一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心泵故障診斷方法
【專利摘要】本發(fā)明公開了一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心泵故障診斷方法，該方法包括：(1)利用CEEMD將傳感器所獲得的離心泵振動(dòng)信號(hào)分解成一系列IMF分類；(2)將IMF分類的樣本熵作為信號(hào)的特征向量；(3)將CEEMD?樣本熵所得的特征向量作為隨機(jī)森林分類器的輸入進(jìn)行故障診斷。本發(fā)明將CEEMD與樣本熵用于離心泵振動(dòng)信號(hào)的特征提取，一方面盡可能的避免了EMD分解出現(xiàn)的模態(tài)混疊及端點(diǎn)效應(yīng)等現(xiàn)象，另一方面，特征提取較為方便簡(jiǎn)潔，計(jì)算量小，并對(duì)數(shù)據(jù)長(zhǎng)度及噪聲不敏感，因而適用性強(qiáng)。本發(fā)明將隨機(jī)森林分類器用于離心泵的故障模式識(shí)別，避免了傳統(tǒng)分類器過(guò)于依賴訓(xùn)練樣本而出現(xiàn)過(guò)擬合的現(xiàn)象。盡可能的提高了分類準(zhǔn)確率。
【專利說(shuō)明】
-種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心累故障診 斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及離屯、累故障診斷的技術(shù)領(lǐng)域，具體設(shè)及一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分 解（complete ensemble empirical mode decomposition,CEEMD)與隨機(jī)森林的離屯、累故 障診斷方法。
【背景技術(shù)】
[0002] 離屯、累作為一種關(guān)鍵設(shè)備，廣泛應(yīng)用于各個(gè)工業(yè)領(lǐng)域。在旋轉(zhuǎn)機(jī)械中，設(shè)備狀態(tài)信 息隱藏于轉(zhuǎn)子振動(dòng)信號(hào)中，包含了設(shè)備各種異?；蚬收系男畔?。因此，震動(dòng)分析在旋轉(zhuǎn)機(jī)械 故障診斷領(lǐng)域應(yīng)用廣泛。一般來(lái)說(shuō)診斷信號(hào)的分析步驟包含W下幾個(gè)方面：（1)故障診斷信 號(hào)的獲取(2)故障特征提取(3)狀態(tài)確認(rèn)和故障模式識(shí)別。
[0003] 化ang提出的經(jīng)驗(yàn)?zāi)B(tài)分解化MD)可W自適應(yīng)的用于處理此類的非平穩(wěn)非線性的 機(jī)械信號(hào)，將信號(hào)分解為有限個(gè)內(nèi)稟尺度分量。但EMD分解方法，最重要的缺點(diǎn)之一是模態(tài) 混疊的問(wèn)題。Wu等人提出的總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥nsemble Empiracal Mode Decomposition)方法，能有效解決經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ǖ哪B(tài)混疊問(wèn)題，但是邸MD添加的白 噪聲不能被完全中和，不具備完備性。
[0004] 因此，完備總體經(jīng)驗(yàn)?zāi)B(tài)分解方法被提出，其主要是通過(guò)向待分析的信號(hào)中添加 連個(gè)相反的白噪聲信號(hào)，并分別進(jìn)行EMD分解。CEEMD在保證分解效果與EEMD相當(dāng)?shù)那闆r下， 減小了由白噪聲引起的重構(gòu)誤差。
[0005] 賭的概念近幾年作為體征提取的方法進(jìn)入到故障診斷領(lǐng)域。樣本賭是對(duì)近似賭的 改進(jìn)，在腦電及屯、電等醫(yī)學(xué)信號(hào)處理中得到廣泛應(yīng)用，樣本賭可W量化時(shí)間序列的復(fù)雜度， 并對(duì)數(shù)據(jù)長(zhǎng)度和和噪聲不敏感。不同的IMF分量的樣本賭可W估計(jì)多重時(shí)間尺度的復(fù)雜性。 因此，它能夠增強(qiáng)故障診斷的準(zhǔn)確度。
[0006] 在利用CEEMD-樣本賭提取故障特征向量之后，需要分類器對(duì)其故障類型進(jìn)行判 斷。隨機(jī)森林在模式識(shí)別方面有卓越的表現(xiàn)力。然而，在故障診斷領(lǐng)域應(yīng)用的卻比較少。本 文嘗試?yán)秒S機(jī)森林分類器對(duì)離屯、累故障模式進(jìn)行識(shí)別并驗(yàn)證其準(zhǔn)確性。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于:提供一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離屯、累故 障診斷方法，可應(yīng)用于其進(jìn)行離屯、累運(yùn)行狀態(tài)的監(jiān)測(cè)與診斷。
[000引本發(fā)明采用的技術(shù)方案為:一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離屯、累 故障診斷方法，該方法包括：
[0009] (1)利用CEEM明尋傳感器所獲得的離屯、累振動(dòng)信號(hào)分解成一系列IMF分類；
[0010] (2)將IMF分類的樣本賭作為信號(hào)的特征向量；
[0011] (3)將CEEMD-樣本賭所得的特征向量作為隨機(jī)森林分類器的輸入進(jìn)行故障診斷。
[0012] 其中，步驟（1)中所述的利用CEEMD將傳感器所獲得的離屯、累振動(dòng)信號(hào)分解成一系 列IMF分類具體包括:加速度傳感器安裝在離屯、累的電機(jī)外殼軸承座的正上方，對(duì)離屯、累進(jìn) 行故障注入，并采集加速度傳感器在各種故障模式下的離屯、累振動(dòng)信號(hào)，將所采集的每種 故障模式下的若干組數(shù)據(jù)進(jìn)行CEEMD分解，CEEMD可W將離屯、累振動(dòng)信號(hào)自適應(yīng)分解為若干 IMF分量。
[0013] 其中，步驟（2)中所述的將IMF分類的樣本賭作為信號(hào)的特征向量具體包括：取 CEEMD分解的前5個(gè)IMF分量，W樣本賭作為衡量IMF復(fù)雜度的量化參數(shù)，并作為特征向量。
[0014] 其中，步驟(3)中所述的將CEEMD-樣本賭所得的特征向量作為隨機(jī)森林分類器的 輸入進(jìn)行故障診斷具體包括:將步驟(2)得到的所述的特征向量作為隨機(jī)森林分類器進(jìn)行 故障模式識(shí)別，從每種故障模式下的若干組數(shù)據(jù)中任意選取部分組進(jìn)行訓(xùn)練，其余組作為 測(cè)試樣本，得到結(jié)果后，將測(cè)試標(biāo)簽與實(shí)際標(biāo)簽進(jìn)行比對(duì)，并計(jì)算準(zhǔn)確率。
[0015] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0016] (1)、將C邸MD與樣本賭用于離屯、累振動(dòng)信號(hào)的特征提取，一方面盡可能的避免了 EMD分解出現(xiàn)的模態(tài)混疊及端點(diǎn)效應(yīng)等現(xiàn)象，另一方面，特征提取較為方便簡(jiǎn)潔，計(jì)算量小， 并對(duì)數(shù)據(jù)長(zhǎng)度及噪聲不敏感，因而適用性強(qiáng)。
[0017] (2)、將隨機(jī)森林分類器用于離屯、累的故障模式識(shí)別，避免了傳統(tǒng)分類器過(guò)于依賴 訓(xùn)練樣本而出現(xiàn)過(guò)擬合的現(xiàn)象。盡可能的提高了分類準(zhǔn)確率。
【附圖說(shuō)明】
[0018] 圖1為一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離屯、累故障診斷方法流程；
[0019] 圖2為隨機(jī)森林分類器診斷流程；
[0020] 圖3為內(nèi)環(huán)故障CEEMD分解圖。
[0021]
【具體實(shí)施方式】
[0022] 下面結(jié)合附圖W及【具體實(shí)施方式】進(jìn)一步說(shuō)明本發(fā)明。
[0023] 如圖1所示，本發(fā)明一種基于CEEMD-Samp^i的隨機(jī)森林的離屯、累故障診斷方法流 程介紹如下：
[0024] 該方法主要分為Ξ個(gè)部分：（1)利用CEEMD將傳感器所獲得的離屯、累振動(dòng)信號(hào)分解 成一系列IMF分類；（2)將IMF分類的樣本賭作為信號(hào)的特征向量；（3)將CEEMD-樣本賭所得 的特征向量作為隨機(jī)森林分類器的輸入進(jìn)行故障診斷。該方法流程如下：
[0025] 1.基于CEEMD-Samp化的特征提取過(guò)程
[0026] 1.1CEEMD 方法
[0027] C邸MD是在EMD算法基礎(chǔ)上提出的一種改進(jìn)方法。EMD是利用信號(hào)的局部特征自適 應(yīng)的將非線性非平穩(wěn)信號(hào)分解成一系列IMF分量之和殘余量，即：
[002引
[0029] 式中：N代表在給定精度下IMF分類的個(gè)數(shù)，IMFi代表包含不同頻率成分的IMF分 量。rN是在N次分解后的殘余量。從EMD分解所得的IMF分量從高頻到低頻排列。
[0030] 在EMD分解方法中，良好的IMF分量的取得與待分解信號(hào)的極值點(diǎn)有很大的關(guān)系。 如果信號(hào)中極值點(diǎn)不夠多，EMD分解將停止;如果待分解信號(hào)極值點(diǎn)不夠均勻時(shí)，將會(huì)出現(xiàn) 模態(tài)混疊的現(xiàn)象。但是，白噪聲卻可W彌補(bǔ)運(yùn)一缺點(diǎn)，原因如下：同幅值隨機(jī)高斯白噪聲，如 果進(jìn)行多次試驗(yàn)，然后把各次實(shí)驗(yàn)結(jié)果疊加起來(lái)，就可W使添加的白噪聲相互抵消。利用運(yùn) 一特性，在待分解信號(hào)中添加高斯白噪聲，可W使信號(hào)連續(xù)性更好，極值點(diǎn)分布更加合理、 均勻，更利于EMD分解的進(jìn)行，得到最佳的IMF分量，最后通過(guò)疊加的方式消除所添加高斯白 噪聲的干擾。
[0031 ] 作為EMD的改進(jìn)方法，CEEMD的分解流程如下：
[0032] (1)在原始信號(hào)中加入不同的噪聲并通過(guò)EMD重復(fù)分解過(guò)程I次，計(jì)算總體平均值 并將其定義為目標(biāo)信號(hào)X的第一個(gè)IMF分量，即：
[0033]
[0034] 運(yùn)里，x(t)是原始信號(hào)，wi(t)是單位方差的零均值高斯白噪聲，N是，N書，σ系數(shù)允 許在每個(gè)階段選擇信噪比。
[00巧](2)計(jì)算一階殘差：
[0036] ri(t) =x(t)-Ci(t),
[0037] 然后，將ri(t)+地i[Wi(t)](i = l，2，-'，N)作為新的信號(hào)并繼續(xù)分解直到信號(hào)滿足 第一個(gè)IMF的條件，并定義總體平均值作為第二個(gè)IMF分量，定義其為C2(t):
[00；3 引
[0039] (3)重復(fù)第一步和第二部直到第(n+1)個(gè)IMF分量Cn+i(t)被獲得，即：
[0042] 上式表面原始信號(hào)得到了精確重構(gòu)，該方法是一個(gè)完備的分解方法。
[0043] 1.2樣本賭
[0044] 設(shè)原始數(shù)據(jù)序列為x(l)，x(2)，…，x(N)，共N個(gè)數(shù)據(jù)點(diǎn)，計(jì)算該序列樣本賭的步驟 如下：
[0045] (1)給定模式維數(shù)m，由原序列組成m維矢量X(i) = {x(i)，x(i+l)，···，x(i+m-l)}(i = 1,2,···,Ν-Μ+1)；
[0046] (2)定義X(i)與X(j)之間的距離，
[0047]
[004引（3)給定闊值r，對(duì)每一個(gè)i值統(tǒng)計(jì)d(i，j)<r的數(shù)目（稱為模板匹配數(shù))及此數(shù)目與 距離總數(shù)N-m+1的比值，記為馬"(r)，
[0049]
[0050] 其中：i《j《N-m，j聲i，求其對(duì)所有i的平均值，
[0化1 ]
[0052] (4)再對(duì) m+1 重復(fù)（1)-(3)步，得到 Bm+i(r);
[0化3] (5)理論上，此序列的樣本賭為：
[0化4]
[0055]當(dāng)N取有限值時(shí)，可得到序列長(zhǎng)度為N時(shí)的樣本賭估計(jì)值為：
[0化6]
[0化7] 1.3隨機(jī)森林分類器原理
[005引傳統(tǒng)的分類模型的構(gòu)建往往過(guò)于依賴訓(xùn)練數(shù)據(jù)，容易出現(xiàn)過(guò)擬合的現(xiàn)象，并且很 多情況下傳統(tǒng)分類模型的準(zhǔn)確率不好。隨機(jī)森林是一種統(tǒng)計(jì)學(xué)理論，它采用Bagging重抽樣 的方式從原始樣本中抽取多個(gè)樣本，將每個(gè)樣本作為訓(xùn)練數(shù)據(jù)集來(lái)構(gòu)建一顆決策樹，最后 組合多顆決策樹的分類結(jié)果，通過(guò)投票得到該隨機(jī)森林分類器的分類結(jié)果。
[0059] 隨機(jī)森林分類(RFC)是由很多決策樹分類模型化村，0〇,4=1，-，}組成的組合分 類模型，且參數(shù)集{0k}是獨(dú)立同分布的隨機(jī)向量，在給定自變量X下，每個(gè)決策樹分類模型 都由一票投票權(quán)來(lái)選擇最優(yōu)的分類結(jié)果。RFC的基本思想:首先，利用bootsrtap抽樣從原始 訓(xùn)練集抽取k個(gè)樣本，且每個(gè)樣本的樣本容量都與原始訓(xùn)練集一致;其次，對(duì)k個(gè)樣本分別建 立k個(gè)決策樹模型，得到k種分類結(jié)果;最后，根據(jù)k中分類結(jié)果對(duì)每個(gè)記錄進(jìn)行投票表決覺 得其最終分類，見圖2。
[0060] RF通過(guò)構(gòu)造不同的訓(xùn)練集增加分類模型間的差異，從而提高組合分類模型的外推 預(yù)測(cè)能力。通過(guò)k輪訓(xùn)練，得到一個(gè)分類模型序列化1村），112口），-，，111^村)}，再用他們構(gòu)造一 個(gè)多分量模型系統(tǒng)，該系統(tǒng)的最終分類結(jié)果采用簡(jiǎn)單多數(shù)投票發(fā)。最終的分類決策：
[0061]
[0062] 其中，H(x)表示組合分類器模型，hi是單個(gè)決策時(shí)分類模型，Y表示輸出變量(或稱 目標(biāo)變量），1( ·)為示性函數(shù)。
[0063] 本發(fā)明應(yīng)用案例介紹如下：
[0064] 2.1數(shù)據(jù)準(zhǔn)備
[0065] 加速度傳感器安裝在電機(jī)外殼軸承座的正上方，對(duì)離屯、累進(jìn)行故障注入，并采集 其各種故障模式下的診斷數(shù)據(jù)，實(shí)驗(yàn)工作轉(zhuǎn)軸為2900/分鐘（即n = 2900r/min)，采樣頻率為 10239Hz。震動(dòng)信號(hào)采集自W下安裝加速度計(jì)，采樣頻率10.24kHZ。
[0066] 在該實(shí)驗(yàn)中，五種常見的故障在離屯、累中被設(shè)置，即正常模式、滾動(dòng)體故障、內(nèi)環(huán) 故障，外環(huán)故障、離屯、累葉輪故障。對(duì)于每種故障模式來(lái)說(shuō)，采集20組樣本，前八組用于訓(xùn)練 后12組用于測(cè)試。
[0067] 2.2基于CEEMD樣本賭的離屯、累特征提取
[0068] CEEMD將不同故障模式下的震動(dòng)信號(hào)分解。加入噪聲的標(biāo)準(zhǔn)偏差被設(shè)定為0,0.05， 0.15，0.2用于對(duì)比。作為舉例，圖3為內(nèi)環(huán)故障CEEMD分解圖。
[0069] 為了得到故障特征，樣本賭被用于量化前五個(gè)IMF分類用已經(jīng)建立好的參數(shù)值m = 2和r = 0.2stcLW比率0.1為例，不同故障模式下每個(gè)IMF分量的值列在下表中。比較每種故 障模式，我們發(fā)現(xiàn)樣本賭的值明顯隨著不同的故障模式變化，可W反映不同故障類型的不 同復(fù)雜度。然后，為了辨別每種故障模式，特征向量應(yīng)于分類器有效結(jié)合。
[0070] 表1不同故障模式IMF分類的樣本賭
[0071]
[0072] 2.3基于隨機(jī)森林的故障分類
[0073] 在該部分，隨機(jī)森林被用于辨別離屯、累的不同故障模式:辨別準(zhǔn)確率如下：
[0074] 表2診斷結(jié)果
[0075]
[0076] 如表2中所示，故障準(zhǔn)確率從94.58 % 97.08 %變化，驗(yàn)證了提出方法的有效性。在 比例為0的CEEMD分解即為EMD。當(dāng)比率為0.1的時(shí)候有著最高的準(zhǔn)確率為97.08%。
【主權(quán)項(xiàng)】
1. 一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心栗故障診斷方法，其特征在于： 該方法包括： (1) 利用CEEMD將傳感器所獲得的離心栗振動(dòng)信號(hào)分解成一系列頂F分類； (2) 將IMF分類的樣本熵作為信號(hào)的特征向量； (3) 將CEEMD-樣本熵所得的特征向量作為隨機(jī)森林分類器的輸入進(jìn)行故障診斷。2. 根據(jù)權(quán)利要求1所述的一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心栗故障診 斷方法，其特征在于:步驟（1)中所述的利用CEEMD將傳感器所獲得的離心栗振動(dòng)信號(hào)分解 成一系列MF分類具體包括:加速度傳感器安裝在離心栗的電機(jī)外殼軸承座的正上方，對(duì)離 心栗進(jìn)行故障注入，并采集加速度傳感器在各種故障模式下的離心栗振動(dòng)信號(hào)，將所采集 的每種故障模式下的若干組數(shù)據(jù)進(jìn)行CEEMD分解，CEEMD可以將離心栗振動(dòng)信號(hào)自適應(yīng)分解 為若干頂F分量。3. 根據(jù)權(quán)利要求1所述的一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心栗故障診 斷方法，其特征在于:步驟(2)中所述的將IMF分類的樣本熵作為信號(hào)的特征向量具體包括： 取CEEMD分解的前5個(gè)IMF分量，以樣本熵作為衡量IMF復(fù)雜度的量化參數(shù)，并作為特征向量。4. 根據(jù)權(quán)利要求1所述的一種基于完備總體經(jīng)驗(yàn)?zāi)B(tài)分解與隨機(jī)森林的離心栗故障診 斷方法，其特征在于:步驟(3)中所述的將CEEMD-樣本熵所得的特征向量作為隨機(jī)森林分類 器的輸入進(jìn)行故障診斷具體包括:將步驟(2)得到的所述的特征向量作為隨機(jī)森林分類器 進(jìn)行故障模式識(shí)別，從每種故障模式下的若干組數(shù)據(jù)中任意選取部分組進(jìn)行訓(xùn)練，其余組 作為測(cè)試樣本，得到結(jié)果后，將測(cè)試標(biāo)簽與實(shí)際標(biāo)簽進(jìn)行比對(duì)，并計(jì)算準(zhǔn)確率。
【文檔編號(hào)】F04D15/00GK105971901SQ201610286142
【公開日】2016年9月28日
【申請(qǐng)日】2016年5月3日
【發(fā)明人】呂琛, 王洋, 秦維力, 周博, 趙萬(wàn)琳
【申請(qǐng)人】北京航空航天大學(xué)