Makaralı Rulmanların Hata Teşhisinde MCKD ve Geliştirilmiş LSSVM Uygulaması
0 Önsöz
Makaralı rulmanlar, dönen makinelerin eklemleri olarak bilinir ve sağlıkları tüm ekipmanın çalışmasıyla ilgilidir. Aşınma, aşırı yüklenme, aşırı basınç ve diğer nedenler rulmanın arızalanmasına neden olduğunda makinenin anormal şekilde titremesine ve gürültüye neden olur.Ağır durumlarda endüstriyel kazalara neden olur ve üretim sürecini geciktirir.Bu nedenle, rulmanların arıza teşhisi önemli araştırma değerine sahiptir.
Teknolojinin gelişmesiyle birlikte, rulmanların arıza tespiti ve teşhisi seviyesi de büyük ölçüde iyileştirildi. Literatür, hata özelliklerini çıkarmak için dalgacık paketi dönüşümünün özelliklerini kullanır ve hataların doğru sınıflandırmasını elde etmek için aşırı öğrenme makinesi ile birleştirir. Literatür, rulmanın titreşim sinyalini gidermek için ayrık Meyer dalgacık kullanır ve ardından arıza sınıflandırması için Destek Vektör Makinesi (SVM) kullanır. Literatür, çıkarılan sinyalleri işlemek, arıza özelliklerini yansıtan hassas bileşenleri çıkarmak ve arıza teşhisini tamamlamak için spektral basıklık yardımıyla zarf spektrumunu oluşturmak için deneysel mod ayrıştırma algoritmasını kullanır.
Önceki çalışmalara dayanarak, rulman arızalarının erken aşamalarındaki zayıf arıza özelliği bilgileri göz önüne alındığında, genel yöntemlerin arıza etki bileşenlerinin öznitelik çıkarımını verimli bir şekilde teşhis etmesi zordur.Bu makale, rulmanlı yatak arıza sinyalini analiz etmek için Maksimum Korelasyonlu Kurtosis Ters Evrişimi (MCKD) kullanır. Özellik çıkarımı gerçekleştirilir ve En Küçük Kareler Destek Vektör Makinesi (LSSVM) parametrelerini optimize etmek için geliştirilmiş Guguklu Arama (ICS) algoritması kullanılır ve rulmanlı yatakların arıza teşhisi için optimize edilmiş LSSVM kullanılır.
1.1 Maksimum korelasyon basıklık ters evrişim algoritması
MCKD algoritması, sinyalin korelasyon basıklığını maksimize etmeye, sinyalde gizlenen şok bileşenlerinin periyodikliğini kullanmaya ve sinyaldeki çeşitli gürültü türleri tarafından batırılan periyodik arıza darbelerini geliştirmek için ters evrişim işlemini kullanmaya dayanır. Erken arıza sinyallerinde iyi sonuçlar.
Sensör tarafından toplanan yatak arızasının titreşim sinyali:
F filtre katsayısıdır.
1.2 Geliştirilmiş en küçük kareler vektör makinesi algoritmasını destekler
LSSVM, en küçük kareler doğrusal teorisini SVM'ye getirir, fonksiyon tahmin problemini çözmek için ikinci dereceden programlama kullanır ve ampirik risk ve güven aralığını en aza indirme ilkesine göre, algoritmanın daha yüksek bir genelleme yeteneği vardır. LSSVM hata teşhisinin performansı, çekirdek işlevi parametresi ve ceza faktörüne bağlıdır, bu nedenle algoritma teşhis sürecinin optimizasyonu, bu parametre setinin optimizasyonuna dönüştürülür.
Guguk Arama (CS) algoritması, guguklu popülasyon yuva parazitizminin üreme stratejisine dayanır ve kuşların özel uçuş modu aracılığıyla optimum yumurtadan çıkmış yumurtayı bulur.Bu davranış, etkili parametre optimizasyonu amacına ulaşabilir. Algoritmanın özü, yeni çözümü önceki düşük çözümün yerini alacak daha iyi çözümle karşılaştırmaktır.
2 Arıza teşhis parametre optimizasyonunun iyileştirilmesi
2.1 Tanıma olasılığı Pa'nın iyileştirilmesi
CS algoritması parametreleri, Pa olasılığının arasında olduğunu bulduğunda, global aranabilirliği yineleme sayısının artmasıyla kademeli olarak artar. Bu nedenle, uygun bir Pa aralığında, keşif olasılığı Pa'yı iyileştirmek için dinamik bir uyarlamalı mekanizma kullanılır:
2.2 Uyarlanabilir adım boyutunun iyileştirilmesi
Yapay olarak belirlenmiş deneysel değerlere dayanmayan kendi kendine adaptasyon etkisini yaratmak için, Lévy uçuşunun arama adımı boyutunu rastgele belirleyerek neden olduğu etkiyi azaltın ve küresel optimizasyon yeteneği ile optimizasyon doğruluğu arasındaki ilişkiyi aşağıdaki gibi ele alın:
Formülde ni, i-inci kuşun yuva konumunu temsil eder, nbest en iyi kuş yuvası konumunu temsil eder ve dmax, kuş yuvasının en iyi konumu ile diğer konumlar arasındaki en uzak mesafeyi temsil eder. Bu temelde, uyarlanabilir bir adım boyutu ayarlama stratejisi önerilmiştir:
Formülde stepmax ve stepmin, maksimum ve minimum arama adımlarını temsil eder. Bu yinelemenin adım uzunluğu, önceki yinelemenin sonucu ile otomatik olarak güncellenebilir ve son olarak = stepi olarak ayarlanabilir. Şimdiye kadar, uyarlanabilir adım uzunluğunun ifadesi elde edilir ve optimal parametre ve ceza faktörü C'nin kombinasyonu hesaplama ile doğrulanır.
3 Sorun giderme adımları
Platform tarafından toplanan titreşim sinyalleri üzerinde özellik çıkarımı gerçekleştirilir ve elde edilen özellik verileri kategoriler halinde gruplandırılarak deneysel model için eğitim örnekleri ve test örnekleri olarak kullanılır. Modelin öğrenme sürecinde, ICS algoritması, teşhisin doğruluğunu artırmak için en iyi parametre kombinasyonunu bulmak için kullanılır.Özel arıza teşhis adımları aşağıdaki gibidir ve akış şeması Şekil 1'de gösterilmiştir.
4 deney
4.1 MCKD'nin sinyallerin özellik çıkarımı
Vibrasyon sinyali Case Western Reserve Üniversitesi'nin rulman veri tabanından alınmıştır.Deneysel platform ana motor, deneysel yatak, sinyal toplama için sensör ve kontrolörden oluşmaktadır. Platformda SKF rulmanları kullanılmaktadır, sistemin örnekleme frekansı 20 kHz, örnekleme uzunluğu 8192 ve motor hızı 1797 r / m'dir. Yatak yapısı parametreleri Tablo 1'de gösterilmektedir.
Deney dört çalışma koşulu altında, yani yuvarlanma elemanı soyma sinyali, iç halka soyma sinyali, dış halka soyma sinyali ve normal çalışma altında titreşim sinyali olmak üzere dört çalışma koşulunda, rulmanın titreşim sinyallerini topladı. Dalga formu Şekil 2'de gösterilmektedir. Bu dört tip titreşim dalga formunda şok bileşenlerinin olduğu görülmektedir, ancak bu şok tepki yasaları açık değildir Test edilecek sinyali (Şekil 2 (e)) spektrogram analizinden ayırmak zordur. Denemeyi zorlaştıran çalışma durumu.
Bu dört tip sinyalin özelliklerini çıkarmak için MCKD'yi kullanın.Sinyal özelliği çıkarma için MCKD'nin adımları aynı olduğundan, bu makale Şekil 3 (a) 'da gösterildiği gibi dış halka soyma sinyaline odaklanır, sinyaldeki özellik bilgisini çıkarmak için adım (1) yöntemini izleyin , Şekil 3 (b) 'de gösterildiği gibi. Giriş sinyali ile MCKD tarafından işlenen sinyal karşılaştırıldığında, sinyaldeki parazit parazitinin filtrelendiği, parazite batan zayıf impuls yanıtının arttığı, sinyal periyodunun bulunabileceği ve veri boyutunun sınırlı sayıda yineleme öncülüğünde azaldığı görülebilir. Sayın, sinyalin karakteristik bilgilerini çıkarın.
4.2 Geliştirilmiş guguklu algoritma parametre optimizasyonunun karşılaştırılması
Parametre optimizasyonunda ICS'nin üstünlüğünü doğrulamak için, parametre optimizasyonunun performansını karşılaştırmak için partikül sürüsü optimizasyonu (PSO), genetik algoritma (GA) ve standart CS algoritması seçilmiştir. Çeşitli algoritmaların optimizasyon karşılaştırması Şekil 4'te gösterilmektedir. Algoritmanın parametre optimizasyon sürecinde yineleme sayısı 200 kattır.PSO algoritmasının öğrenme faktörü parametreleri c1 = 2.8, c2 = 1.3 ve popülasyon büyüklüğü GA algoritması ile tutarlıdır, yani 25; CS algoritması ve ICS algoritması, kuş yuvalarının sayısı da 25'tir. Optimizasyon eğrisinden, ICS algoritmasının optimizasyon hızı açısından diğer algoritmalardan daha hızlı olduğu, daha yüksek yakınsama doğruluğuna sahip olduğu ve diğer algoritmalardan daha kararlı olduğu görülmektedir.Bu nedenle, ICS algoritması LSSVM parametrelerini optimize etme konusunda daha güçlü bir yeteneğe sahiptir. Veriler ayrıca daha güvenilirdir.
4.3 Hata teşhisi
MCKD algoritması, rulmanın dört durumunun özelliklerini çıkarmak için kullanılır ve farklı durumlardaki rulman titreşim karakteristik sinyallerinin dürtü yanıtları elde edilir.Bu dürtü yanıtları, LSSVM'nin örnek kümesi olarak kullanılır. Deneyde, 4 titreşim karakteristik sinyalinin her birinden 16 grup ve toplam 64 veri grubu vardır. Önişlemeden sonra 4 tip özellik verisi türlerine göre 1, 2, 3 ve 4 olarak etiketlenir ve her özellik sinyalinin 8 grubu LSSVM modelinin girişi olarak rastgele seçilir ve kalan 8 grup model test örnekleri olarak kullanılır, 32 Grup eğitimi, 32 grup test. Teşhis ve tanımlama sürecine göre, ICS algoritması LSSVM parametrelerini optimize etmek için gerçekleştirilir ve son C 11.8729 ve 8.7850'dır. Test sinyali örnekleri LSSVM sınıflandırıcı tarafından tanımlanır ve ayar doğruluğu% 1'dir. , Elde edilen tanıma sonucu Şekil 5'te gösterilmektedir. Benzer şekilde, bu 64 set veri örneği, hata teşhisi ve tanımlama için diğer algoritmalara uygulanır ve elde edilen teşhis ve tanımlama sonuçları Tablo 2'de gösterilmiştir.
Şekil 5 ve Tablo 2'den görülebileceği gibi, arıza kategorisi belirlendiğinde, diğer üç optimizasyon yöntemi ile karşılaştırıldığında, LSSVM'nin ICS ile geliştirilmiş teşhis yönteminin, daha iyi tanıma oranına ve daha yüksek teşhis etkisine sahip olduğu görülmektedir. Diğer algoritmalarla karşılaştırıldığında, önerilen yöntem uygulanabilir.
5. Sonuç
Bu makale, MCKD'yi geliştirilmiş ve optimize edilmiş LSSVM ile birleştiren ve bunu rulmanlı yatak arıza teşhisi ve tanımlama alanına uygulayan bir algoritma önermektedir.Ölçülen verilerin analizi ile aşağıdaki sonuçlar elde edilir:
(1) MCKD, zayıf arıza titreşim sinyallerinin ayıklanması sorununu çözer Sınırlı sayıda yineleme durumunda, gürültü paraziti altında yatağın titreşim sinyalini artırabilir ve karakteristik bilgileri çıkarabilir;
(2) Geliştirilmiş algoritma, optimum parametrelerin arama hızında ve yakınsama doğruluğunda diğer öğrenme algoritmalarından daha yüksektir ve geliştirilip kullanılabilir; yuvarlanma hatalarının teşhisi ve tanımlanmasında iyi etkilere sahiptir ve rulman arıza teşhisinin zamanında ve doğru bakımı için kullanılabilir. teknik destek sağlayın.
Deneyde kullanılan sınırlı rulman hatası türleri nedeniyle, teşhis doğruluk oranı% 100 olmasına rağmen, uyarlanabilirliğinin iyileştirilmesi gerekmektedir, bu nedenle bir sonraki görev, örneklerin hata kategorilerini artırmak ve pratik uygulamaların ihtiyaçlarını karşılamak için algoritmanın uyarlanabilirliğini daha da iyileştirmektir. .
Referanslar
Zhang Meiling, Hu Xiao. LCD'ye ve geliştirilmiş SVM'ye dayalı yatak arıza teşhis yöntemi. Elektronik Teknolojinin Uygulanması, 2016, 42 (6): 81-83, 86.
Cheng Wentao, Deng Fangming, Hao Yong, ve diğerleri.Dalga ve ELM'ye dayalı devre hatası teşhis yöntemleri üzerine araştırma.Enstrümantasyon Teknolojisi ve Sensörleri, 2016 (7): 89-92.
ABBASION S, RAFSANJANI A, FARSHIDIANFAR A, vd., Dalgacık denoising ve destek vektör makinesine dayalı döner eleman yatakları çoklu hata sınıflandırması.Mekanik Sistemler ve Sinyal İşleme, 2007, 21 (7): 2933-2945.
Cai Yanping, Li Aihua, Shi Linsuo ve diğerleri EMD ve spektral basıklığa dayalı rulman arıza tespiti için geliştirilmiş zarf spektrum analizi. Titreşim ve Şok, 2011, 30 (2): 167-172.
Tang Guiji, Wang Xiaolong, Uyarlanabilir maksimum korelasyon basıklık ters evrişim yöntemi ve yatakların erken arıza teşhisinde uygulaması Çin Elektrik Mühendisliği Bildirileri, 2015, 35 (6): 1436-1444.
Tang Guiji, Wang Xiaolong. Zarf spektrum seyrekliği ve maksimum korelasyon basıklığı ters evrişime dayalı olarak makaralı rulmanlar için erken arıza teşhis yöntemi Çin Makine Mühendisliği, 2015, 26 (11): 1450-1456.
Song Yuqin, Zhu Zijuan, Ji Yinfei. Kaba Set Optimizasyonuna Dayalı Bilgi Füzyon Hata Teşhis Sistemi Elektronik Teknoloji Uygulaması, 2015, 41 (8): 143-145.
Zhang Chaolong, Jiang Julang, Jiang Shanhe, vb. Geliştirilmiş PSO algoritmasına dayalı LSSVM saldırı tespit modeli Elektronik Teknolojisi Uygulaması, 2010, 36 (10): 132-135.
Xiao Huihui, Duan Yanming. Diferansiyel evrime dayalı Guguk kuşu arama algoritması Bilgisayar Uygulamaları, 2014, 34 (6): 1631-1635.
YANG X S, DEB S. Harcama uçuşları aracılığıyla Guguk kuşu araması.Dünya Kongresi Doğa ve Biyolojik Esinlenen Hesaplama IEEE, 2009: 210-214.
Wang Qingxi, Guo Xiaobo. Levi uçuşuna dayalı parçacık sürüsü optimizasyon algoritması. Bilgisayar Uygulama Araştırması, 2016, 33 (9): 2588-2591.
He Xingshi, Li Na, Yang Xinshe, vb. Çok nesneli guguklu arama algoritması, Journal of System Simulation, 2015, 27 (4): 731-737.
yazar bilgileri:
Liu Bo, Yi Hui, Bo Cuimei, Zhuang Chengcheng
(Elektrik Mühendisliği ve Kontrol Bilimi Okulu, Nanjing Teknoloji Üniversitesi, Nanjing 211816, Jiangsu)
