[發明專利]一種Adaboost算法組合的GABP滾動軸承診斷方法

在審

• 申請號: 201911081380.5
• 申請日: 2019-11-07
• 公開（公告）號: CN110763466A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 胡超;謝中敏
• 申請（專利權）人: 江蘇航空職業技術學院
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 31258 上海海頌知識產權代理事務所(普通合伙)
• 代理人: 季萍

本發明公開了一種Adaboost算法組合的GABP滾動軸承診斷方法，其對軸承故障信號進行處理，并結合因子分析法進行特征樣本集選擇，將遺傳算法優化的BP神經網絡作為基本分類器，再利用Adaboost算法的增強能力，實現強分類器對軸承故障的診斷。

技術領域

本發明涉及故障診斷技術，特別涉及一種Adaboost算法組合的GABP滾動軸承診斷方法。

背景技術

旋轉機械系統中，軸承擔任著承載和傳遞能力的重要地位，其性能狀態能夠決定機械是否能良好運行。由于軸承材料、制備工藝、工作環境等，導致軸承壽命離散度較大，在長期使用過程中極易發生故障。在部分旋轉機械中，由于軸承安裝位置特殊或者長期浸泡在油液中，難以及時對軸承進行診斷。

在軸承的早期故障診斷中，常根據油液磨粒尺寸、材料等對軸承進行故障診斷，但這種基于油液分析的方法往往受檢驗者技能水平程度的影響較大。隨著對轉子動力學的深入研究，根據物體的振動信號可實現故障的診斷。

早期的故障診斷中，采用提取部分信號統計特征參數，并結合支持向量機、極限學習機、概率神經網絡等對軸承故障進行診斷，并取得不錯成績。但實踐中單純的診斷網絡效果較差，另一方面使用尋優算法優化診斷網絡會導致診斷時間的成倍增加。在實時診斷過程中，診斷時間和準確性都要求較高。Adaboost算法能夠提升弱分類器的診斷效果，在列車關鍵零件故障識別以及機載燃油泵故障診斷方面有應用，但取得的效果不太理想。

發明內容

本發明所要解決的技術問題是提供一種Adaboost算法組合的GABP滾動軸承診斷方法，其對軸承故障信號進行處理，并結合因子分析法進行特征樣本集選擇，將遺傳算法優化的BP神經網絡作為基本分類器，再利用Adaboost算法的增強能力，實現強分類器對軸承故障的診斷。

為了解決上述問題，本發明提供了以下技術方案：一種Adaboost算法組合的GABP滾動軸承診斷方法，其具體包括以下步驟：

(1)利用傳感器采集滾動軸承信號：

采用加速度傳感器對軸承正常狀況和外環刮痕故障信號進行采集。

(2)時域特征參數進行歸一化：

采用公式(1)對時域特征參數進行歸一化處理：

所述公式(1)中，x_max、x_min表示特征參量的最大值、最小值和平均值，x_i表示某類特征參量的第i個值，x表示經歸一化處理后的值。

(3)對時域特征參數進行降維處理

因子分析中采用α因子分析提取特征，選擇累積方差達到99.463％的前5個因子作為診斷模型的輸入參數。

(4)建立基于ELM-Adaboost的故障診斷預測模型

將多個基本分類器GABP模型通過Adaboost提升算法組合成一個強分類器，且期望強分類器得到的診斷結果直接為診斷目標的故障類型標簽。

進一步的，所述步驟(4)中基本分類器為遺傳算法優化的BP神經網絡，其包括遺傳算法尋優部分和神經網絡部分，所述通過遺傳算法優化的BP神經網絡其具體過程以下：

步驟1：根據待診斷的樣本數據，確定BP網絡的結構、待優化參數，并將數據樣本不重復的劃分為：訓練集、校驗集、測試集；

步驟2：依據BP網絡中待優化的參數，設置GA中的種群大小、迭代步數；

步驟3：對種群進行選擇、交叉、變異操作，產生新的個體，并根據公式(2)計算種群的適應度值：