基于粒子群优化以及深度胶囊网络的轴承故障诊断（学习记录）

最新推荐文章于 2023-08-05 12:01:36 发布

哦我就想贝佳斯

最新推荐文章于 2023-08-05 12:01:36 发布

阅读量521

点赞数 1

分类专栏：胶囊网络故障诊断文章标签：学习算法深度学习

本文链接：https://blog.csdn.net/qq_45549605/article/details/126986805

版权

胶囊网络同时被 2 个专栏收录

8 篇文章 3 订阅

订阅专栏

故障诊断

8 篇文章 1 订阅

订阅专栏

一、摘要

针对发动机轴承损坏情况严重以及基于模型方法预测精度不稳定的问题，提出一种基于深度胶囊网络和粒子群优化算法的轴承故障预测方法。通过将观测振动信号自适应降噪后，基于粒子群优化算法进行稀疏盲分离，得到轴承振动信号，通过 S 变换获取时域图以及轴承振动特征，其次将时域图经由卷积层卷积，输入到胶囊层进行预测。将高低胶囊层之间的算法转化为数学优化问题，提升传输效率，最后得出高层胶囊的预测向量。结合具体轴承监测数据进行实例分析，与基于数据的浅卷积网络以及经验模态分解预测相比，算法体现了更稳定更精确的预测性能。

二、算法及相关原理

2.1 自相关去噪

自相关降噪法在轴承振动信号的降噪中并不依靠先验信息的同时保留有用信息，可以用于观测信号的降噪。根据相关函数式

$R_{x}(\tau )=\lim_{T\rightarrow \propto }\frac{1}{T}\int_{0}^{T}x(t)x(t+\tau )dt$

其中，T为周期， $\tau$ 为时延。可以看出周期信号的自相关系数与原信号同周期，可以将自相关函数应用到轴承信号的降噪中，同时可以最大保留有用信号，有效降低信号中的非周期高斯白噪声。从下图可以看出，在 $\tau =0$ 附近的自相关值比较大，这可能是受到了噪声的影响，因此在实际处理时去掉 $\tau =0$ 附近的部分自相关数据。当 $\tau$ 很大时，自相关值也比较大，将这一部分数据也去掉。

2.2 粒子群算法（PSO）

粒子群算法时一种模仿鸟群、鱼群觅食行为发展起来的一种进化算法。粒子群算法中每一个粒子的位置代表了待求问题的一个候选解。每一个粒子的位置在空间内的好坏是由钙离子的位置在待求问题中的适应度值来确定。每一个粒子在下一代的位置有其在这一代的位置与其自身的速度矢量决定，其速度决定了粒子每次飞行的方向和距离。在飞行过程中，粒子会记录下自己所到过的最优位置Ｐ，群体也会更新群体所到过的最优位置Ｇ。粒子的飞行速度则由其当前位置、粒子自身所到过的最优位置、群体所到过的最优位置以及粒子此时的速度共同决定。

算法流程：

Step 1. 初始化规模为N的粒子群，每个粒子的速度和位置随机。

Step 2. 评价每个粒子的适应值。

Step 3. 若某个粒子当前的适应值present比之前记录的该粒子最优解pbest更好，则更新pbest。

Step 4. 若某个粒子当前的适应值present比之前记录的全局最优解gbest更好，则更新gbest。

Step 5. 若gbest符合要求，则结束。若gbest不符合要求，粒子根据如下的公式来更新自己的速度和新的位置（G表示最大进化代数，kg表示当前进化代数，pi表示第i个粒子从一开始到当前迭代完成之后所产生的最优解pi，整个种群此时的全局最优解为BestS）

Step 6. 跳转到Step 2。

2.3稀疏盲源分离

假设：x(t)是n个未知的相互统计独立的源信号s(t)的线性组合，即：

$x(t)=As(t)$

式中， $x(t)=[x_{1}(t),x_{2}(t),...,x_{n}(t)]^{T}$ , $s(t)=[s_{1}(t),s_{2}(t),...,s_{n}(t)]^{T}$ ,A为mxn阶未知混合矩阵。由于A和s未知，盲分离要通过特定算法来实现x(t)的处理，从而获得nxm阶的分离矩阵，用W表示，使得输出信号：

$y(t)=Wx(t)=WAs(t)$

就是s(t)的估计值。

由于s(t)和A未知，盲源分离一句条件和要求，将s(t)从观测信号x(t)中将源信号分离出来，使得最终分离出的信号无限逼近于源信号s(t)，即通过分离矩阵W来实现盲源分离，一些混合信号中含有噪声成分，在处理这类信号的过程中，可以将混合信号和噪声区别开来，分别看作是不同路的信号。

为了保证盲源分离的可能性，需要一些假设条件，通常为：

1）满秩混合矩阵A，源信号数不得超过观测信号数即（ $n\leqslant m$ ）；

2）基于统计要求，各源信号互相统计独立；

3）至多有一个信号是高斯分布。

在缺乏源信号和信息通道的情况下，经过盲分离的信号并不能确定幅值和排列顺寻，这一特征称为模糊性。模糊性虽然存在，但是却并不会影响最终结果。

根据大数定理，多个相互独立的随机变量之和趋向于高斯分布。因此如果观测信号是源信号的线性组合，那么源信号的非高斯性比观测信号的非高斯性更强。根据这个原理，可以通过对分离信号的非高斯性判断来确定互相独立性。分离信号的非高斯型越大，其分离效果越好。

2.4数据聚类的粒子群优化算法

G={z1,z2,...,zn}为数据空间，聚类的目标是将所处空间分为K个聚类区Ci（i=1,2,...,K），使得下列式子成立：

$C_{i}\neq \Phi (i=1,2,...,K)$

$C_{i}\bigcap C_{j}=\Phi (i\neq j)$

$\sum_{i=1}^{K}C_{i}=G$

$m_{i}(i=1,2,...,K)$ 为聚类中心，设 $Y=(m_{1},m_{1},...,m_{k})$ 表示粒子，则将PSO应用于聚类和 $m_{i}$ 的步骤如下： $A=(a_{1},a_{2},...,a_{n})$

1）初始化 $Y=(m_{1},m_{1},...,m_{k})$ 及其速度矢量v；

2）若对 $Y=(m_{1},m_{1},...,m_{k})$ ，下式成立：

$||z_{p}-m_{j}||\leqslant ||z_{p}-m_{j}||(k=1,2,...,K,j\neq K)$

则把 $z_{p}$ 归到 $C_{j}$ 类，用下式作为适应度函数对粒子进行评价

$J=\sum_{j=1}^{K}\sum_{i=1}^{K}||z_{i}=m_{i}||^{2}$

3）求出第i个粒子迄今为止搜索到的最优位置为 $p_{i}(i=1,2,...,M)$ 和整个粒子群迄今为止搜索到的最优位置为PBest;

4)用固定点算法对粒子进行迭代；

5）重复第二到第四步，直到满足条件为止。

2.5基于PSO算法的稀疏盲源分离

1）由加速度计得到的振动信号x(t)(t=1,2,...,T)作稀疏变换P转换为系数信号P(x(t)),t=1,2,...,T；

2）采用2.4中的聚类方法对稀疏信号P(x(t)),t=1,2,...,T进行聚类；

3）对聚类后的每一类确定方向矢量 $a_{1},a_{2},...,a_{n}$ ，从而确定混合矩阵 $A=(a_{1},a_{2},...,a_{n})$ ;

4)使用PSO算法求解下列优化问题

$min\sum |P(s_{i}(t))|$

$s.t.:AP(s_{i}(t))=P(x(t)),t=1,2,...,T$

5)对 $P(x(t)),t=1,2,...,T$ 进行逆变换得到 $P^{-1}$ ,从而分离出源信号。

2.6分离效果评价指标

1）PI评价

PI指标是性能指标，利用全局矩阵和广义排列矩阵的差别来评价分离性能，定义如下：

其中 $g_{ji}$ 为G的第（i,j）个元素，G为全局矩阵，也就是分离矩阵与混合矩阵乘积。PI值越小表示分离效果越好。

2）相似系数

定义 $\rho _{ij}$

为相似系数，最小为0，表示 $s_{j}$ 和 $s_{i}$ 相互统计独立，最大值为1，表示 $s_{j}$ 和 $s_{i}$ 完全相似。其中 $s_{i}$ 为源信号的第i个矢量， $s_{j}$ 为经过盲源分离后与 $s_{i}$ 相对应的分离信号。con表示方差

3）二次残差

该指标计算信号与源信号的二次残差（VQM），其值越小表示分离效果越好，计算如下：

三、基于优化动态路由算法的深度胶囊网络故障预测

构建基于胶囊网络的故障分类模块，包括：输入层、卷积层、L组胶囊层。其中输入层获得振动信号分离过后的特征。卷积层采用512个步幅为1的7*7卷积核对输入的数据进行卷积，第三层是胶囊层并包含卷积运算，开始构建相应的张量结构作为后续胶囊层的输入，经过多层胶囊预测得到L层胶囊的预测向量，此向量在每个方向上的长度表示在十种故障类型上分别的概率，长度最长也就是概率最大方向上代表的故障便是诊断结果。

在高底层的连接中， $u_{i}\in R^{12*1}(i=1,2,...,2304)$ 为2304个低胶囊输出向量， $v_{j}\in R^{28*1}(j=1,2,...,800)$ 表示800个高层胶囊的输入向量，变换矩阵 $W_{ij}$ 与 $u_{i}$ 相乘得到预测向量 $\hat{u}_{j|i}\in R^{28*1}(i=1,2,...,2304,j=1,2,...,800)$ 。 $\hat{u}_{j|i}$ 乘以耦合系数 $c_{ij}$ 作为 $s_{ij}$ 的输入向量。变换矩阵 $W_{ij}$ 的参数总量为28*12*2304*800=619315200，耦合系数的参数量为2304*800=1843200，决定高底层胶囊间参数量的因素为高底层胶囊的数量以及胶囊输出向量的长度。

1）构造高层胶囊输出向量。由于采用输出向量 $v_{j}$ 的模长 $||v_{j}||$ 来表示故障存在的概率，需要其满足大于0且小于1，因此采用非线性函数来构造 $v_{j}$ ：

2）高层输出向量的计算。 $s_{j}$ 是分配给第j个高层胶囊的预测向量和耦合系数的加权和，其中 $\hat{u}_{j|i}$ 的计算方式为：

变换矩阵 $W_{ij}$ 编码了低层胶囊特征和高层特征的关系，包括将12维低层向量 $u_{i}$ 进行线性变换到28维的向量 $\hat{u}_{j|i}$ ，而变换矩阵的求解通过BP算法、随机梯度法等可以得到。把分配给第j个高层胶囊所有的2304个预测向量通过耦合系数进行加权求和，得到第j个高层胶囊的输出向量为：