一种磁悬浮转子系统的故障智能诊断方法与流程

[0001]
本发明涉及轴承保护领域，具体涉及一种磁悬浮转子系统的故障智能诊断方法。


背景技术：

[0002]
主动磁悬浮轴承-转子系统(active magnetic bearing,amb)因其与传统轴承-转子系统相比具有无摩擦、能耗低等多项优点而备受关注。amb系统具有高度非线性，转子在临界转速下出现的混沌现象是一前沿问题，因此，如何为磁悬浮-转子系统提供一个稳定的控制算法及精准的混沌分析方法成为了该系统的热点研究问题之一。
[0003]
对于非线性轴承-转子系统的控制，可以通过传统的比例微分控制算法、滑模控制算法等实现，但时滞可能带来的分岔等不稳定因素会对系统控制的稳定性造成不利影响。同时，高速转动下的amb系统呈现柔性特征，通常用有限元法进行建模分析，但其具有较大的计算复杂度。
[0004]
amb系统正常的轴心轨迹应为稳定，长短轴相差不大的椭圆轨迹，由于一些故障情况下便形成其他形状，在混沌过程中表现尤为明显，在跨阶运动后可能会一直保持故障轨迹转动。轨迹形状通常可以直接代表故障类型，通过机器学习中的分类算法对轨迹进行识别可以帮助分析故障原因。
[0005]
而在实验过程中所采集的轨迹数据会出现大量的冗余，会影响到机器学习的分类效果。因此需要精简数据并通过算法实现智能识别。


技术实现要素：

[0006]
本发明要解决的技术问题是，针对现有技术存在的上述缺陷，提供了一种磁悬浮转子系统的故障智能诊断方法。
[0007]
本发明为解决上述技术问题所采用的技术方案是：
[0008]
一种磁悬浮转子系统的故障智能诊断方法，其特征在于，包括以下步骤：
[0009]
1)采集不同故障情况下的磁悬浮转子系统的轴心轨迹图；
[0010]
2)对各轴心轨迹图进行提纯去噪处理；
[0011]
3)通过hu不变矩理论将各轴心轨迹图转为对应的7个不变矩，7个不变矩形成一个特征向量；
[0012]
4)通过帝国竞争算法(ica)对各轴心轨迹图的特征向量进行筛选精简，剔除不合格轴心轨迹图；
[0013]
5)用精简后多个不同故障情况下轴心轨迹图的特征向量对有向无环图支持向量机(svm)模型进行分类训练；
[0014]
6)对磁悬浮转子系统的轨迹实时监测，提取故障中磁悬浮转子系统的轴心轨迹图，将提取的轴心轨迹图输入训练后的支持向量机(svm)模型中进行分类识别，通过分类识别结果判断出对应的故障类型。
[0015]
按上述技术方案，所述步骤1)中提取磁悬浮转子系统轴心轨迹的方法为：
[0016]
1.1)通过位移传感器捕捉磁悬浮轴承转子系统的轴心位移信号；
[0017]
1.2)使用数据采集卡将位移信号采样保存，并转存到数据库；
[0018]
1.3)通过matlab对位移信号进行小波变换去噪处理，得到转子的运动轨迹。
[0019]
按上述技术方案，所述步骤2)中，对各轴心轨迹图进行提纯去噪处理的具体过程包括以下步骤：采用canny算子算法高斯滤波去除轴心轨迹图噪声，再对轴心轨迹图依次进行边缘提取、二值化、填充处理；最后得到二值化边缘轮廓。
[0020]
按上述技术方案，在所述的步骤4)中，不合格轴心轨迹图为梅花形或紊乱形干扰轨迹。
[0021]
按上述技术方案，如果轴心在前后周期中的运动轨迹，其形状和大小不断变化，不能重合，即可判断为轴心轨迹紊乱，将导致故障分类识别的准确性和判断效率减弱。紊乱形轨迹其hu不变矩特征不收敛，经本智能诊断方法寻优及映射，可从最优解集中予以剔除。因此通过智能诊断方法，精简轴心轨迹不变矩特征数据的冗余数据，即完成不合格的轴心轨迹图像剔除工作。
[0022]
按上述技术方案，在所述的步骤5)中，先对各种轨迹进行两两组合，分别进行二分类，根据识别的准确率设置最佳的分类节点。
[0023]
按上述技术方案，所述步骤1)中，轴心轨迹图的形状为4种，分别为外八字形、椭圆形、内八字形和月牙形；
[0024]
在所述的步骤5)中，有向无环图支持向量机的底层节点分别为外八形、椭圆形、内八形和月牙形。
[0025]
按上述技术方案，在所述的步骤1)中，所述的不合格轴心轨迹图是指具有不属于用于分类的4种轴心轨迹图的不变矩特征；即其他紊乱型无法得到可用于分类的不变矩特征，均为为不合格轴心轨迹。
[0026]
按上述技术方案，非故障的轴心轨迹为一个较为稳定的、长短轴近似的椭圆，其他为故障轴心轨迹，故障轨迹分别为月牙状、外八字形、内八字型四种，具有明显的不变矩特征。
[0027]
按上述技术方案，在所述的步骤5)中，有向无环图svm是将多个二分类支持向量机组合在一起，对于一个n元的分类问题，一共有n(n-1)/2个二分类器与内部节点，最后产生n个叶子节点，即n个最终分类.训练分类开始时，由第一个节点，即根节点出发一次得到下一层的分类导向，最后得到所需分类。
[0028]
按上述技术方案，在所述的步骤5)中，将外八字形和内八字形的轨迹分别与椭圆形和月牙形轨迹进行组合，形成外八字形+椭圆形，外八字形+月牙形，内八字形+椭圆形，内八字形+月牙形的两两组合的子集，利用之前寻优后得到的训练样本输入到已设置的有向无环图svm支持向量机进行训练，然后将测试样本输入到训练的svm模型中进行测试。
[0029]
按上述技术方案，将样本集数据被等分为4个子集，每个子集中的样本数为40，每个子集是测试集。
[0030]
按上述技术方案，有向无环图支持向量机算法结合了图论中有向无环图的思想，将多个二分类支持向量机组合在一起，对于一个n元的分类问题，一共有n个二分类器与内部节点，最后产生n个叶子节点，即n个最终分类。训练分类开始时，由第一个节点，即根节点出发一次得到下一层的分类导向，最后得到所需分类。
[0031]
由于样本的数量不够多，根据k-fold交叉验证方法,样本集数据被等分为4个子集,每个子集中的样本数为40，每个子集是测试集，任何不重复的3个子集构成4个训练集；k-fold交叉验证方法没有测试实验，而是由验证实验代替。
[0032]
与c4.5决策树和bp神经网络进行对比，在小样本的情况下,c4.5决策树和bp神经网络的准确性不如svm的精度.对于c4.5决策树,增加训练样本对信息熵增益率的影响不明显,识别率的增加并不显著.对于bp神经网络,训练样本数量不足以训练模型,并且准确性明显低于svm和c4.5决策树.与另外两种方法相比,svm对小样本分类更有效,更适用于磁轴承-转子系统的轴心轨迹识别。
[0033]
通过表3中各阶不变矩的数据可以看出，同类型的轴心轨迹的hu不变矩具有一定的相似性，相似的形状其不变矩在相同位置呈现近似的极大值与极小值，同时，不同形状的不变矩也存在一定的差异性，在相应位置不变矩的极大值和极小值数值呈现较大的差异。
[0034]
根据上述建立的有向无环图svm模型可知，若每一层的节点设置不佳，会导致特征值相似的两类轨迹不易区分，对最后的识别分类造成的影响较大，这里要先对每两种轨迹组合,分别进行二分类.根据识别的准确率设置最佳的分类节点,二分类的结果如表4所示。
[0035]
本发明具有以下有益效果：
[0036]
1、本发明使用帝国竞争算法剔除同种类轴心轨迹图特征向量中的冗余数据和误差数据，使得支持向量机(svm)学习分类的效率大大提升，支持向量机(svm)对故障中磁悬浮转子系统的轴心轨迹的识别更准确，为轴心轨迹识别及故障预警提供了新的思路与方法。
[0037]
2、本发明围绕非线性amb系统的稳定控制与柔性转子的混沌现象进行深入分析，提出相应的解决算法,构建了仿真计算理论分析平台，对实验获得的混沌状态下amb系统分别处于正常与故障工况下的轴心轨迹数据进行辨识与分类。
附图说明
[0038]
图1是本发明实施例中所述的转子四种故障下的轴心轨迹图；
[0039]
图2是本发明实施例中所述的帝国竞争算法的流程图；
[0040]
图3是本发明实施例中所述的帝国竞争算法筛选出的3种不合格轴心轨迹图；
[0041]
图4是本发明实施例中所述的帝国竞争算法与粒子群算法的优化过程对比图；
[0042]
图5是本发明实施例中所述的有向无环图算法的算法结构图；
[0043]
图6是本发明实施例中所述的k-fold交叉验证支持向量机的识别结果的线性图。
[0044]
图7是本发明实施例中所述的相同训练样本的支持向量机、c4.5决策树和bp神经网络分类模型的分类结果对比线性图。
具体实施方式
[0045]
下面结合附图和实施例对本发明进行详细说明。
[0046]
参照图1～图6所示，本发明提供的一种实施例中磁悬浮转子系统的故障智能诊断方法，包括以下步骤：
[0047]
1)磁悬浮转子位移传感器捕捉不同故障情况下的磁悬浮轴承转子系统的20组位移信号；
[0048]
2)使用数据采集卡将位移信号采样保存，并转存到数据库；
[0049]
3)通过matlab对位移信号进行小波变换等去噪处理，得到转子的运动轨迹；
[0050]
4)采用canny算子算法高斯滤波，去除轴心轨迹图噪声,边缘提取轴心轨迹图，进行二值化、填充等处理；
[0051]
5)根据轴心轨迹图的形状将其分为4类，如图1所示，分别为外八字形(图1中a图)、椭圆形(图1中b图)、内八字形(图1中c图)和月牙形(图1中d图)；
[0052]
6)通过hu不变矩理论将单个轴心轨迹图对应转化为7个不变矩，计算7个不变矩的特征值，7个特征值组成一个特征向量；
[0053]
7)使用帝国竞争算法(ica)剔除同种类轴心轨迹图特征向量中的冗余数据和误差数据，从而筛选；
[0054]
8)使用支持向量机(svm)中的有向无环图算法对精简后的轴心轨迹图多分类进行训练；
[0055]
9)提取故障中磁悬浮转子系统的轴心轨迹，将轴心轨迹图输入训练后的支持向量机(svm)中进行识别，对识别结果进行分析处理即可得到磁悬浮转子系统的故障类型。
[0056]
进一步地，步骤6)中的hu不变矩理论，将一维信号经归一化处理后拓展到二维空间，从而得到较为敏感的二维图形的各阶矩。该理论能够提取轴心轨迹真实边缘的特征值，且不变矩具有平移、旋转、比例不变性。不变矩并不是在原图形的各种几何变换下看都是严格一致的，而是在一定范围内波动，每种轴心轨迹则对应在某个特定范围内波动的7个不变矩。
[0057]
7个不变矩h1—h7的函数式为
[0058][0059]
其中定义(p+q)阶归一化中心矩η
pq
为
[0060][0061]
中心矩μ
pq
为
[0062][0063]
图像重心为
[0064][0065]
原点矩m
pq
为
[0066][0067]
通过上述不变矩函数式将单个轴心轨迹图对应转化为7个不变矩，计算7个不变矩的特征值，7个特征值组成一个特征向量，得到20组特征向量，如表1所示，作为训练样本。
[0068]
表1
[0069][0070][0071]
通过表1中各阶不变矩的数据可以看出，同类型的轴心轨迹的hu不变矩具有一定的相似性，相似的形状其不变矩在相同位置呈现近似的极大值与极小值，同时，不同形状的不变矩也存在一定的差异性，在相应位置不变矩的极大值和极小值数值呈现较大的差异。
[0072]
进一步地，步骤7)中的帝国竞争算法(ica)其使用原理为：在ica中，一个帝国的总权力为帝国主义者的权力加上其殖民地权力平均值。一个拥有更大权力的强大帝国将以较少的权力剥夺较弱帝国的殖民地。帝国的力量越弱，就会失去越多的殖民地，直至消失。期间还将有新的帝国，继续重复帝国同化，直至找到全局最优点。
[0073]
帝国的总权力定义如下
[0074][0075]
其中imp
n
是第n个帝国的帝国主义国家，tc
n
是第n个帝国的总权力，nc
n
是第n帝国的初始殖民地数量，ξ是帝国主义的影响因素，规定了殖民地成本对帝国总权力的影响，并且0＜ξ＜1。
[0076]
根据帝国的总权力，选择最弱的帝国的最弱殖民地作为帝国竞争的对象。帝国越强大，就越有可能赢得殖民地。
[0077]
帝国的标准化总权力是
[0078][0079]
每个帝国在竞争中赢得最弱殖民地的概率为
[0080][0081]
较弱的帝国将根据上述概率p
n
失去其殖民地，帝国的之间的优势差异变得更加明显，而较弱的帝国最终会因大量殖民地的丧失而消亡。每次迭代后选择权力最大的帝国的imp为最优解，若满足全局最优解，则停止，否则返回帝国同化，重复帝国竞争。
[0082]
帝国竞争算法(ica)的具体步骤如表2所示。
[0083]
表2
[0084][0085]
帝国竞争算法流程图如图2所示。
[0086]
在帝国竞争算法(ica)对上述实验得到的轨迹数据优化过程中，轨迹在第60次迭代是得到了最优解y，即样本与标准值间的差值在3.4
×
10-6
附近。经过帝国竞争算法(ica)寻优后的不变矩特征值如表3所示。
[0087]
表3
[0088][0089][0090]
寻优后的图像经过与原图像对比可知，帝国竞争算法将如图3所示的不合格的图像剔除，由此可知，不合格的紊乱形被成功剔除，完整保留了需要识别的4种图形样本，很好的精简了冗余数据。
[0091]
进一步地，将步骤6)得到20组特征向量，采用粒子群算法(pso)对水电机组轴心轨迹的冗余数据精简，相同的数据集通过帝国竞争算法(ica)与粒子群算法(pso)进行优化得到的对比优化过程如图4所示。
[0092]
由图4可知，与粒子群算法(pso)相比，帝国竞争算法(ica)的收敛速度更快，适合于快速地对得到的轨迹数据进行优化。由此可知帝国竞争算法(ica)在主动磁悬浮轴承转子系统冗余轨迹数据的精简上具有更优异的成效。
[0093]
进一步地，步骤8)中的支持向量机最初主要用于二分类情况，但是在实际工程应用中，多类分类问题更为广泛。支持向量机的多分类方法主要分为两类：第一类方法是针对整体中寻找一个多分类模型，同时进行多分类，但这类方法中目标函数十分复杂，计算量巨大，不易实现；第二类方法是通过构造多个二分类模型进行多分类，此类方法应用更为广泛，如二叉树算法，“一对一”、“一对多”多分类算法，有向无环图算法等。
[0094]
有向无环图算法的算法结构图如图5所示，根据有向无环图算法的算法结构图可知，该算法结合了图论中有向无环图的思想，将多个二分类支持向量机组合在一起，对于一个n元的分类问题，一共有n(n-1)/2个二分类器与内部节点，最后产生n个叶子节点，即n个最终分类。训练分类开始时，由第一个节点，即根节点出发一次得到下一层的分类导向，最后得到所需分类。
[0095]
根据上述建立的有向无环图svm模型可知，若每一层的节点设置不佳，会导致特征值相似的两类轨迹不易区分，对最后的识别分类造成的影响较大。这里要先对每两种轨迹组合，分别进行二分类，根据识别的准确率设置最佳的分类节点,二分类的结果如表4所示。
[0096]
表4
[0097][0098]
由表4的二分类结果显示，内八与外八，环形与月牙这两个组合的识别率稍低，故分类节点按其它组合设置即可，这里将节点设置为：1、外八形；2、椭圆形；3、内八形；4、月牙形。利用之前寻优后得到的训练样本输入到已设置好节点的有向无环图svm支持向量机进行训练。
[0099]
进一步地，使用k-fold交叉验证方法，将测试样本输入到经步骤8)训练后的支持向量机(svm)中进行测试。根据k-fold交叉验证方法，样本集数据被等分为4个子集，每个子集中的样本数为40，每个子集是测试集，任何不重复的3个子集构成4个训练集。k-fold交叉验证方法没有测试实验，而是由验证实验代替。试验结果如图6所示。
[0100]
由图6可知，平均正确率达到93.13％，表明训练后的多分类svm对验证集数据的识别效果比较理想。
[0101]
进一步地，为了研究样本数量对支持向量机(svm)分类识别率的影响，采用样本数为96、128、160、192和240共5组不同的训练样本进行训练，对比相同样本数量下的平均识别率，分类结果如表5所示。
[0102]
表5
[0103][0104]
从表5的分类结果可以看出，svm的准确率都会随着样本数量的增加而增加，在128个样本的情况下就已经可以达到很高的识别率。
[0105]
进一步地，为了验证支持向量机(svm)的准确性，基于k-fold交叉验证方法对相同训练样本的支持向量机(svm)、c4.5决策树和bp神经网络分类模型进行对比。分类识别结果如图7所示。
[0106]
从图7的分类结果可以看出，三种方法的准确度都会随着样本数量的增加而增加。在小样本的情况下，c4.5决策树和bp神经网络的准确性不如支持向量机(svm)的精度。
[0107]
对于c4.5决策树，增加训练样本对信息熵增益率的影响不明显，识别率的增加并不显著。
[0108]
对于bp神经网络，训练样本数量不足以训练模型，并且准确性明显低于支持向量机(svm)和c4.5决策树。
[0109]
与另外两种方法相比，支持向量机(svm)对小样本分类更有效，更适用于磁轴承-转子系统的轴心轨迹识别。
[0110]
以上的仅为本发明的较佳实施例而已，当然不能以此来限定本发明之权利范围，
因此依本发明申请专利范围所作的等效变化，仍属本发明的保护范围。