[發明專利]一種優化主題相關性分析的變工況滾動軸承故障診斷方法

有效

• 申請號: 202110440436.2
• 申請日: 2021-04-23
• 公開（公告）號: CN113139251B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 何水龍;朱良玉;胡超凡;歐陽勵;蔣占四
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F17/16;G06F111/06;G06F119/02;G06F119/04
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

1.一種優化主題相關性分析的變工況滾動軸承故障診斷方法，其特征在于，包括如下步驟：

1)采集源領域與目標領域滾動軸承振動信號：采集目標滾動軸承及其他工況下滾動軸承在正常狀態、外圈故障、內圈故障和滾動體故障四種工作狀態下的原始振動信號，假設當前工況下滾動軸承所在領域為目標領域，所測得的振動數據為目標數據，在其他工況下滾動軸承所處的領域為源領域，所測得的振動數據為輔助數據，將TCA算法在文本分類中的概念與在滾動軸承故障診斷領域的概念進行以下對應：

1-1)文本分類中的文章對應于滾動軸承故障診斷領域的故障樣本；

1-2)文本分類中的主題對應于滾動軸承故障診斷領域故障樣本中所包含的信息即能量分布以及與振動數據相關的負載、速度；

1-3)文本分類中的詞對應于滾動軸承故障診斷領域故障樣本中的一個數值；

2)提取故障特征并歸一化：采用小波變換對滾動軸承原始振動信號進行特征提取，并對提取得到的小波包能量進行歸一化處理，具體為：選取‘db16’小波包作為小波包能量特征提取時的小波包，對滾動軸承振動信號進行小波包3層分解得到8個分解頻帶，每個樣本由2048個連續采樣數據構成，滾動軸承在各種狀態下的故障樣本數均為59個；

3)構建特征向量、組成故障樣本集：對歸一化處理后的目標滾動軸承與其他工況下滾動軸承的小波包能量特征值構建特征向量，組成故障樣本集，其中，源領域數據由其他工況下滾動軸承故障樣本組成，用表示，分別表示源領域中的第N^s個故障樣本及第N^s個故障樣本所對應的標簽，目標領域數據由目標滾動軸承故障樣本組成，用表示，分別表示目標領域中的第N^t個故障樣本及第N^t個故障樣所對應的標簽；

4)初始化改進的果蠅優化算法中的參數值：設參數果蠅種群大小PO為50，迭代次數IT為50；

5)采用改進的果蠅優化算法隨機生成一個共有主題比例CTP與總主題數TT的初始值：設共有主題比例CTP在區間[0.4,0.6]之間，采用改進的針對不同約束問題的多種群果蠅優化算法MPCP-FOA求解有不同約束的優化問題，改進的果蠅優化算法為：

以各果蠅個體所在位置的X坐標為味道濃度判定值，即味道濃度判定值S_i＝X_i，X_i表示第i個果蠅所在位置的X坐標，

5-1)針對共有主題比例尋優的果蠅優化算法：對參數共有主題比例CTP進行尋優的過程如下：

5-1-1)初始化果蠅群體的位置X_axis＝rand()；

5-1-2)給不同的果蠅個體隨機的覓食方向和距離X_i＝0.5*(X_axis+rand())；5-1-3)求味道濃度判定值S，對超出約束條件的果蠅個體做如下處理：

當X_i＜a時，X_i＝a+min(a-X_i,b-a)×rand()；

當X_i＞b時，X_i＝b-min(X_i-b,b-a)×rand()；

當a＜X_i＜b時，X_i＝X_i；

其中，a、b為約束條件的下邊界值和上邊界值，min()為取最小函數；

再令味道濃度判定值S_i＝X_i，后續步驟為以下步驟：

5-1-4)將味道濃度判定值代入味道濃度判定函數中，得出果蠅個體在該位置下的味道濃度Smell：

Smell_i＝Fitness(S_i)；

5-1-5)找出果蠅群體中味道濃度最高的果蠅：

[bestSmell bestindex]＝max(Smell_i)；

5-1-6)保留最佳味道濃度值與相對應的X、Y坐標，此時果蠅群體通過視覺向該位置飛去；

X_axis＝X(bestindex)，

Y_axis＝Y(bestindex)，

Smellbest＝bestSmell；

5-1-7)重復執行步驟2-步驟5進行迭代尋優，并判斷新得到的味道濃度是否優于最佳味道濃度值，若是，則執行步驟5-1-6)，

其中，步驟2-步驟5為：

步驟2對不同果蠅個體給予隨機的覓食方向與距離：

X_i＝X_axis+rand()，

Y_i＝Y_axis+rand()；

步驟3求各果蠅個體與原點之間的距離，并取距離的倒數作為味道濃度判定值S：

步驟4將味道濃度判定值代入味道濃度判定函數中，得出果蠅個體在該位置下的味道濃度Smell：

Smell_i＝Fitness(S_i)；

步驟5找出果蠅群體中味道濃度最高的果蠅：

[bestSmell bestindex]＝max(Smell_i)；

5-2)針對總主題數尋優的果蠅優化算法：對總主題數TT進行尋優的過程如下：

5-2-1)初始化果蠅群體的位置X_axis＝round(2*rand())+5；

5-2-2)給不同的果蠅個體隨機的覓食方向和距離X_i＝X_axis+round(t*rand())，其中，t為增加果蠅群體多樣性的隨機值；

5-2-3)味道濃度判定值S_i＝2*X_i，其中，數字2使味道濃度判定值S取偶數，后續步驟為同步驟5-1-4)-步驟5-1-7)；

5-3)針對兩個參數同時尋優的多種群果蠅優化算法：采用多種群共同尋優的方法，具體步驟如下：

5-3-1)初始化果蠅群體的位置X_axis^CTP、X_axis^TT；

5-3-2)給不同的果蠅個體隨機的覓食方向和距離X_i^CTP、X_i^TT；

5-3-3)求出味道濃度判定值S_i^CTP、S_i^TT；

5-3-4)將這兩個味道濃度判定值同時輸入味道濃度判定函數中，得出這兩個位置果蠅個體對應的味道濃度Smell_i＝Fitness(S_i)；

5-3-5)找出果蠅群體中味道濃度最高的那兩只果蠅[bestSmell bestindex]＝max(Smell_i)；

5-3-6)保留最佳味道濃度值與味道濃度最高的那兩只果蠅所對應的X坐標，此時各果蠅群體中的果蠅再利用視覺往各自味道濃度最高的那只果蠅所在位置飛去：

X_axis^CTP＝X_i^CTP(bestindex)，

X_axis^TT＝X_i^TT(bestindex)，

Smellbest＝bestSmell；

5-3-7)重復執行步驟5-3-2)-步驟5-3-5)進行迭代尋優，并判斷新的味道濃度值是否優于最佳味道濃度值，若是，則執行步驟5-3-6)；

6)構建TCA故障識別器并訓練，輸出故障診斷準確率：將隨機產生的共有主題比例CTP與總主題數TT的初始值代入TCA算法，并將源領域與目標領域滾動軸承故障樣本集輸入到TCA算法中，構建TCA故障識別器并對故障識別器進行訓練，輸出目標滾動軸承故障樣本的故障診斷準確率，設變量符號及變量符號意義如表1所示：

表1變量符號及其意義

JMM模型通過引入決策隨機變量π∈{0,1}來控制潛在主題來源于共有主題集合還是領域獨有主題集合，在JMM中，文章和詞w_j的共現關系由潛在主題相關聯，共現關系被定義為如下生成過程：

首先以概率選擇一個故障樣本接著，以概率分布選擇一個決策隨機變量π：

6-1)如果π＝0，則以概率從共有主題集合中隨機選擇一個主題z_k，并以概率P(W＝w_j|Z＝z_k)生成一個詞w_j；

6-2)如果π＝1，則以概率從獨有主題集合中隨機選擇一個主題并以概率生成一個故障詞w_j；

將生成過程轉換為概率模型，得聯合概率分布為公式(1)所示：

其中：

將所有觀測的文章和詞之間的共現概率相乘，得整個故障樣本集的生成對數似然如公式(3)所示：

接下來分析如何度量來自不同工況下滾動軸承故障樣本中領域獨有主題之間的關系，此問題可分解為兩個子問題：

6-3)如何在各工況下滾動軸承故障樣本內部計算出其共有主題和領域獨有主題之間的相似度；

6-4)如何在不同工況下滾動軸承故障樣本之間推算出其領域獨有主題之間的關系；

對于第一個子問題，采用Jensen-Shannon距離作為滾動軸承故障樣本中共有主題和獨有主題之間相似度的度量，具體而言，對兩個概率分布P與Q，它們之間的Jensen-Shannon距離為公式(4)所示：

其中，表示兩個概率分布之間的Kullback–Leibler距離，通過相似度度量，得各工況下滾動軸承故障樣本中共有主題與獨有主題之間的相似度為公式(5)所示：

對于第二個子問題，通過Pearson相關系數，得出其他工況下滾動軸承故障樣本中獨有主題與目標滾動軸承故障樣本中獨有主題之間的相關性如公式(6)所示：

將目標滾動軸承故障樣本中獨有主題與其他工況下滾動軸承故障樣本中獨有主題之間的相關性映射到同一個矩陣中，得主題映射矩陣U為公式(7)所示：

接下來將各工況下滾動軸承故障樣本用潛在主題構建得到的主題特征向量表示為公式(8)所示：

其中，表示故障樣本在領域共享主題上的分布，表示故障樣本在對應的領域獨有主題上的分布；

通過主題映射矩陣U將其他工況下滾動軸承故障樣本中的信息遷移到目標滾動軸承領域，使目標滾動軸承故障樣本在領域獨有主題上的特征表達轉化為其他工況下滾動軸承故障樣本在主題特征空間中的表達，目標滾動軸承故障樣本轉化后新的特征表達為公式(9)所示：

7)確定最高故障診斷準確率及對應的果蠅坐標：將目標滾動軸承故障樣本的故障診斷準確率作為果蠅優化算法中的味道濃度，找出該果蠅群體中味道濃度最高的那兩只果蠅[bestSmell bestindex]＝max(Smell_i)，并判斷該味道濃度是否高于上一代，即目標滾動軸承故障樣本的故障診斷準確率是否優于前面已經得到的最高故障診斷準確率，具體為：

7-1)若是最高故障診斷準確率，則保留該味道濃度值與該味道濃度值所對應的那兩只果蠅的X坐標，并判斷改進的果蠅優化算法是否滿足終止條件，即是否達到初始設置的迭代次數，若達到初始設置的迭代次數，則執行步驟7-4)；

7-2)若不滿足終止條件，即沒有達到初始設置的迭代次數，則各果蠅再利用視覺往各自果蠅群體中味道濃度最高的那只果蠅所在位置飛去：Smellbest＝bestSmell，飛往各果蠅群體中味道濃度最高的那只果蠅所在位置的果蠅再隨機生成一個共有主題比例CTP與總主題數TT的值，再執行步驟6)；7-3)若不是最高故障診斷準確率，則保留歷史最佳味道濃度值與味道濃度最高的那兩只果蠅所對應的X坐標，即保留歷史最高的機械故障診斷準確率與對應的共有主題比例CTP與總主題數TT的值，再判斷改進的果蠅優化算法是否滿足終止條件，即是否到達初始設置的迭代次數；

7-4)若滿足終止條件，則保留最優的共有主題比例CTP與總主題數TT的值，并將最優的共有主題比例CTP與總主題數TT的值應用在TCA算法中，此時，采用TCA算法實現在目標滾動軸承故障樣本不足的情況下，對目標滾動軸承進行故障診斷，若不滿足終止條件，則執行步驟7-2)，直至滿足終止條件為止。