基于混合特征与自适应ELM的轴承故障诊断方法

毛 敏 郑小青 梅鹏飞

(衢州职业技术学院 信息工程学院,浙江 衢州324000)

1 概述

随着现代工业与技术的快速发展,旋转机械的工作过程越来越趋向于高速化、自动化及智能化。滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦,从而减少摩擦损失的一种精密的关键机械部件之一,其健康状况直接影响着整个旋转机械的工作性能、稳定性及寿命周期。由于滚动轴承的运转环境一般都是密闭且是复杂多变的,在应用过程中常伴随着老化、损坏等问题,产生的各种类型故障将会造成较大的安全事故和巨大的经济损失。利用精确、高效的故障诊断技术不仅可以降低维修成本,而且可以提高运行设备的可靠性和稳定性。因此,对滚动轴承故障进行准确而及时的诊断尤为重要。

混合域故障特征选择方面。近年来诸多学者通过时域、频域或时频域等单一特征来表征故障信息,并通过智能方法来诊断故障[1]。Zhao C,Feng Z等提出一种基于时域和时频域结合的特征提取方法来诊断故障。为全面提取时域、频域及时频域特征,Yan X,Jia M提出一种基于混合域特征构建方法。然而,混合域特征集维数高且计算复杂,此外冗余特征往往降低诊断可靠性。针对混合域特征的缺陷,Sun C,Wang P,Yan R等通过局部嵌入算法(Locally Linear Embedding,LLE)寻找高维特征所隐藏的低维流形结构,使降维后的特征保持原有的拓扑结构。但是,数据的整体分布在降维后的低维空间会有变形。Yunguang Y,Zhang Y,Wang Q等用线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)实现维数约简,但它无法将类别信息融入维数约简过程来提高低维特征的可辨识性。Allegretta I,Marangoni B,Manzari P用主成分分析(Principal Component Analysis,PCA)提取特征的协方差矩阵来降维,但PCA仅考虑全局重构信息且没有利用数据内、样本间的相关性。除了基于特征融合与优选的降维方法[2],Xiaoan Y,Minping J等提出最大相关最小冗余(Max-Relevance Min-Redundancy,MRMR)的特征选择方法,它能够自动地从候选多尺度特征中选择敏感特征在没有任何先验知识的情况下。Zhu X,Wang Y,Li Y等利用多聚类特征选择方法(Multi-cluster Feature Selection,MCFS)进行特征提取,该方法基于谱回归的稀疏子空间学习同无监督特征选择相结合。白丽丽,韩振南,任家骏等提出一种基于拉普拉斯分值(Laplacian Score,LS)的特征选择方法,采用过滤式的特征选择方式对原始特征集进行筛选以得到前N维特征子集。Saman Seifpour等利用MCFS选择具有较高准确率的最佳特征子集,使多级睡眠阶段分类问题更准确、更可靠。

ELM神经网络故障诊断模型构建方面。ELM是一种针对前馈神经网络而设计的机器学习算法[3],ELM的学习效率与计算复杂度低,同时克服了梯度下降算法的缺点而得到了广泛的应用。然而,传统ELM参数设置直接影响其分类结果[4]。目前,基于启发式优化算法来优化ELM参数的模型屡见不鲜。粒子群优化(Particle Swarm Optimization,PSO)算法通过群体中个体间的协作和信息共享来寻找最优解。Wang Z,Zhang D,Gong D等为ELM设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题。遗传算法(Genetic Algorithm,GA)是一类通过模拟自然进化过程来搜索最优解的方法。郑茂辉,刘少非等通过优化ELM的输入权值矩阵和隐含层偏置,来改善由网络参数随机生成而带来的模型输出不稳定、分类精度偏低的问题。蜻蜓算法(Dragonfly algorithm,DA)是一种以蜻蜓奇迹虎寻食和躲避天敌为理论基础的新式群智能算法[5],可利用DA算法优化ELM故障诊断和识别模型。鲸鱼优化算法(Whale Optimization Algorithm,WOA)采用随机或最佳搜索代理来模拟捕猎行为,并使用螺旋来模拟座头鲸的泡泡网攻击机制[6]。该算法与其它群智能优化算法相比,具有明显的区别。在ELM参数选取中,智能优化算法被证明是有效的。但上述智能算法以及蝙蝠算法[7](Bat Algorithm,BA)、蝗虫群优化算法[8](Grasshopper Optimization Algorithm,GOA)、灰狼优化算法[9](Grey Wolf Optimizer,GWO)等均存在求解精度低、易早熟停滞等问题。为此,Islam M S,Islam M R提出模拟退火算法(Simulated Annealing,SA),将退火思想引入到组合优化领域能有效的解决局部最优解问题。Gupta S,Deep K提出一种不易陷入局部极小值的随机游走算法(Random Walk,RW)。刘汉,康国钦,李凯等提出差分进化算法(Differential Evolution,DE),是一种高效的全局优化算法等。对于ELM神经网络模型参数优化,目前仍有较大改进空间。

因此,本文提出基于MCFS的特征降维方法选取可以准确反映设备运行状态的特征,并使用DEGWO对ELM进行参数优化,得到自适应模型。最终,实现滚动轴承的故障诊断。

2 轴承故障诊断方法技术路线

本文利用基于高维特征选择的方法对滚动轴承振动信号混合域特征进行降维,利用优化ELM构建最优故障诊断模型。于此同时,根据不同情况下的故障信号建立最优特征空间,从而进一步提高分类识别精度。该方法通过以下五方面实现:

2.5.1 优化Ⅰ-利用特征选择(即降维)算法对混合域高维特征进行选择。通过逐一分析法,根据实际分类效果构建滚动轴承故障最优特征空间。算法相关思路及处理方法主要包括:(1)获取混合域特征集；(2)选取降维方法进行特征优选；(3)依次选取前d(d=1,2,...,M)维特征空间,利用ELM模型进行训练与测试；(4)根据分类效果更新优选特征空间；(5)最后,经过综合分析得到最优特征空间。

图1 基于自适应ELM的轴承故障诊断总技术路线

为验证选取的最优特征空间表征效果,利用优化改进的ELM模型进行分类识别。其中,Xj代表模型的输入变量,即滚动轴承最优特征空间；Ti代表模型的输出变量,即滚动轴承的故障类型,如不同程度的内圈、外圈及滚动体故障等。根据ELM模型训练与测试,最优特征空间表征效果得以验证。

2.5.2 优化Ⅱ-改进群智能算法优化ELM神经网络模型。该模型将集成全局搜索最优的能力和ELM强学习的能力。利用经改进后的群智能算法,把最优输入权值、偏置问题转化为种群的寻优问题。以此构建最优ELM神经网络故障诊断模型,从而更进一步的提高滚动轴承故障分类与识别效果。其算法详细的流程图,如图2所示。

图2 优化Ⅱ算法流程图

算法相关思路及处理方法主要包括:(1)种群初始化；(2)个体适应度评价；(3)种群进化；(4)ELM神经网络训练与预测；(5)结合滚动轴承故障最优特征空间,获取最优ELM神经网络模型。经过优化改进后的ELM神经网络模型,将更进一步提高模型的预测精度与泛化能力。

3 基于自适应ELM的轴承故障诊断

本文实验数据由凯斯西储大学的电气工程实验室获得[10]。实验平台由电机、转矩传感器、功率计及电子控制设备构成。本文将随机选取最具代表性的驱动端振动信号(其中,电机转速为1750r/min,采样频率为12kHz)作为数据样本。内圈、外圈和滚动体的三种故障直径分别为0.007 inches,0.014 inches和0.021 inches,共四大类(10类)故障,相应的故障标签分别为IR7、IR14、IR21、OR7、OR14、OR21、B7、B14、B21。每类故障信号平均分割为60组样本,包括40组训练样本、20组测试样本。为优选特征向量,根据MCFS算法对混合域特征进行优化排序,结果如表1所示。

表1 基于MCFS的前15维特征向量

上述算法可选取前10维作为最优特征向量,但基于DEGWO-ELM模型对比GWO-ELM模型具有较高的分类准确率。由图3、图4可知,DEGWO-ELM轴承故障诊断模型识别效果明显高于GWO-ELM模型。

图3 基于GWO-ELM模型的预测分类图

图4 基于DEGWO-ELM模型的预测分类图

综上所述,本文方法在最少的迭代次数内得到最优 ωi与bi,并达到了最优识别精度,适用性得到充分论证。其原因在于面对复杂的滚动轴承故障分类模型参数优化问题,GWO易陷入局部最优；而DEGWO使用嵌入趋优算子的算法进行搜索,实现在更短的时间内获取更高的优化精度与更快的收敛速度。再利用具有自适应调节参数功能的DE策略进一步提高GWO对复杂优化函数的寻优性能,从而得到自适应ELM模型。

4 结论

一种基于混合特征与自适应ELM的滚动轴承故障诊断方法被提出在本文中,其有效性及优越性得到充分验证。针对滚动轴承振动信号混合域高维特征,利用MCFS算法进行降维,能保证在选取最小特征维数下达到最佳识别精度,并实现最佳特征空间的构建。同时,基于DE与GWO相结合的优化方法,可提高全局搜索能力,有效避免早熟停滞、陷入局部最优等问题。相比于GWO的其他参数设置,基于本文参数设置方法所得到的寻优效果最佳。以此构建的DEGWO-ELM方法,可较好的解决GWO所存在的局部收敛和收敛精度低的问题在自适应基础上。同时,得到的分类识别精度均优于原GWO-ELM自适应方法及传统ELM方法。