基于AP聚类与自适应人工蜂群算法的输送机轴承诊断方法

基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法
技术领域
1.本发明涉及一种基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法。


背景技术：

2.据不完全统计，我国每年因煤矿事故而伤亡的人数仅次于交通事故，应急救援一直被认为是灾后挽救被困人员生命的最后一道防线。而带式输送机作为煤矿生产中的重要一环，带式输送机故障的及时诊断与预防，对于煤矿生产安全以及人员安全有着重要的作用。
3.滚动轴承作为带式输送机的易损零件之一，其运行状态往往直接影响到整台机器的精度、可靠性及寿命。由于滚动轴承的寿命离散性很大,无法进行定时维修,且煤矿井下环境恶劣，滚动轴承在运转过程中可能由于各种原因引起损坏，如金属腐蚀和过载等。因此,如何判断出它的各种工况故障是非常重要的，可以减少不必要的维修，延长滚动轴承的使用寿命进而可以延长机械装备的使用寿命。
4.而且滚动轴承故障采集的信号属性的非线性、非平稳等复杂情况，以及现有技术中对故障的识别度偏低，因此如何提高滚动轴承故障的识别度是本领域亟待解决的技术问题。


技术实现要素：

5.针对背景技术中提到的问题，本发明的目的是提供一种基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法，能够采集煤矿带式输送机轴承振动信号，采用小波变换对振动信号进行降噪处理；然后利用ceemdan对降噪信号进行分解和提取特征向量；对特征向量进行ap聚类分析；然后，使用人工蜂群算法优化下的bp神经网络故障诊断模型对轴承振动信号进行故障判别。
6.本发明的上述技术目的是通过以下技术方案得以实现的：一种基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法，通过收集并创建关于关于煤矿带式输送机轴承故障振动信号的数据集，以数据集为依托，对故障信号进行小波变换降噪和提取特征向量处理，减小噪声影响并突出故障信号特征，设定合理的ap聚类参数对特征信号进行特征向量聚类处理，接着将聚类产生的聚类簇中的样本输入到神经网络进行训练，并通过人工蜂群算法对故障诊断模型进行优化处理。减少神经网络的训练时长和训练样本，避免局部最优情况的出现，使诊断结果更准确快速。
7.作为优选，针对煤矿井下环境存在强大的噪声，使用小波变换对振动信号进行降噪处理，减少噪声影响的同时突出故障信号特征，对ceemdan提出一种新的停止准则，可以更好更快地对降噪后的信号进行分解：
8.采用参数超峭度和方均根这两个参数，定义一个目标函数：
9.x
jk
＝rms(h
jk
[n]) |ek(h
jk
[n])|
[0010][0011][0012]
式中，y
jk
[n]是第i个imf分解k次后的信号；h
jk
[n]是y
jk
[n]的包络均值信号；是h
jk
[n]的算术平均值；
[0013]
设计一个规则可自适应地确定筛选最优次数，为了防止陷入无限循环，设置一个最大筛选次数num，当没有找到最优筛选次数时，主动停止筛选；
[0014]
在第i个imf分量筛选过程中，y
jk
[n]是k-1次处理后的信号，通过每一次迭代分别计算出目标函数x
jk
，本方法将计算连续5次迭代过程中x
jk-2
、x
jk-1
、x
jk
、x
jk-3
、x
jk-4
的值，当满足两个条件，一是x
jk-4
》x
jk-3
》x
jk-2
且x
jk-2
《x
jk-1
《x
jk
成立，二是极值点数目和零点数目相差不超过一个，就停止筛选过程，并将x
jk-2
[n]作为imfj，否则，一直筛选到设定的最大筛选次数为止；
[0015]
当拆分成若干个本征模态函数imf以后，计算imf能量熵，实现振动信号特征向量的提取。
[0016]
作为优选，对振动信号特征向量进行聚类分析；使用ap聚类算法将全部的数据点都看成是潜在的聚类中心点，然后根据数据点之间的相似度来进行聚类，每次迭代，更新数据点两两之间的归属度和吸引度，经过多次迭代后产生n个优秀的聚类中心点。不需要预先给定聚类数目，可以自动确定聚类中心及类别数目，更加适用于自学习故障诊断模型。
[0017]
作为优选，轴承故障信号具有非线性、非平稳特性，故选取一个输入层、两个隐含层、一个输出层的bp神经网络结构与ap聚类结合形成故障诊断模型来进行故障识别，不断经过“正向计算—反向修正”来降低故障诊断模型误差。
[0018]
作为优选，采用改进的自适应人工蜂群算法对故障诊断模型中bp神经网络的权值和阈值进行优化，自适应调整种群更新步长来协调蜂群算法的全局和局部搜索能力，避免出现局部最优状况，同时引入自适应搜索因子和变异因子；提高局部搜索的性能。
[0019]
假设蜂群算法中所有问题都是在d维向量空间条件下求解，蜜源的总数量为n，则初始位置为：
[0020]
new_x
ij
＝x
min,j
rand()(x
max,j-x
min,j
)
[0021]
式中：j＝(1,2,...,d)，i＝(1,2,...,n)并且j≠i，j和i都是随机生成；new_x
ij
是初始解的位置；x
min,j
和x
max,j
是j维的上界和下界；rand()是在(0,1)范围内随机产生的数；
[0022]
(1)自适应搜索因子ω
[0023]
引入ω通过自适应调整种群更新步长增强局部搜索；避免早熟，提高算法收敛速度。
[0024][0025]
式中：ω
min
和ω
max
分别表示惯性权重的最小值和最大值；t
max
表示子种群间最大混
合迭代次数的最大值；c表示当前子种群的总迭代次数；
[0026]
(3)变异因子levy
[0027]
levy变异因子相对于其他算子大大增强算法的全局寻优能力，同时避免算法出现早熟；levy变异因子的引入，在自适应因子的基础上使算法的全局寻优能力增强；引入自适应搜索因子和变异因子后，蜜源初始位置为：
[0028]
new_x
ij
＝[ωx
ij
rand()(x
ij-x
kj
)]
×
lj(t)
[0029]
式中x
ij
为前一个最差蜜源；lj(t)为服从levy分布的随机数；
[0030]
则蜂群算法局部更新策略为：
[0031]
new_x
ij
＝[ωx
ij
rand()(x
ij-x
kj
)]
×
lj(t)
[0032]
x
kj
＝x
kj
x
ij
[0033]
综上所述，本发明主要具有以下有益效果：本发明的基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法可通过采集煤矿带式输送机轴承振动信号，用小波变换和ceemdan对故障信号进行降噪和提取特征向量处理，对特征向量进行聚类处理，接着将聚类产生的聚类簇中的样本输入到神经网络进行训练，并通过人工蜂群算法对bp神经网络权值和阈值进行优化处理，减少神经网络的训练时长和训练样本，避免出现局部最优情况。使用本技术的方法能够有效从强背景噪声和干扰信号中提取到滚动轴承的故障特征向量，很大程度上提高了滚动轴承故障诊断的准确度，对于滚动轴承的故障诊断技术有着重要的意义，并且能够推动故障诊断技术进一步发展。
附图说明
[0034]
图1是本技术提供的基于ap聚类与自适应人工蜂群算法的煤矿带式输送机轴承故障诊断方法的流程图。
[0035]
图2是自适应人工蜂群算法优化bp神经网络模型的算法流程图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
请参考图1，本技术公开了一种基于ap聚类与自适应人工蜂群算法的输送机轴承诊断方法，该方法针对故障轴承旋转工作下提取的振动信号进行分析，即对滚动轴承故障特征提取和降噪处理，结合人工智能算法对故障信号进行诊断，该方法包括：
[0038]
1、收集并创建关于煤矿带式输送机轴承各种故障状态下振动信号的数据集，以数据集为依托，对信号进行小波变换降噪、ceemdan分解信号提取特征向量处理，减小噪声影响并突出故障信号特征。具体步骤为：
[0039]
(1)首先利用小波降噪对原始振动信号进行软阈值降噪得到降噪处理后的振动信号。
[0040]
(2)对降噪后的振动信号，用改进的ceemdan分解，得到各个imf分量。经过验证，改进后的ceemdan分解得到的各imf分量能量中前六个分量具有大部分的能量，剩余分量的能
量非常少，因此，只从前六个分量中提取轴承故障信息。
[0041]
(3)计算各分量的能量值ei：
[0042][0043]ci
为imf分量，根据前6个imf的能量值，计算e的值：
[0044][0045]
(4)构建特征向量t：
[0046]
t＝[e1,e2,e3,e4,e5,e6]
[0047]
由于各imf分量计算后的能量值较大，为方便进行数据处理，对特征向量t做归一化处理：
[0048]
t
′
＝[e1/e,e2/e,e3/e,e4/e,e5/e,e6/e]
[0049]
2、对提取的特征向量进行ap聚类分析；步骤如下：
[0050]
(1)计算相似度矩阵s(i,j)，并且去最小值来填充对角线的元素。
[0051]
s(i,j)＝-||x
i-xj||2(i≠j)
[0052]
(2)利用相似度矩阵s(i,j)得到吸引度矩阵r(i,j)。
[0053][0054]
(3)利用吸引度矩阵r(i,j)求出归属度矩阵a(i,j)。
[0055]
当i≠j时，
[0056][0057]
当i＝j时，
[0058][0059]
(4)将r(i,j)和a(i,j)相加，选取每一行中数值最大的做为聚类的中心点。
[0060]
3、请参考图2，将ap聚类后产生的聚类簇中的样本输入到bp神经网络进行训练，利用改进的自适应人工蜂群算法对故障诊断模型进行优化处理，减少神经网络的训练时长和训练样本，避免局部最优情况的出现。步骤为：
[0061]
(1)ap聚类产生的聚类簇中的样本作为bp网络输入，对bp神经网络进行训练。
[0062]
(2)在训练收敛速度慢时，利用人工蜂群算法优化bp网络训练出的权值(w
np
,w
pq
)和阈值(θi,rj)。
[0063]
(3)根据实际输出数据，是否达到要求，判断所得出的误差是否达到精度要求。
[0064]
(4)经过new_x
ij
＝x
min,j
rand()(x
max,j-x
min,j
)达到要求，则输出最优解，获得最优权值和阈值。
[0065]
(5)否则，搜索蜂根据new_x
ij
＝[ωx
ij
rand()(x
ij-x
kj
)]
×
lj(t)重新找出新的蜜源，输出解的值。
[0066]
(6)如此反复，最后得出最优解。
[0067]
(7)在运算过程中，注意设定的最大迭代次数，超过迭代次数结束训练，否则返回的函数。
[0068]
(8)求出最优解后，根据权值和阈值对bp神经网络进行验证，达到故障诊断的目的。
[0069]
使用本技术提供的方法将原始的振动信号分解为一系列imf分量，提取出信号的特征向量并聚类分析，通过自适应人工蜂群算法与bp神将网络的故障诊断模型，能够有效从煤矿生产的强背景噪声和干扰信号之下提取到滚动轴承的故障特征并诊断，很大程度上提高了滚动轴承故障诊断的准确度，对于滚动轴承的故障诊断技术有着重要的意义，并且能够推动故障诊断技术进一步发展。
[0070]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。