基于PSO- ELM 的滾動(dòng)軸承故障診斷模式識(shí)別方法

張?chǎng)稳?夏 源 王藝華

（西安工業(yè)大學(xué)機(jī)電工程學(xué)院，陜西 西安710021）

滾動(dòng)軸承是大型機(jī)械設(shè)備的主要構(gòu)成元件，其運(yùn)行性能對(duì)整個(gè)機(jī)械設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)有著極其關(guān)鍵的作用，如若發(fā)生故障，會(huì)造成的巨大的損失[1]。并且滾動(dòng)軸承長(zhǎng)期處于復(fù)雜惡劣環(huán)境，其運(yùn)行狀態(tài)監(jiān)測(cè)困難。

目前，國(guó)內(nèi)外的許多學(xué)者專(zhuān)家做了大量的研究對(duì)于故障診斷的模式分類(lèi)的問(wèn)題，主要有基于人工智能、基于知識(shí)、基于支持向量機(jī)的模式識(shí)別方法[2]。2004 年提出了一種新的故障識(shí)別方法——極限學(xué)習(xí)機(jī)，由于ELM具有極快的學(xué)習(xí)速率和泛化程度較高和不容易出現(xiàn)局部最優(yōu)解的優(yōu)點(diǎn)，受到國(guó)內(nèi)外人員的關(guān)注，各種改進(jìn)的ELM方法也層出不窮[3]。

極限學(xué)習(xí)機(jī)是一種針對(duì)單隱層前饋神經(jīng)網(wǎng)絡(luò)的新算法。與之前的傳統(tǒng)訓(xùn)練方法相比，ELM方法具有學(xué)習(xí)速度快，泛化性能好等優(yōu)點(diǎn)。但它還有一定的缺點(diǎn)，訓(xùn)練速度比較慢，容易陷入局部極小值點(diǎn)。因此，本文為了提升ELM模型的泛化能力和識(shí)別準(zhǔn)確率，提出粒子群優(yōu)化極限學(xué)習(xí)機(jī)PSO-ELM模式識(shí)別方法。

1 粒子群算法優(yōu)化的極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)算法具有計(jì)算量小，參數(shù)調(diào)節(jié)容易，初始輸入權(quán)重和隱含層偏置對(duì)算法影響較大的特點(diǎn)，即便節(jié)點(diǎn)參數(shù)不需要通過(guò)反向傳播迭代調(diào)整，但對(duì)于隱層節(jié)點(diǎn)的作用也會(huì)影響，最終導(dǎo)致ELM網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度的增加，影響其泛化能力與穩(wěn)定性；PSO 算法具有精度高，收斂速度快的優(yōu)點(diǎn)，本文提出一種將PSO 算法與ELM 算法相結(jié)合的故障檢測(cè)方法，利用PSO 算法對(duì)ELM 算法的輸入層權(quán)重和隱含層偏置進(jìn)行優(yōu)化，能有效解決由于ELM隨機(jī)產(chǎn)生閾值、輸入權(quán)值所引起的問(wèn)題，提高泛化能力。

本文提出了一種結(jié)合PSO 和ELM 的故障診斷方法。從而得到一個(gè)最優(yōu)的滾動(dòng)軸承故障診斷模型，以提升ELM模型的識(shí)別準(zhǔn)確率。PSO-ELM故障診斷具體實(shí)現(xiàn)步驟如下：

（1）初始化設(shè)置種群規(guī)模、粒子位置和速度；

（2）求每個(gè)粒子的適應(yīng)度值；

（3）對(duì)比每個(gè)粒子與當(dāng)前個(gè)體極值、全局極值的適應(yīng)度值大小，若粒子個(gè)體的適應(yīng)度值和都小于其適應(yīng)度值，則將原始個(gè)體極值和全局極值被個(gè)體替代；

（4）將粒子個(gè)體替代原始的個(gè)體極值和全局極值；

（5）如果最大迭代次數(shù)或誤差達(dá)到要求，流程結(jié)束，否則回到步驟（2），繼續(xù)迭代。

2 滾動(dòng)軸承故障診斷實(shí)例分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

通過(guò)使用美國(guó)凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心提供的實(shí)驗(yàn)數(shù)據(jù)。電機(jī)驅(qū)動(dòng)端深溝球軸承型號(hào)為SKF6205，振動(dòng)信號(hào)由16 通道數(shù)據(jù)記錄儀采集得到，功率和轉(zhuǎn)速通過(guò)扭矩傳感器和譯碼器測(cè)得，兩種采樣頻率分別為12Khz 和48Khz，電機(jī)轉(zhuǎn)速近似為1772r/min。

實(shí)驗(yàn)選取了滾動(dòng)軸承驅(qū)動(dòng)端采樣頻率為12K 的數(shù)據(jù)進(jìn)行研究，分別為滾動(dòng)軸承的正常狀態(tài)、滾動(dòng)體故障、內(nèi)圈故障和外圈故障共11 種狀態(tài)的數(shù)據(jù)采集。每種狀態(tài)的負(fù)載為1hp，hp 為英制的馬力，1hp=0.75kW，每個(gè)時(shí)域樣本取1024 點(diǎn)，11 種狀態(tài)的1hp 樣本為100 組。

2.2 滾動(dòng)軸承狀態(tài)識(shí)別實(shí)驗(yàn)

在運(yùn)用極限學(xué)習(xí)機(jī)進(jìn)行滾動(dòng)軸承故障狀態(tài)識(shí)別時(shí)，應(yīng)該充分考慮隱含層節(jié)點(diǎn)結(jié)構(gòu)，若個(gè)數(shù)太少，網(wǎng)絡(luò)對(duì)數(shù)據(jù)的擬合能力較差；若個(gè)數(shù)太多，網(wǎng)絡(luò)容易出現(xiàn)過(guò)擬合現(xiàn)象，無(wú)法較好的反映出未知數(shù)據(jù)樣本的特征規(guī)律，分類(lèi)結(jié)果也不理想。

圖1 不同隱含層節(jié)點(diǎn)個(gè)數(shù)的分類(lèi)準(zhǔn)確率

為了確定極限學(xué)習(xí)機(jī)中最優(yōu)的隱含層節(jié)點(diǎn)個(gè)數(shù)，固定正則化參數(shù)λ，隱含層節(jié)點(diǎn)個(gè)數(shù)m 取值為78 至100。固定的λ 值和隱含層節(jié)點(diǎn)數(shù)對(duì)ELM分類(lèi)準(zhǔn)確率的趨勢(shì)如圖1 所示，當(dāng)隱含層節(jié)點(diǎn)個(gè)數(shù)增加至88 時(shí)，ELM分類(lèi)準(zhǔn)確率最高達(dá)到93.45%，故本文選定λ=0.5，隱含層節(jié)點(diǎn)個(gè)數(shù)為88。

本文分別將PSO-ELM 和ELM 兩種故障識(shí)別方法進(jìn)行對(duì)比，其中圖2 和圖3 可以看出，通過(guò)粒子群優(yōu)化過(guò)的ELM 比未優(yōu)化ELM的準(zhǔn)確率提高了4.26%，并且期望輸出和實(shí)際輸出相差無(wú)幾，說(shuō)明沒(méi)有優(yōu)化的極限學(xué)習(xí)機(jī)的識(shí)別準(zhǔn)確率較低，不能達(dá)到預(yù)期的效果。由此本文采用粒子群優(yōu)化算法。結(jié)果數(shù)據(jù)由表1 所示。

圖2 ELM 識(shí)別結(jié)果圖

圖3 PSO-ELM 識(shí)別結(jié)果圖

表1 不同識(shí)別方法下的故障識(shí)別結(jié)果

3 結(jié)論

本文針對(duì)極限學(xué)習(xí)機(jī)訓(xùn)練速度較慢，容易陷入局部極小值點(diǎn)，并且其輸入權(quán)值和閾值是隨機(jī)產(chǎn)生的，對(duì)故障診斷的結(jié)果具有一定影響的問(wèn)題，提出了利用粒子群算法對(duì)極限學(xué)習(xí)機(jī)結(jié)構(gòu)進(jìn)行優(yōu)化，用該方法可以得到極限學(xué)習(xí)機(jī)所需參數(shù)的最優(yōu)解，實(shí)現(xiàn)滾動(dòng)軸承的故障識(shí)別。通過(guò)PSO-ELM和ELM實(shí)驗(yàn)結(jié)果的比較，可以看出PSO-ELM在識(shí)別準(zhǔn)確率和所需的時(shí)間方面比其他兩種方法更優(yōu)秀，識(shí)別準(zhǔn)確率與ELM提升了4.26%。

由此可以說(shuō)明本文提出的方法可以實(shí)現(xiàn)滾動(dòng)軸承四個(gè)狀態(tài)下的有效識(shí)別，在滾動(dòng)軸承的故障診斷領(lǐng)域研究具有重要的意義。