[發(fā)明專利]一種改進(jìn)灰狼優(yōu)化DBN-ELM的亞健康狀態(tài)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110590877.0
• 申請(qǐng)日: 2021-05-28
• 公開(kāi)（公告）號(hào): CN113190931A
• 公開(kāi)（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 張利;袁意麗;王海威;張皓博;王軍;張蕾;陳彪
• 申請(qǐng)（專利權(quán)）人: 遼寧大學(xué)
• 主分類號(hào): G06F30/17
• 分類號(hào): G06F30/17;G06F30/27;G06N3/00;G06N3/08;G06F111/08;G06F119/10
• 代理公司: 沈陽(yáng)杰克知識(shí)產(chǎn)權(quán)代理有限公司 21207
• 代理人: 王洋

一種改進(jìn)灰狼優(yōu)化DBN?ELM的亞健康狀態(tài)識(shí)別方法，步驟為：(1)信號(hào)采樣；(2)降噪處理；(3)特征選擇；(4)數(shù)據(jù)歸一化處理；(5)亞健康狀態(tài)識(shí)別。本發(fā)明設(shè)計(jì)并實(shí)現(xiàn)一種改進(jìn)灰狼優(yōu)化DBN?ELM的亞健康狀態(tài)識(shí)別方法。針對(duì)灰狼算法全局與局部搜索能力不均衡問(wèn)題，將灰狼算法本身的線性收斂因子改進(jìn)成非線性收斂因子以此來(lái)平衡搜索能力，同時(shí)通過(guò)引用自適應(yīng)權(quán)重策略提升算法收斂速度；然后采用小波閾值降噪算法和時(shí)域特征處理軸承數(shù)據(jù)；最后將處理后數(shù)據(jù)輸入改進(jìn)灰狼算法優(yōu)化的DBN?ELM模型中進(jìn)行訓(xùn)練測(cè)試。實(shí)驗(yàn)結(jié)果表明：本發(fā)明方法在故障診斷方面，能夠滿足用戶所設(shè)定功能和性能需求，具有較高的亞健康識(shí)別精度，較好的魯棒性和泛化能力，具備良好的工業(yè)應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明涉及一種亞健康狀態(tài)識(shí)別算法，尤其是一種改進(jìn)灰狼優(yōu)化DBN-ELM的亞健康狀態(tài) 識(shí)別方法。

背景技術(shù)

近年來(lái)，隨著工業(yè)設(shè)備朝著自動(dòng)化、智能化方向不斷發(fā)展，設(shè)備亞健康狀態(tài)識(shí)別備受關(guān) 注。“亞健康”即一種帶病的狀態(tài)，是一種早期微小故障狀態(tài)。此時(shí)，機(jī)械設(shè)備還可以帶病 運(yùn)行，若不能及時(shí)發(fā)現(xiàn)此狀態(tài)，可能會(huì)引發(fā)大型故障，導(dǎo)致設(shè)備停工，進(jìn)而不僅影響工廠效 益，還會(huì)嚴(yán)重威脅工人生命安全。因此，監(jiān)測(cè)軸承是否處于亞健康狀態(tài)至關(guān)重要。資料表明，約30％的工業(yè)設(shè)備故障由滾動(dòng)軸承引起。顯然，對(duì)滾動(dòng)軸承早期故障監(jiān)測(cè)可為設(shè)備亞健康狀態(tài)識(shí)別提供重要的依據(jù)。

發(fā)明內(nèi)容

為了解決上述存在的問(wèn)題，本發(fā)明提供一種改進(jìn)灰狼優(yōu)化DBN-ELM的亞健康狀態(tài)識(shí)別方 法。

為實(shí)現(xiàn)上述目的，本發(fā)明創(chuàng)造提供如下技術(shù)方案：一種改進(jìn)灰狼優(yōu)化DBN-ELM的亞健康 狀態(tài)識(shí)別方法，其步驟為：

1)信號(hào)采樣：用加速度計(jì)收集軸承的振動(dòng)數(shù)據(jù)，選取數(shù)字信號(hào)的采樣頻率為12000Hz 的軸承數(shù)據(jù)；

2)降噪處理：采用小波閾值降噪法，選取小波基函數(shù)為db5，分解層數(shù)為5，對(duì)每層高 頻小波系數(shù)做閾值量化處理，通過(guò)極大極小準(zhǔn)則閾值函數(shù)對(duì)軸承時(shí)域信號(hào)進(jìn)行軟閾值去噪處 理，根據(jù)式(1)計(jì)算閾值:

其中，T為閾值，σ為噪聲標(biāo)準(zhǔn)差，N為信號(hào)長(zhǎng)度；

3)特征選擇：計(jì)算k階中心矩，偏度，峰度，峰度因子，波形因子，脈沖因子，裕度 因子等時(shí)域特征參數(shù)，將其作為時(shí)域特征向量；

4)數(shù)據(jù)歸一化處理：將時(shí)域特征向量通過(guò)歸一化處理得到最終數(shù)據(jù)作為模型輸入，利 用小波閾值降噪得到的數(shù)據(jù)經(jīng)過(guò)特征選取得到特征向量轉(zhuǎn)化為(0,1)區(qū)間范圍的數(shù)據(jù)，所用 公式為式(2)：

其中：X*是歸一化后的結(jié)果，X表示樣本集中的原數(shù)據(jù)，min表示樣本集X中的最小數(shù)據(jù)，max表示樣本集X中的最大數(shù)據(jù)；

5)亞健康狀態(tài)識(shí)別：

5.1)設(shè)置種群數(shù)量、迭代的最大次數(shù)等相關(guān)參數(shù)；

5.2)初始化A、C和a等相關(guān)參數(shù)；

5.3)將數(shù)據(jù)預(yù)處理后得到的特征向量輸入DBN-ELM模型進(jìn)行訓(xùn)練；

5.4)計(jì)算種群中每個(gè)灰狼個(gè)體的適應(yīng)度值，并對(duì)其進(jìn)行排序，選擇前三只狼，分別設(shè) 為α狼、β狼和δ狼，記錄并保存這三只狼的位置；

5.5)更新除α狼、β狼和δ狼以外的其他灰狼個(gè)體的位置；

5.6)更新C、A、a的值；

5.7)重新計(jì)算下種群中所有灰狼個(gè)體的適應(yīng)度值并排序，與前一次迭代比較，更新α 狼、β狼、δ狼的適應(yīng)度值及其相應(yīng)的位置作為下一代繼續(xù)尋優(yōu)，判斷是否達(dá)到算法結(jié)束條 件，即最大迭代次數(shù)，若達(dá)到設(shè)定最大迭代次數(shù)，算法停止迭代，輸出α狼的位置X_α，否則回到步驟5.4)；