[发明专利]一种基于子波三元模式和改进蜂群算法的故障分类方法

说明书

本发明提出了一种基于子波三元模式和改进蜂群算法的故障分类方法，其步骤为：首先，分别利用声音传感器、振动速度传感器和电流传感器采集电机轴承转动的声音信号、振动信号和电流信号，并对上述信号进行归一化处理后作为数据集；其次，利用子波三元模式的特征提取算法对数据集中进行特征提取，得到特征数据；最后，利用自适应散度控制的蜂群算法优化随机森林分类器的参数，并利用优化后的随机森林分类器对特征数据进行分类，输出故障类型。通过本发明提取的故障信息特征表征能力更强，并结合基于散度控制寻优的蜂群算法对分类器的参数寻优，使得分类器的泛化能力与处理速度都得到提升，从而实现高性能、高鲁棒性的故障诊断流程。

技术领域

本发明涉及复杂机械设备的故障诊断的技术领域，特别是指一种基于子波三元模式和改进蜂群算法的故障分类方法，适用于含有轴承部件的设备的故障诊断与维护。

背景技术

工业4.0的背景下，随着智能制造技术不断发展，旋转机械的应用越来越广，但由于轴承故障发现的不及时，造成重大财产损失的各类事故层出不穷。如何精确高效的识别故障信息，确定故障类型是亟待解决的问题。轴系设备能监测到的各类时间信号，如声纹信号、振动信号等都是非线性、非周期，且包含有大量的热、电等环境噪声，要对其准确收集并进行分析处理存在很大不确定性，本发明拟采用一种新型特征提取和分类方法实现故障信号的高效提取和准确分类判断。

发明内容

针对传统的特征提取方法存在的提取不全面、特征表征性不强等问题和传统分类策略参数需要手工设置、精度不高的问题，本发明提出基于子波三元模式和改进蜂群算法的故障分类方法，利用子波三元模式的特征提取算法，对时域信号的样本按照所含信息熵的多少建立子波候选解，滤除异常噪声点，然后对子波建立包含了0，-1和1在内的三元模式，从而分离出正负码值代表的高维与低维特征；在利用随机森林策略对处理后的数据进行故障种类识别过程中，引入蜂群算法对随机森林分类器参数进行优化整定，引入自适应散度控制的思想，将搜索维度划分为不同的区域，并在每次迭代后对搜索的区域按分类精度的大小赋予权重等级，进一步利用权重指导下一次迭代的搜索区域，实现了旋转机械故障的快速准确识别。

本发明的技术方案是这样实现的：

一种基于子波三元模式和改进蜂群算法的故障分类方法，其步骤如下：

步骤一：分别利用声音传感器、振动速度传感器和电流传感器采集电机轴承转动的声音信号、振动信号和电流信号，并对电机轴承转动的声音信号、振动信号和电流信号进行归一化处理后作为数据集；

步骤二：利用子波三元模式的特征提取算法对数据集中数据进行特征提取，得到特征数据；

步骤三：利用自适应散度控制的蜂群算法优化随机森林分类器的参数，并利用优化后的随机森林分类器对步骤二中的特征数据进行分类，输出故障类型。

所述利用子波三元模式的特征提取算法对数据集中数据进行特征提取的方法为：

S2.1、从一维复杂非线性、非周期的时间序列T＝{T₁,T₂,...,T_n}中随机生成子波候选者集合ζ＝{δ_min,δ_min+1,...,δ_max}，并计算子波候选者集合与时间序列的欧氏距离集合：

其中，DL(ζ_i,T_i)为第i个子波候选者集合与第i个时间序列的欧氏距离，i＝1,2,…,l，l表示子波候选者集合的个数，ζ_i表示子波候选者集合，T_i表示原始子序列；

S2.2、根据子波候选者集合与时间序列的欧氏距离集合，计算每个子波候选者的信息增益：

H(T)＝-p(A)log(p(A))-p(B)log(p(B)) (2)；