而无法准确完成机械系统故障诊断过程。故利用有效的方法提取深层次的故障特征信息并选择合适的模式识别方法对于轴承的故障诊断精度有着重要的影响。发明内容[0004] 本发明提供了一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法、装置，以用于实现轴承故障分类识别。[0005] 本发明的技术方案是：一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，包括：利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别。[0006] 所述利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒，包括：获取滚动轴承不同故障程度和不同故障类型的原始轴承振动信号；采用模糊信息粒化对原始轴承故障振动信号进行粒化处理，得到low、R、up三个尺度下的模糊信息粒；其中，low、R、up分别表示原始轴承振动信号粒化窗口内的最小值、平均值、最大值的集合。[0007] 所述模糊信息粒化包括：初始化粒化窗口；选用三角型模糊粒子作为隶属函数A(x,l,m,n)：[0008][0009] 式中：x表示为划分的粒化信号，l、m、n分别表示粒化窗口内数据变化的最小值、平均值和最大值；粒化窗口的取值大于等于3。[0010] 所述对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵：包括：设置散布熵参数，对三个尺度下的模糊信息粒进行散布熵值求取，依据求取的散布熵值构建特征向量矩阵。[0011] 所述散布熵参数包括：映射类数取6、数据维数取3、时间延迟取1。[0012] 所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：利用麻雀搜索算法对核极限学习机进行参数优化，搜索出最优正则化系数和核函数参数；将特征向量矩阵输入到最优参数设置下的核极限学习机模型进行故障分类识别；其中，最优参数为最优正则化系数和核函数参数。[0013] 所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：[0014] 将特征向量矩阵矩阵划分为训练集和测试集，利用训练集训练核极限学习机模型；[0015] 麻雀搜索算法参数初始化：设置麻雀初始种群，最大迭代次数，正则化系数和核函数参数的寻优范围，选用高斯核函数；[0016] 循环搜索适应度值最优的麻雀个体所对应的位置，即为最优参数；[0017] 将测试集输入到最优参数设置下的核极限学习机模型进行故障分类识别。[0018] 一种基于粒化散布熵和优化KELM的滚动轴承故障诊断装置，包括：[0019] 获得模块，用于利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；[0020] 构建模块，用于对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；[0021] 执行模块，用于将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别。[0022] 一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。[0023] 一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。[0024] 本发明的有益效果是：相比基于散布熵的故障特征信息提取，FIG‑DE方法通过粗粒化方式得到三个不同尺度下的粗粒化序列的信息，所提取的故障状态特征向量更加全面，具有一定的精度优势；并且FIG‑DE算法简单，参数设置较少且定义了粒化窗口设置标准，经模糊信息粒化后数据长度明显缩短，在一定程度上优化了对信号的处理效率，同时所提取的特征向量仅有3组，不仅缓解了特征向量过多造成的数据冗余的问题，还改善了算法的自适应性；再者采用SSA算法优化KELM模型，可以更加准确快速地搜素出最优的正则化系数和核函数参数组合，提高了KELM的分类精度；从而有效解决了滚动轴承故障振动信号特征信息难以完全提取和滚动轴承故障类型识别准确率较低的问题。附图说明[0025] 图1为本发明方法流程图；[0026] 图2为轴承不同故障类型和故障程度的振动信号波形图(横坐标是采样点数，纵坐标为幅值)；[0027] 图3为图2中F1信号在模糊粒化后的效果图(横坐标是采样点数，纵坐标为幅值)；[0028] 图4为FIG‑DE的三维散点图；[0029] 图5为基于FIG‑DE与SSA‑KELM诊断结果；[0030] 图6为不同优化算法分类适应度寻优曲线。具体实施方式[0031] 下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。[0032] 实施例1：如图1所示，一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，包括：利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别。[0033] 进一步地，可以设置所述利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒，包括：获取滚动轴承不同故障程度和不同故障类型的原始轴承振动信号；采用模糊信息粒化对原始轴承故障振动信号进行粒化处理，得到low、R、up三个尺度下的模糊信息粒；其中，low、R、up分别表示原始轴承振动信号粒化窗口内的最小值、平均值、最大值的集合。[0034] 进一步地，可以设置所述模糊信息粒化包括：初始化粒化窗口；选用三角型模糊粒子作为隶属函数A(x,l,m,n)：[0035][0036] 式中：x表示为划分的粒化信号，l、m、n分别表示粒化窗口内数据变化的最小值、平均值和最大值；粒化窗口的取值大于等于3。[0037] 进一步地，可以设置所述对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵：包括：设置散布熵参数，对三个尺度下的模糊信息粒进行散布熵值求取，依据求取的散布熵值构建特征向量矩阵。[0038] 进一步地，可以设置所述散布熵参数包括：映射类数取6、数据维数取3、时间延迟取1。[0039] 进一步地，可以设置所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：利用麻雀搜索算法对核极限学习机进行参数优化，搜索出最优正则化系数和核函数参数；将特征向量矩阵输入到最优参数设置下的核极限学习机模型进行故障分类识别；其中，最优参数为最优正则化系数和核函数参数。[0040] 进一步地，可以设置所述将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别，包括：将特征向量矩阵矩阵划分为训练集和测试集，利用训练集训练核极限学习机模型；麻雀搜索算法参数初始化：设置麻雀初始种群，最大迭代次数，正则化系数和核函数参数的寻优范围，选用高斯核函数；循环搜索适应度值最优的麻雀个体所对应的位置，即为最优参数；将测试集输入到最优参数设置下的核极限学习机模型进行故障分类识别。[0041] 实施例2：如图1‑6所示，再进一步地，结合实验数据，本发明给出可选地具体实施方式如下：一种基于粒化散布熵和优化KELM的滚动轴承故障诊断方法，所述方法的具体步骤如下：[0042] Step1、通过电机驱动端轴承上方的加速度传感器来采集滚动轴承的振动信号。选用负载为0，转速为1797r/min，采样频率为12kHz时，轴承状态类型为正常状态和损伤程度为7mils、28mils的内圈故障、外圈故障、滚动体故障共7种状态；[0043] Step2、采用模糊信息粒化对原始轴承故障振动信号进行粒化处理，得到low、R、up三个尺度下的模糊信息粒；[0044] 所述模糊信息粒化，具体包括如下步骤：[0045] 首先模糊信息粒化数据划分粒化窗口时，窗口的取值需要选取合适的大小，本实施例初始化粒化窗口win_num＝3；其次在对信号进行模糊化处理时需要选取合适的模糊粒子函数，本实施例选用三角型模糊粒子作为隶属函数A(x,l,m,n)：[0046][0047] 式中：x表示为划分的粒化信号，l、m、n分别表示粒化窗口内数据变化的最小值、平均值和最大值；其中，选取粒化窗口长度为3，基于该取值，可以避免粒化窗口的长度取值如果过小，将会失去粒化意义的不足(例如当窗口长度取值为1时，对原始数据不进行模糊信息粒化)；也可避免窗口取值过大，将会导致粒化后的数据长度过短的不足(例如当窗口长度取值为8，数据长度为3000的信号经过模糊信息粒化后长度仅为375)，避免信息过于平均，对原始振动信号的描述能力降低。[0048] 通过设置合适的粒化窗口长度并进一步选用三角型模糊粒子作为隶属函数，从而使得经过模糊信息粒化后的三组粒化数据不仅保留了原始振动信号的特征信息，而且对特征信息进行了深层次刻画，从而使得提取的特征信息更加完备，进而弥补了滚动轴承故障振动信号在单一尺度下提取故障特征信息不全的问题。[0049] Step3、设置散布熵参数，对三个尺度下的模糊信息粒进行散布熵值求取，依据求取的散布熵值构建特征向量矩阵；[0050] 所述步骤Step3，具体包括如下步骤：[0051] 在粒化窗口win_num＝3的条件下，对三个尺度下的Low，R，Up分别进行DE求解，定义散布熵参数映射类数p＝6、数据维数q＝3、时间延迟t＝1；并将所求得的散布熵值组成特征向量矩阵V：[0052] V＝[DELow,DER,DEUp][0053] 其中，DELow,DER,DEUp分别为对应尺度下的散布熵值。[0054] Step4、利用麻雀搜索算法(SSA)对核极限学习机(KELM)进行参数优化，搜索出最优的参数组合；将Step3组成的特征向量矩阵输入到最优参数设置下的KELM模型进行故障分类识别。[0055] 所述Step4，具体包括如下步骤：[0056] (1)将步骤Step3组成的特征向量矩阵划分为训练集和测试集，利用训练集训练KELM模型；其中，训练集和测试集各占50％的比例；[0057] (2)SSA参数初始化：设置麻雀初始种群为20，最大迭代次数为100，正则化系数和核函数参数的寻优范围设定为[0.01,50]，选用高斯核函数；[0058] (3)循环搜索适应度值最优的麻雀个体所对应的位置，即为最优参数；[0059] (4)把步骤Step3所组成的特征向量矩阵的测试集输入到最优参数设置下的KELM模型进行故障分类识别。[0060] 具体的，采集滚动轴承在不同故障类型和故障程度的振动信号作为数据样本，取每种故障类型的前120000个采样点平均分为40个数据样本，每个样本的数据长度为3000个采样点，为了分析方便，分别以代码F1～F7的形式表示故障类型，其具体信息如表1所示，其不同故障类型的时域波形如图2所示。[0061] 表1轴承的故障码和故障类别[0062] 故障码 故障类别/mils 备注F1 正常 F2 内圈损伤7 F3 滚动体损伤7 F4 外圈损伤7 6点钟方向F5 内圈损伤28 F6 滚动体损伤28 F7 外圈损伤28 6点钟方向[0063] 对轴承各种状态的振动信号进行模糊信息粒化处理，以F1的振动信号为例，设置窗口长度win_num＝3，经模糊信息粒化后数据长度由3000变为1000，在一定程度上明显优化了对信号的处理效率，信号经过粒化处理后得到3组数据序列Low，R，Up。模糊信息粒化结果如图3所示。[0064] 经过粗粒化后的滚动轴承故障振动信号，通过Low，R，Up三组具有更明显特征的模糊粒化数据，弥补了滚动轴承故障振动信号在单一尺度下提取故障特征信息不全的问题。粗粒化的时间序列保留了原始振动信号的特征信息，同时用3组模糊粒子对特征信息进行了深层次刻画，提高了对原始振动信号故障特征信息的提取能力。在粒化窗口win_num＝3的条件下，对三个尺度下的Low，R，Up分别进行DE求解，定义散布熵参数映射类数p＝6、数据维数q＝3、时间延迟t＝1；并将所求得的熵值组成特征向量矩阵：[0065] V＝[DELow,DER,DEUp][0066] 为了进一步体现所选特征向量的可分性，将计算所得7组40x3的DE值进行可视化，其三维散点图如图4所示。不同故障类型的数据样本呈现出较好的分离状态，各数据样本之间基本无交叉混叠现象，这表明滚动轴承振动信号经FIG‑DE特征提取后所取得到的特征向量具有良好的区分度；粒化散布熵(FuzzyInformationGranulationDispersionEntropy,FIG‑DE)。[0067] 为量化采用FIG‑DE进行故障特征提取的效果，建立SSA‑KELM模型进行轴承故障诊断识别，SSA‑KELM模型分类器的参数设置如下：麻雀初始种群为20，最大迭代次数为100，正则化系数c和核函数参数g的寻优范围设定为[0.01,50]。将特征向量矩阵分为训练集和测试集各20组，并将训练集输入至SSA‑KELM模型中进行训练，经过优化后，c和g的最优参数分别为15.23和0.41，然后对训练完成的SSA‑KELM模型使用测试集进行测试，测试结果表明所有测试样本类别的都基本上得到了准确分类，实际故障结果与预测故障结果基本完全吻合，故障识别准确率达到了99.29％，这表明本发明所提方法不仅能正确判断出轴承故障位置，还能准确识别出故障的损伤等级。测试效果如图5所示。[0068] 为了验证本发明SSA‑KELM故障分类器的优越性以及高效性，使用PSO‑KELM、GWO‑KELM和SSA‑KELM分别进行故障类型识别，3种模型统一设置种群数量为20，最大迭代次数为100，其各自的适应度迭代曲线如图6所示。通过对照可知，PSO优化算法容易陷入局部最优；GWO优化算法分类准确率较低；SSA优化算法能较快搜索出最优参数，使得KELM的分类准确率达到99.29％。[0069] 经3种模型搜索训练出适应度最优对应的c和g设置为KELM参数，输入测试集进行测试，参数c和g的优化及3种模型的测试结果如表2所示。对比可知，不同优化方法得到的参数c和g的值不同。其中SSA‑KELM模型的优化效果最好，测试准确率可得99.29％，与PSO‑KELM及GWO‑KELM模型的优化效果相比，在分类准确率上分别提高了2.86％和0.71％；在优化时长上，SSA‑KELM模型所需迭代时间需要2.53s，明显优于其他两种算法，且分类错误数量仅为1。表2为PSO‑KELM、GWO‑KELM和SSA‑KELM的识别结果对比：[0070] 表2不同算法性能对比表[0071] 算法模型 PSO‑KELM GWO‑KELM SSA‑KELM正则化系数c 43.65 21.37 15.23核函数参数g 0.32 3.50 0.41准确率％ 96.43 98.58 99.29迭代时间/s 5.62 3.22 2.53[0072] 实施例3：根据本发明实施例的另一方面，一种基于粒化散布熵和优化KELM的滚动轴承故障诊断装置，包括：获得模块，用于利用模糊信息粒化对原始轴承振动信号进行粒化处理，获得三个不同尺度下的模糊信息粒；构建模块，用于对三个尺度下的模糊信息粒分别计算散布熵，构建特征向量矩阵；执行模块，用于将特征向量矩阵输入优化的核极限学习机模型进行轴承故障分类识别。[0073] 实施例4：根据本发明实施例的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。[0074] 实施例5：根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于粒化散布熵和优化KELM的滚动轴承故障诊断方法。[0075] 上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0076] 在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0077] 上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

专利地区：云南

专利申请日期：2022-04-11

专利公开日期：2024-07-26

专利公告号：CN114970600B