一种基于机器学习的轴承电击穿损伤识别模型方法
本发明属于轴承电击穿损伤识别,具体说的是一种基于机器学习的轴承电击穿损伤识别模型方法。
背景技术:
1、随着新能源汽车、高速铁路、航空航天及智能制造等领域的快速发展,以永磁同步电机和变频驱动系统为代表的电驱装备正朝着高功率密度、高转速及智能化方向不断演进。滚动轴承作为旋转机械中最关键的基础零部件之一,其运行状态直接影响整个装备的服役寿命和运行可靠性。传统轴承损伤形貌评估主要依赖光学显微镜、扫描电子显微镜(sem)等表征技术,并结合研究人员经验对磨损机制、损伤类型及失效程度进行分析。虽然该方法能够较准确地反映材料表面的微观损伤特征,但存在分析效率低、主观性较强、定量评价困难以及重复性不足等问题。随后,随着数字图像处理技术的发展,研究人员开始利用纹理分析、边缘检测、灰度统计及形态学分析等方法提取损伤图像特征,实现了损伤区域的半自动识别。然而,这类方法通常依赖人工设计特征,对于多尺度、多类型耦合损伤形貌的适应能力有限,难以充分表征复杂摩擦磨损过程中形成的非线性特征关系。基于此,设计提供一种基于机器学习的轴承电击穿损伤识别模型方法极为迫切。
技术实现思路
1、本发明的目的是提供一种基于机器学习的轴承电击穿损伤识别模型方法,该轴承电击穿损伤识别模型方法能够充分表征复杂摩擦磨损过程中形成的非线性特征关系,并进一步探讨工况参数与损伤形貌之间的关联规律,为轴承电击穿损伤的识别及演化分析提供数据驱动的方法支撑。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种基于机器学习的轴承电击穿损伤识别模型方法,包括如下:
4、建立数据库
5、在数据整理过程中,首先对试验中获取的数据进行筛选、整理和统一,将不同来源的数据按照相同的变量定义和数据格式进行归类,并对部分异常数据进行检查,以保证后续建模所使用数据的有效性和一致性;
6、实验数据预处理
7、为消除不同输入变量之间由于量纲和取值范围差异造成的影响,在模型训练前对输入特征进行归一化处理,采用最大最小归一化方法,将各输入变量线性映射至[0,1]区间;其计算公式如下:
8、式中为原始输入的数据,,为最小值,为归一化后的数据。
9、支持向量机分类模型建立
10、支持向量机能够通过核函数将原始输入数据映射至高维特征空间,从而建立输入特征与不同损伤形貌类别之间的非线性映射关系;核函数公式为:
11、其中,和为标准化后的样本,为核函数参数,表示欧式距离。与传统分类方法相比,支持向量机通过最大化分类间隔获得最优决策边界,对小样本、非线性及高维数据具有较好的适应能力,适用于有限样本条件下的轴承损伤形貌分类识别;
12、bp神经网络分类模型建立
13、bp神经网络能够从训练样本中学习输入特征与输出类别之间复杂的对应关系,具有较强的非线性映射能力,在bp神经网络的结构参数中,隐含层神经元个数是影响模型分类性能的重要参数。公式为:p=a+b+c;其中,p 为隐含层神经元个数,a和b分别为输入层、输出层神经元个数,c为1-10的正整数调节常数;
14、随机森林模型建立
15、通过bootstrap重采样方法从原始训练集中随机生成多个子训练集,并分别建立决策树模型,最终通过多数投票方式确定分类结果;将轴承运行过程中的载荷 p、转速 r、电流 i以及电压幅值 v作为随机森林模型的输入变量,将不同损伤形貌级别作为输出标签,通过多个决策树对输入特征进行逐级划分。
16、进一步的, 在支持向量机分类模型建立模块中,支持向量机模型中另一个关键参数为惩罚因子c,惩罚因子c用于控制模型对分类错误样本的惩罚程度,当c取值较小时,模型对分类错误的容忍程度较高,分类间隔相对较大,能够降低模型复杂程度并提高泛化能力;当c取值较大时,模型能够降低训练误差,但分类间隔相应减小,模型复杂度增加;当惩罚因子为10-1时,分类准确率达到最高,为78.26%。
17、进一步的,在 bp神经网络分类模型建立模块中,隐含层神经元个数过少时,网络对轴承损伤特征的表达能力不足,容易产生欠拟合;隐含层神经元个数过多时,网络结构复杂度增加,容易过度学习训练样本中的局部特征,进而产生过拟合并降低模型对未知样本的预测能力。
18、进一步的,隐含层神经元个数需要根据输入层和输出层的规模进行初步估算,并通过验证集或交叉验证进一步确定;由于输入层有4个节点、输出层有3个节点,设置隐藏层神经元搜索范围为3-14,以分类准确率最高对应的网络结构作为最终模型。
19、进一步的,为得到最好的模型预测结果,根据经验公式确定隐藏层神经元个数的候选范围,并在该范围内依次改变隐藏神经元个数,为减小随机初始权值对训练结果的影响,每种网络结构重复训练多次,采用五折交叉验证计算平均分类准确率和平均损失,最终选择验证集分类准确率较高、结果波动较小且网络结构相对简单的隐藏神经元个数作为最优值。
20、进一步的,在 随机森林模型建立模块中,将轴承运行过程中的载荷 p、转速 r、电流 i以及电压幅值 v作为随机森林模型的输入变量,将不同损伤形貌级别作为输出标签,通过多个决策树对输入特征进行逐级划分。
21、进一步的,在随机森林模型中,决策树数量 ntree是影响分类性能的关键参数,随机森林通过多个决策树共同完成分类,树数量直接影响模型的稳定性和泛化能力,当ntree较小时,森林中包含的信息不足,模型容易受到单棵决策树随机性的影响,导致分类结果波动较大;当 ntree增加时,模型性能通常逐渐提高,但过大的树数量会增加计算复杂度,而分类精度提升趋于饱和。
22、本发明的有益效果为:本发明的一种基于机器学习的轴承电击穿损伤识别模型方法,以轴承内滚道表面损伤形貌为主要研究对象,通过构建不同载荷p、转速r、电流i及电压幅值v条件下的可控实验环境,获取不同服役状态下轴承表面损伤形貌数据,并将不同程度的损伤进行等级分类,进而获得良好的预测结果,同时考虑交变电流作用下轴承损伤形貌受载荷、转速及电流等多种因素共同影响,不同工况与损伤特征之间并非简单的线性关系,采用单一参数难以准确描述其变化规律;能够对不同工况条件下轴承损伤形貌进行分类识别与建模分析,并进一步探讨工况参数与损伤形貌之间的关联规律,为轴承电击穿损伤的识别及演化分析提供数据驱动的方法支撑。
1.一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,包括如下:
2.根据权利要求1所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,在支持向量机分类模型建立模块中,支持向量机模型中另一个关键参数为惩罚因子c,惩罚因子c用于控制模型对分类错误样本的惩罚程度,当c取值较小时,模型对分类错误的容忍程度较高,分类间隔相对较大,能够降低模型复杂程度并提高泛化能力;当c取值较大时,模型能够降低训练误差,但分类间隔相应减小,模型复杂度增加;当惩罚因子为10-1时,分类准确率达到最高,为78.26%。
3.根据权利要求2所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,在 bp神经网络分类模型建立模块中,隐含层神经元个数过少时,网络对轴承损伤特征的表达能力不足,容易产生欠拟合;隐含层神经元个数过多时,网络结构复杂度增加,容易过度学习训练样本中的局部特征,进而产生过拟合并降低模型对未知样本的预测能力。
4.根据权利要求3所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,隐含层神经元个数需要根据输入层和输出层的规模进行初步估算,并通过验证集或交叉验证进一步确定;由于输入层有4个节点、输出层有3个节点,设置隐藏层神经元搜索范围为3-14,以分类准确率最高对应的网络结构作为最终模型。
5.根据权利要求4所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,为得到最好的模型预测结果,根据经验公式确定隐藏层神经元个数的候选范围,并在该范围内依次改变隐藏神经元个数。
6.根据权利要求5所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,为减小随机初始权值对训练结果的影响,每种网络结构重复训练多次,采用五折交叉验证计算平均分类准确率和平均损失,最终选择验证集分类准确率较高、结果波动较小且网络结构相对简单的隐藏神经元个数作为最优值。
7.根据权利要求6所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,在 随机森林模型建立模块中,将轴承运行过程中的载荷 p、转速 r、电流 i以及电压幅值 v作为随机森林模型的输入变量,将不同损伤形貌级别作为输出标签,通过多个决策树对输入特征进行逐级划分。
8.根据权利要求7所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,在随机森林模型中,决策树数量 ntree是影响分类性能的关键参数,随机森林通过多个决策树共同完成分类,树数量直接影响模型的稳定性和泛化能力。
9.根据权利要求8所述的一种基于机器学习的轴承电击穿损伤识别模型方法,其特征在于,当ntree较小时,森林中包含的信息不足,模型容易受到单棵决策树随机性的影响,导致分类结果波动较大;当 ntree增加时,模型性能通常逐渐提高,但过大的树数量会增加计算复杂度,而分类精度提升趋于饱和。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com