基于PSO- ELM 的滾動軸承故障診斷模式識別方法

張鑫瑞 夏 源 王藝華

（西安工業(yè)大學機電工程學院，陜西 西安710021）

滾動軸承是大型機械設(shè)備的主要構(gòu)成元件，其運行性能對整個機械設(shè)備的運轉(zhuǎn)狀態(tài)有著極其關(guān)鍵的作用，如若發(fā)生故障，會造成的巨大的損失[1]。并且滾動軸承長期處于復雜惡劣環(huán)境，其運行狀態(tài)監(jiān)測困難。

目前，國內(nèi)外的許多學者專家做了大量的研究對于故障診斷的模式分類的問題，主要有基于人工智能、基于知識、基于支持向量機的模式識別方法[2]。2004 年提出了一種新的故障識別方法——極限學習機，由于ELM具有極快的學習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，受到國內(nèi)外人員的關(guān)注，各種改進的ELM方法也層出不窮[3]。

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

1 粒子群算法優(yōu)化的極限學習機

極限學習機算法具有計算量小，參數(shù)調(diào)節(jié)容易，初始輸入權(quán)重和隱含層偏置對算法影響較大的特點，即便節(jié)點參數(shù)不需要通過反向傳播迭代調(diào)整，但對于隱層節(jié)點的作用也會影響，最終導致ELM網(wǎng)絡(luò)結(jié)構(gòu)復雜度的增加，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，本文提出一種將PSO 算法與ELM 算法相結(jié)合的故障檢測方法，利用PSO 算法對ELM 算法的輸入層權(quán)重和隱含層偏置進行優(yōu)化，能有效解決由于ELM隨機產(chǎn)生閾值、輸入權(quán)值所引起的問題，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。從而得到一個最優(yōu)的滾動軸承故障診斷模型，以提升ELM模型的識別準確率。PSO-ELM故障診斷具體實現(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）求每個粒子的適應(yīng)度值；

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

（4）將粒子個體替代原始的個體極值和全局極值；

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

2 滾動軸承故障診斷實例分析

2.1 實驗數(shù)據(jù)

通過使用美國凱斯西儲大學軸承數(shù)據(jù)中心提供的實驗數(shù)據(jù)。電機驅(qū)動端深溝球軸承型號為SKF6205，振動信號由16 通道數(shù)據(jù)記錄儀采集得到，功率和轉(zhuǎn)速通過扭矩傳感器和譯碼器測得，兩種采樣頻率分別為12Khz 和48Khz，電機轉(zhuǎn)速近似為1772r/min。

實驗選取了滾動軸承驅(qū)動端采樣頻率為12K 的數(shù)據(jù)進行研究，分別為滾動軸承的正常狀態(tài)、滾動體故障、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)的負載為1hp，hp 為英制的馬力，1hp=0.75kW，每個時域樣本取1024 點，11 種狀態(tài)的1hp 樣本為100 組。

2.2 滾動軸承狀態(tài)識別實驗

在運用極限學習機進行滾動軸承故障狀態(tài)識別時，應(yīng)該充分考慮隱含層節(jié)點結(jié)構(gòu)，若個數(shù)太少，網(wǎng)絡(luò)對數(shù)據(jù)的擬合能力較差；若個數(shù)太多，網(wǎng)絡(luò)容易出現(xiàn)過擬合現(xiàn)象，無法較好的反映出未知數(shù)據(jù)樣本的特征規(guī)律，分類結(jié)果也不理想。

圖1 不同隱含層節(jié)點個數(shù)的分類準確率

為了確定極限學習機中最優(yōu)的隱含層節(jié)點個數(shù)，固定正則化參數(shù)λ，隱含層節(jié)點個數(shù)m 取值為78 至100。固定的λ 值和隱含層節(jié)點數(shù)對ELM分類準確率的趨勢如圖1 所示，當隱含層節(jié)點個數(shù)增加至88 時，ELM分類準確率最高達到93.45%，故本文選定λ=0.5，隱含層節(jié)點個數(shù)為88。

本文分別將PSO-ELM 和ELM 兩種故障識別方法進行對比，其中圖2 和圖3 可以看出，通過粒子群優(yōu)化過的ELM 比未優(yōu)化ELM的準確率提高了4.26%，并且期望輸出和實際輸出相差無幾，說明沒有優(yōu)化的極限學習機的識別準確率較低，不能達到預期的效果。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 識別結(jié)果圖

圖3 PSO-ELM 識別結(jié)果圖

表1 不同識別方法下的故障識別結(jié)果

3 結(jié)論

本文針對極限學習機訓練速度較慢，容易陷入局部極小值點，并且其輸入權(quán)值和閾值是隨機產(chǎn)生的，對故障診斷的結(jié)果具有一定影響的問題，提出了利用粒子群算法對極限學習機結(jié)構(gòu)進行優(yōu)化，用該方法可以得到極限學習機所需參數(shù)的最優(yōu)解，實現(xiàn)滾動軸承的故障識別。通過PSO-ELM和ELM實驗結(jié)果的比較，可以看出PSO-ELM在識別準確率和所需的時間方面比其他兩種方法更優(yōu)秀，識別準確率與ELM提升了4.26%。

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