引en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。

基于GA-SVM的刚性罐道故障诊断

  • 马天兵1,2

    机 构：

    1. 安徽理工大学 机械工程学院， 安徽 淮南 232001

    2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001

    邮 箱：dfmtb@163.com

    作者简介：马天兵(1981—)，男，安徽合肥人，教授，硕士生导师，博士，从事振动控制和机电一体化研究，E-mail:dfmtb@163.com，https://orcid.org/0000-0001-8161-2313

    ×
  • 王孝东1

    机 构：安徽理工大学 机械工程学院， 安徽 淮南 232001

    ×
  • 杜菲1,2

    机 构：

    1. 安徽理工大学 机械工程学院， 安徽 淮南 232001

    2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001

    ×
  • 王鑫泉1

    机 构：安徽理工大学 机械工程学院， 安徽 淮南 232001

    ×

1. 安徽理工大学 机械工程学院， 安徽 淮南 232001； 2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001

中图分类号: TH 11

DOI:10.3785/j.issn.1006-754X.2019.02.007

Fault diagnosis for rigid guide based on GA-SVM

  • MA Tian-bing1,2

    Affiliation：

    1. School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    2. Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science & Technology, Huainan 232001, China

    Email：dfmtb@163.com

    ×
  • WANG Xiao-dong1

    Affiliation：School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    ×
  • DU Fei1,2

    Affiliation：

    1. School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    2. Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science & Technology, Huainan 232001, China

    ×
  • WANG Xin-quan1

    Affiliation：School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    ×

1. School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China； 2. Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science & Technology, Huainan 232001, China

CLC: TH 11

DOI:10.3785/j.issn.1006-754X.2019.02.007

参考文献 1
马光,史二听,曲立文，等.煤矿主提升设备动态监测系统[J].工矿自动化,2011,37(12):93-95.
GuangMA , SHIEr-ting, QULi-wen, et al. Dynamic monitoring system of coal mine main lifting equipment[J]. Industry and Mine Automation, 2011, 37(12): 93-95.
查找原文
参考文献 2
蒋玉强.立井刚性罐道系统的非线性耦合特性及状态评估研究[D].徐州：中国矿业大学机电工程学院，2011:1-151.
JIANGYu-qiang. Research on nonlinear coupling characteristics and condition assessment of vertical steel guide system[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2011: 1-151.
查找原文
参考文献 3
肖兴明,王鹏,黄继战.立井罐道测试方法浅析[J].煤炭科学技术,2004,32(12):36-38.
XIAOXing-ming, WANGPeng, HUANGJi-zhan. Brief analysis on test method for cage guide in mine shaft[J]. Coal Science and Technology, 2004, 32(12): 36-38.
查找原文
参考文献 4
KACZMARCZYKS, OSTACHOWICZW. Transient vibration phenomena in deep mine hoisting cables. Part 1: Mathematical model[J]. Journal of Sound and Vibration, 2003, 262(2):219-244.doi:10.1016/S0022-460X(02)01137-9
查找原文
参考文献 5
KHANM M, KRIGEG J. Evaluation of the structural integrity of aging mine shafts[J]. Engineering Structures, 2002, 24(7): 901-907. doi:10.1016/S0141-0296(02)00028-7
查找原文
参考文献 6
张淼.立井刚性罐道典型故障的模式识别研究[D].徐州中国矿业大学机电工程学院,2015:1-77.
ZHANGMiao. Research on pattern recognition of vertical hoist steelwork guide typical faults[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2015: 1-77.
查找原文
参考文献 7
李爱民,包从望.基于EMD-SVM的刚性罐道故障诊断研究[J].煤炭技术,2016,35(4):264-266. doi:10.13301/cnki.ct.2016.01.108
LIAi-min, BAOCong-wang. Research on fault diagnosis for rigid guide based on EMD-SVM[J]. Coal Technology, 2016, 35(4): 264-266.
查找原文
参考文献 8
郑近德,程军圣.改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用[J].机械工程学报,2015,51(1):138-145. doi:10.3901/JME.2015.01.138
ZHENGJin-de, CHENGJun-sheng. Improved Hilbert-Huang transform and its application to rolling bearing fault diagnosis[J].Journal of Mechanical Engineering, 2015, 51(1): 138-145.
查找原文
参考文献 9
俞啸,丁恩杰,陈春旭,等.基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法[J].煤炭学报,2015,40(11):2587-2595. doi:10.13225/j.cnki.jccs.2015.7052
YUXiao, DINGEn-jie, CHENChun-xu, et al. Rolling bearing fault state recognition method based on HHT and supervised sparse coding[J]. Journal of China Coal Society, 2015, 40(11): 2587-2595.
查找原文
参考文献 10
杨辉跃,涂亚庆,张海涛,等.一种基于SVD和Hilbert变换的科氏流量计相位差测量方法[J].仪器仪表学报,2012,33(9):2101-2107. doi:10.3969/j.issn.0254-3087.2012.09.026
YANGHui-yue, TUYa-qing, ZHANGHai-tao, et al. Phase difference measuring method based on SVD and Hilbert transform for Coriolis mass flowmeter [J]. Chinese Journal of Scientific Instrument, 2012, 33(9): 2101-2107.
查找原文
参考文献 11
赵学智,叶邦彦,陈统坚.基于SVD的奇异性信号检测原理及其应用[J].振动与冲击,2008,27(6):11-14,44. doi:10.3969/j.issn.1000-3835.2008.06.004
ZHAOXue-zhi, YEBang-yan, CHENTong-jian. Principle of singularity detection based on SVD and its application[J]. Journal of Vibration and Shock, 2008, 27(6): 11-14, 44.
查找原文
参考文献 12
赵学智,叶邦彦,陈统坚.基于小波-奇异值分解差分谱的弱故障特征提取方法[J].机械工程学报,2012,48(7):37-48. doi:10.3901/JME.2012.07.037
ZHAOXue-zhi, YEBang-yan, CHENTong-jian. Extraction method of faint fault feature based on Wavelet-SVD difference spectrum[J]. Journal of Mechanical Engineering, 2012, 48(7): 37-48.
查找原文
参考文献 13
蒋永华,程光明,阚君武,等.基于NGA优化SVM的滚动轴承故障诊断[J].仪器仪表学报,2013,34(12):2684-2689. doi:10.3969/j.issn.0254-3087.2013.12.007
JIANGYong-hua, CHENGGuang-ming, KANJun-wu, et al. Rolling bearing fault diagnosis based on NGA optimized SVM[J]. Chinese Journal of Scientific Instrument, 2013, 34(12): 2684-2689.
查找原文
参考文献 14
姜万录,吴胜强.基于SVM和证据理论的多数据融合故障诊断方法[J].仪器仪表学报,2010,31(8):1738-1743.
JIANGWan-lu, WUSheng-qiang. Multi-data fusion fault diagnosis method based on SVM and evidence theory[J]. Chinese Journal of Scientific Instrument, 2010, 31(8): 1738-1743.
查找原文
参考文献 15
孙湛青,谢蕾.基于GA-SVM的河川径流量预测模型研究[J].武汉理工大学学报(信息与管理工程版),2015,37(5):455-459.
SUNZhan-qing, XIELei. River runoff forecasting using GA-based support vector machines [J].Journal of Wuhan University of Technology (Information & Management Engineering), 2015, 37(5): 455-459.
查找原文
参考文献 16
胡良谋,曹克强,徐浩军.基于LS-SVM的电液位置伺服系统多故障诊断[J].系统仿真学报,2007,19(10):2252-2255.
HULiang-mou, CAOKe-qiang, XUHao-jun. Multi-fault diagnosis for electro hydraulic position servo system based on LS-SVM[J].Journal of System Simulation, 2007, 19(10): 2252-2255.
查找原文
参考文献 17
卢文喜,郭家园,董海彪,等.改进的支持向量机方法在矿山地质环境质量评价中的应用[J]. 吉林大学学报(地球科学版),2016,46(5):1511-1519. doi:10.13278/j.cnki.jjuese.201605207
LUWen-xi, GUOJia-yuan, DONGHai-biao, et al. Evaluating mine geology environmental quality using improved SVM method[J]. Journal of Jilin University (Earth Science Edition), 2016, 46(5): 1511-1519.
查找原文
参考文献 18
AHUJAJ, RATNOOS. Optimizing feature subset and parameters for support vector machine using multiobjective genetic algorithm[J].Journal of Intelligent Systems, 2015, 24(2): 145-160. doi:10.1016/j.compbiolchem.2017.08.009
查找原文
参考文献 19
刘爱国,薛云涛,胡江鹭,等.基于GA优化SVM的风电功率的超短期预测[J].电力系统保护与控制, 2015,43(2):90-95.
LIUAi-guo, XUEYun-tao, HUJiang-lu, et al. Ultra-short-term wind power forecasting based on SVM optimized by GA [J]. Power System Protection and Control, 2015, 43(2): 90-95.
查找原文
参考文献 20
刘希亮,赵学胜,陆锋,等.基于GA-SVM的露天矿抛掷爆破抛掷率预测[J].煤炭学报,2012,37(12):1999-2005.
LIUXi-liang, ZHAOXue-sheng, LUFeng, et al. A GA-SVM based model for throwing rate prediction in the open-pit cast blasting[J].Journal of China Coal Society, 2012, 37(12): 1999-2005.
查找原文
参考文献 21
周彬学,戴特奇,梁进社,等.基于遗传算法的非线性Lowry模型模拟研究[J].北京大学学报(自然科学版),2011,47(6):1097-1104.
ZHOUBin-xue, DAITe-qi, LIANGJin-she, et al. A simulation research of nonlinear Lowry model based on genetic algorithm[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2011, 47(6): 1097-1104.
查找原文
目录 contents

    摘要

    针对刚性罐道故障类型识别精度低这一难题，提出了一种基于遗传算法(genetic algorithm，GA)和支持向量机（support vector machine，SVM）的刚性罐道故障诊断方法。搭建了立井提升系统实验台，模拟2种典型的罐道故障，并采集提升容器振动加速度信号。运用经验模态分解（empirical mode decomposition，EMD）方法对振动加速度信号进行分解，选取前4个固有模态函数（intrinsic mode function，IMF），然后运用奇异值分解（singular value decomposition，SVD）方法计算出每个IMF的奇异值作为故障特征参数，将得到的故障特征参数作为SVM的训练集，通过GA参数寻优方法得到SVM关键参数c和g的最优值，并选取新的测试样本检测SVM的诊断效果。实验结果表明:基于GA-SVM的刚性罐道故障诊断方法的平均分类准确率达到93%。研究结果表明该方法能精确地识别刚性罐道的典型故障类型，为立井提升系统等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方法。

    Abstract

    In order to improve the identification accuracy of rigid guide fault type, a method based on genetic algorithm (GA) and support vector machine (SVM) was proposed to solve the fault diagnosis problem. Vertical shaft lifting system experimental platform was set up to simulate two typical types of rigid guide fault, and the vibration acceleration signal of the lifting vessel was collected. The vibration acceleration signal was decomposed by empirical mode decomposition (EMD), and the singular values of first four intrinsic mode functions (IMF) were calculated by singular value decomposition (SVD) method as the fault characteristic parameters. The fault characteristic parameter was used as the training set of the SVM, and the optimal values of c and g of the SVM were obtained by the GA parameter optimization method. The new test samples were selected to detect the diagnostic effect of SVM. The experimental results showed that the average classification accuracy of rigid guide fault diagnosis method based on GA-SVM reached 93%. This method can accurately identify the typical fault types of rigid guide, and provide a general and feasible solution for the fault diagnosis of nonlinear and non-stationary complex systems such as vertical shaft lifting system.

    刚性罐道作为立井提升系统的重要组成部分，是提升容器的导向和限位装置。罐道常见故障如接头故障、局部突起和磨损等都会影响提升系统运行的安全性和效率。严重的罐道故障可能会导致提升容器脱轨或卡罐，甚至引发钢丝绳断裂等重大安全事故[1]。

    针对刚性罐道的故障诊断，国内外学者展开了深入研究，使用的方法主要有2种：静态测试方法和动态测试方法。静态测试方法主要是对罐道的安装尺寸和变形量等进行测量，该测试方法繁琐且需要借助专业仪器，测量精度和效率较低。动态测试方法是根据提升容器的动态输出响应来分析罐道的状态，可以更加真实地反映提升容器和罐道之间的相互作用关系[2,3]。Kaczmarczy等[4]建立了二自由度提升容器理论振动模型来研究提升系统运行状态。Khan等[5]通过对2个矿井的研究得出提升容器和罐道之间的间隙使得提升容器和罐道间的作用是一种碰撞形式，冲击力受提升容器运行参数和罐道参数的影响。蒋玉强[2]基于Laplace小波和谐波小波的方法提取刚性罐道的故障特征，提出了模糊综合评判法对罐道状态进行评估，但现场采集的信号受干扰因素的影响，其预处理较复杂。张淼[6]基于模极大值和经验模态分解方法提取刚性罐道的故障特征，并通过支持向量机 (support vector machine，SVM) 法实现故障模式的识别，但该方法对接头故障的识别率较低。李爱民等[7]基于EMD-SVM方法，通过网格寻优及交叉验证的方法寻找SVM模型的最优参数，但存在寻优范围扩大导致计算量增大的问题。

    本文以立井提升系统刚性罐道典型故障为研究对象，搭建立井提升系统实验平台并采集提升容器振动加速度信号。针对采集到的提升容器在刚性罐道无故障激励、台阶激励和接头缝隙激励三种状态下的振动加速度信号，首先分别对它们进行小波包降噪，其次运用经验模态分解（empirical mode decomposition，EMD）对不同故障信号进行分解，根据EMD分解结果可知，信号能量主要分布在前4个固有模态函数（intrinsic mode function，IFM）上，因此选取前4个IMF分量，运用奇异值分解（singular value decomposition， SVD）方法计算出每一个IMF的奇异值作为故障特征参数，然后将故障特征参数作为SVM的样本，通过遗传算法（genetic algorithm，GA）对SVM参数寻优，寻求参数c和g的最优值，最后选取新的测试样本检测SVM的诊断效果。

  • 1 刚性罐道典型故障特征参数的提取

  • 1.1　立井提升系统实验平台搭建

    搭建如图1所示的立井提升系统实验平台，其尺寸为0.6 m×0.6 m×3 m。罐道的故障形式有多种，罐道系统的激励是引起系统振动的根源。根据激励源和激励的性质可以将罐道激励分成冲击型激励、谐波激励和随机激励三种。本文研究的是罐道冲击型激励，它包括台阶激励和接头缝隙激励。信号采集系统由东方振动和噪声技术研究所的四通道数据采集仪（型号为INV3062T0）、三方向加速度传感器（型号为INV98362）和DASP软件等组成。

    图1 立井提升系统实验平台

    图1 立井提升系统实验平台

    Fig. 1 Vertical shaft lifting system experimental platform

    本文模拟如图2所示的刚性罐道台阶激励和接头缝隙激励两种故障模式，台阶激励的突起高度设置为5 mm，接头缝隙激励的间隙宽度设置为10 mm[2]。加速度传感器贴在提升容器顶部中心。由罐道台阶激励引发的高频振动所引起的冲击力，其频率在400 Hz左右，同时提升容器传感器安装位置加速度频率小于500 Hz[2]，因此实验中采样频率设置为1 024 Hz。实验过程中提升容器的运行速度为0.18 m/s。

    图2 立井提升系统刚性罐道典型激励

    图2 立井提升系统刚性罐道典型激励

    Fig. 2 Typical excitation of rigid guide in vertical shaft lifting system

  • 1.2　基于EMD-SVD的罐道故障特征参数提取

    在实验过程中，采集无故障激励、台阶激励和接头缝隙激励下提升容器的振动加速度信号，如图3所示。

    图3 刚性罐道典型激励下提升容器的振动加速度

    图3 刚性罐道典型激励下提升容器的振动加速度

    Fig. 3 Lifting vessel vibration acceleration under typical excitation of rigid guide

    Hilbert-Huang变换能根据信号本身的局部特征自适应地将信号分解为若干个固有模态函数，以避免如小波变换中因选择小波函数而带来的分析结果的差异[8,9]，该方法在很多领域得到了应用。SVD是一种正交化方法，在行或列线性相关的矩阵的左右两边分别乘以一个正交矩阵，可将原矩阵转换为一个对角阵，原矩阵线性相关的行或列即可变为线性独立[10,11,12]。

    本文以Hilbert-Huang变换为基础，结合EMD和SVD，提取刚性罐道典型故障的特征参数，首先通过EMD方法得到无故障激励、台阶激励和接头缝隙激励下提升容器振动加速度信号的IMF，然后利用SVD方法对不同的IMF进行SVD分解，得到上述3种状态下的特征参数。具体过程如下：

    1）对采集到的无故障激励、台阶激励和接头缝隙激励下的提升容器振动加速度信号进行小波包降噪。

    2) 釆用EMD方法将提升容器振动加速度信号分解成一系列IMF的分量，图4中列举前了每种状态下的前5个IMF分量，从中可以看到信号的能量基本上分布在前4个IMF上，因此将前4个IMF组成初始向量。

    图4 刚性罐道典型激励下提升容器振动加速度EMD分解

    图4 刚性罐道典型激励下提升容器振动加速度EMD分解

    Fig. 4 EMD decomposition of lifting vessel vibration acceleration under typical excitation of rigid guide

    3）对初始向量进行SVD分解，得到奇异值分解的特征向量，将它作为特征参数组成罐道不同激励状态下的特征矩阵。

    表1列举了提升容器在无故障激励、台阶激励和接头缝隙激励下振动加速度经EMD和SVD计算后的结果，每种状态列举5组数据，σii=1,⋯,4为第i个 IMF分量的奇异值。

    表1 基于EMD-SVD的刚性罐道故障特征参数

    Table 1 Rigid guide fault characteristic parameters based on EMD-SVD

    激励类型信号组别σ1σ2σ3σ4
    无故障激励第1组26.303 4810.957 862.529 422.401 96
    第2组27.447 3210.183 085.995 313.397 76
    第3组27.252 8311.371 465.022 473.785 09
    第4组26.976 799.875 594.379 642.580 54
    第5组27.291 5711.777 414.815 313.057 96
    台阶激励第1组32.863 855.618 984.291 904.112 21
    第2组37.605 2923.190 7910.409 485.358 86
    第3组35.336 549.762 089.070 214.700 94
    第4组36.295 848.913 727.667 544.888 58
    第5组32.844 6911.090 667.081 185.764 40
    接头缝隙激励第1组9.514 557.710 554.754 394.394 61
    第2组8.782 434.930 254.533 263.557 27
    第3组9.214 116.549 265.917 084.069 64
    第4组9.981 214.795 224.559 503.043 81
    第5组8.732 905.864 124.409 433.969 31

    信号奇异值的分解是对在采样时间内各个频率段的特征描述。从表1可以得出不同激励下σi有差异，因此可以用EMD-SVD的方法来提取不同激励下刚性罐道的故障特征。

  • 2 刚性罐道故障识别

    SVM是由Vapnik提出的，它广泛应用于模式识别、概率密度估计、函数逼近等。对于小样本、高维模式识别及非线性模式识别等问题，SVM表现出特有的优势[13,14,15,16,17]。

    本文采用SVM法对刚性罐道故障进行识别。首先根据EMD和SVD计算出3种罐道激励下的故障特征参数并建立训练集和测试集样本，对训练集和测试集进行标签定义，无故障激励下故障特征参数构成的训练集定义为标签1，台阶激励下故障特征参数构成的训练集定义为标签2，接头缝隙激励下故障特征参数构成的训练集定义为标签3，然后对数据进行归一化处理，之后用训练集对SVM模型进行训练，最后用训练好的SVM模型来预测测试集的标签。

    选择径向基函数（radial basis function，RBF）作为SVM模型核函数，其中c是SVM模型的惩罚参数，g是核函数RBF的参数。目前，参数c和g的优化没有一个公认的最好方法，选取过程中仍存在盲目性与主观性[18]。本文采用交叉验证（cross validation，CV）思想来寻找最优解，目前最常用的是K-CV方法。在给定范围内取不同的c和g，并基于K-CV方法采用训练集样本对SVM模型进行训练。选取分类准确率最高的一组，如果有多组c和g，则选择c最小的一组，这样可以避免过学习情况的发生，这是因为过高的c会导致分类器泛化能力降低，此时训练集分类准确率很高，而测试集分类准确率很低。对于K-CV方法，它是采用网格划分的方法来寻优，存在的缺点是必须指定c和g的范围，如果其范围扩大，则计算量会大大增加，耗费时间。

    在本文实验过程中，训练集样本为60组，测试集样本为15组，c∈[2-10,210]，g∈[2-10,210]，其寻优结果如图5所示。根据图5所示结果，求解可知分类准确率为91.6667%，此时c=1，g=2.828 4。将它们代入SVM模型并选取测试样本验证SVM分类效果，其结果如图6所示。从图6可以看出，类别标签为2的2个实际测试集和SVM预测测试集没有重合，表明SVM不能对这2个测试样本进行分类。总的测试样本数为15，正确分类数为13，则平均分类准确率为86%，低于文献[7]中的94.83%，因此需选择新的方法来进行参数寻优。

    图5 基于K-CV方法的c和g参数寻优

    图5 基于K-CV方法的c和g参数寻优

    Fig. 5 Parameter c and g optimization based on K-CV method

    图6 基于K-CV方法的SVM分类预测结果

    图6 基于K-CV方法的SVM分类预测结果

    Fig. 6 SVM classification prediction results based on K-CV method

    GA作为一种启发式算法，不需要计算网格内的每一个点就可以找到最优解，其优越性主要表现在：具有群体搜索和内在启发式随机搜索的特性，不易陷入局部最优，具有很强的全局优化能力和鲁棒性[19,20]。

    利用GA进行参数寻优的步骤如下: 1）对初始值进行二进制编码，产生初始化种群，即将c和g作为染色体两部分，分别对c和g进行二进制编码并作为种群中的个体，根据K-CV方法求解出参数c=1，g=2.828 4，在遗传算法中设置c∈[0,100]，g∈[0,100]，种群大小设置为20；2）确定个体适应度值，即将CV下的分类准确率作为GA中的适应度函数值，交叉验证参数取3；3）对种群进行选择操作、交叉操作和变异操作；4）产生新种群；5）判断是否满足终止条件，即判断是否达到最大遗传代数，最大遗传代数为200，若不满足终止条件则跳转到2）继续进行参数寻优，如满足则输出c和g的最优值[21]。整个寻优流程如图7所示。

    图7 基于GA-SVM的参数c和g的寻优流程

    图7 基于GA-SVM的参数c和g的寻优流程

    Fig. 7 Parameter c and g optimization flow based on GA-SVM

    GA寻优的适应度曲线如图8所示，最佳适应度表示种群所有个体中最好的适应度值，平均适应度表示种群所有个体适应度的平均值，求解得到c=2.145 72和g=4.191 5。将求解得到的c和g的最优值代入SVM模型，选取测试集样本检测GA优化后的SVM模型分类效果，结果如图9和表2所示。从表2中可以得到GA-SVM平均分类准确率比文献[7]的略低，但本文中特征参数是4维，文献[7]特征参数是26维，因此本文计算量比文献[7]小得多。

    图8 GA寻优的适应度曲线

    图8 GA寻优的适应度曲线

    Fig. 8 Fitness curve of GA optimization

    图9 GA-SVM分类预测结果

    图9 GA-SVM分类预测结果

    Fig. 9 Classification prediction results based on GA-SVM

    表2 GA-SVM分类准确率

    Table 2 Classification accuracy based on GA-SVM

    激励类型分类准确率/%平均分类准确率/%
    无故障激励8093
    台阶激励100
    接头缝隙激励100

  • 3 结论

    本文通过EMD-SVD方法提取刚性罐道典型故障参数，运用K-CV方法对SVM模型参数c和g寻优，并将寻优结果代入SVM中，计算得到平均分类准确率为86%。为提高平均分类准确率，选取GA方法来优化SVM的关键参数c和g，通过GA参数寻优可得c=2.145 72和g=4.191 5，此时对应的平均分类准确率为93%。实验结果表明GA-SVM方法可以明显提高分类准确率，与K-CV方法优化SVM得到的平均分类准确率相比提高了7%。由此可见， GA-SVM方法对立井提升系统等非线性非平稳复杂系统的故障诊断具有一定的可行性和较高的工程应用价值。

  • 参考文献

    • 1

      马光,史二听,曲立文，等.煤矿主提升设备动态监测系统[J].工矿自动化,2011,37(12):93-95.

      MA Guang , SHI Er-ting, QU Li-wen, et al. Dynamic monitoring system of coal mine main lifting equipment[J]. Industry and Mine Automation, 2011, 37(12): 93-95.

    • 2

      蒋玉强.立井刚性罐道系统的非线性耦合特性及状态评估研究[D].徐州：中国矿业大学机电工程学院，2011:1-151.

      JIANG Yu-qiang. Research on nonlinear coupling characteristics and condition assessment of vertical steel guide system[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2011: 1-151.

    • 3

      肖兴明,王鹏,黄继战.立井罐道测试方法浅析[J].煤炭科学技术,2004,32(12):36-38.

      XIAO Xing-ming, WANG Peng, HUANG Ji-zhan. Brief analysis on test method for cage guide in mine shaft[J]. Coal Science and Technology, 2004, 32(12): 36-38.

    • 4

      KACZMARCZYK S, OSTACHOWICZ W. Transient vibration phenomena in deep mine hoisting cables. Part 1: Mathematical model[J]. Journal of Sound and Vibration, 2003, 262(2):219-244.doi:10.1016/S0022-460X(02)01137-9

    • 5

      KHAN M M, KRIGE G J. Evaluation of the structural integrity of aging mine shafts[J]. Engineering Structures, 2002, 24(7): 901-907. doi:10.1016/S0141-0296(02)00028-7

    • 6

      张淼.立井刚性罐道典型故障的模式识别研究[D].徐州中国矿业大学机电工程学院,2015:1-77.

      ZHANG Miao. Research on pattern recognition of vertical hoist steelwork guide typical faults[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2015: 1-77.

    • 7

      李爱民,包从望.基于EMD-SVM的刚性罐道故障诊断研究[J].煤炭技术,2016,35(4):264-266. doi:10.13301/cnki.ct.2016.01.108

      LI Ai-min, BAO Cong-wang. Research on fault diagnosis for rigid guide based on EMD-SVM[J]. Coal Technology, 2016, 35(4): 264-266.

    • 8

      郑近德,程军圣.改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用[J].机械工程学报,2015,51(1):138-145. doi:10.3901/JME.2015.01.138

      ZHENG Jin-de, CHENG Jun-sheng. Improved Hilbert-Huang transform and its application to rolling bearing fault diagnosis[J].Journal of Mechanical Engineering, 2015, 51(1): 138-145.

    • 9

      俞啸,丁恩杰,陈春旭,等.基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法[J].煤炭学报,2015,40(11):2587-2595. doi:10.13225/j.cnki.jccs.2015.7052

      YU Xiao, DING En-jie, CHEN Chun-xu, et al. Rolling bearing fault state recognition method based on HHT and supervised sparse coding[J]. Journal of China Coal Society, 2015, 40(11): 2587-2595.

    • 10

      杨辉跃,涂亚庆,张海涛,等.一种基于SVD和Hilbert变换的科氏流量计相位差测量方法[J].仪器仪表学报,2012,33(9):2101-2107. doi:10.3969/j.issn.0254-3087.2012.09.026

      YANG Hui-yue, TU Ya-qing, ZHANG Hai-tao, et al. Phase difference measuring method based on SVD and Hilbert transform for Coriolis mass flowmeter [J]. Chinese Journal of Scientific Instrument, 2012, 33(9): 2101-2107.

    • 11

      赵学智,叶邦彦,陈统坚.基于SVD的奇异性信号检测原理及其应用[J].振动与冲击,2008,27(6):11-14,44. doi:10.3969/j.issn.1000-3835.2008.06.004

      ZHAO Xue-zhi, YE Bang-yan, CHEN Tong-jian. Principle of singularity detection based on SVD and its application[J]. Journal of Vibration and Shock, 2008, 27(6): 11-14, 44.

    • 12

      赵学智,叶邦彦,陈统坚.基于小波-奇异值分解差分谱的弱故障特征提取方法[J].机械工程学报,2012,48(7):37-48. doi:10.3901/JME.2012.07.037

      ZHAO Xue-zhi, YE Bang-yan, CHEN Tong-jian. Extraction method of faint fault feature based on Wavelet-SVD difference spectrum[J]. Journal of Mechanical Engineering, 2012, 48(7): 37-48.

    • 13

      蒋永华,程光明,阚君武,等.基于NGA优化SVM的滚动轴承故障诊断[J].仪器仪表学报,2013,34(12):2684-2689. doi:10.3969/j.issn.0254-3087.2013.12.007

      JIANG Yong-hua, CHENG Guang-ming, KAN Jun-wu, et al. Rolling bearing fault diagnosis based on NGA optimized SVM[J]. Chinese Journal of Scientific Instrument, 2013, 34(12): 2684-2689.

    • 14

      姜万录,吴胜强.基于SVM和证据理论的多数据融合故障诊断方法[J].仪器仪表学报,2010,31(8):1738-1743.

      JIANG Wan-lu, WU Sheng-qiang. Multi-data fusion fault diagnosis method based on SVM and evidence theory[J]. Chinese Journal of Scientific Instrument, 2010, 31(8): 1738-1743.

    • 15

      孙湛青,谢蕾.基于GA-SVM的河川径流量预测模型研究[J].武汉理工大学学报(信息与管理工程版),2015,37(5):455-459.

      SUN Zhan-qing, XIE Lei. River runoff forecasting using GA-based support vector machines [J].Journal of Wuhan University of Technology (Information & Management Engineering), 2015, 37(5): 455-459.

    • 16

      胡良谋,曹克强,徐浩军.基于LS-SVM的电液位置伺服系统多故障诊断[J].系统仿真学报,2007,19(10):2252-2255.

      HU Liang-mou, CAO Ke-qiang, XU Hao-jun. Multi-fault diagnosis for electro hydraulic position servo system based on LS-SVM[J].Journal of System Simulation, 2007, 19(10): 2252-2255.

    • 17

      卢文喜,郭家园,董海彪,等.改进的支持向量机方法在矿山地质环境质量评价中的应用[J]. 吉林大学学报(地球科学版),2016,46(5):1511-1519. doi:10.13278/j.cnki.jjuese.201605207

      LU Wen-xi, GUO Jia-yuan, DONG Hai-biao, et al. Evaluating mine geology environmental quality using improved SVM method[J]. Journal of Jilin University (Earth Science Edition), 2016, 46(5): 1511-1519.

    • 18

      AHUJA J, RATNOO S. Optimizing feature subset and parameters for support vector machine using multiobjective genetic algorithm[J].Journal of Intelligent Systems, 2015, 24(2): 145-160. doi:10.1016/j.compbiolchem.2017.08.009

    • 19

      刘爱国,薛云涛,胡江鹭,等.基于GA优化SVM的风电功率的超短期预测[J].电力系统保护与控制, 2015,43(2):90-95.

      LIU Ai-guo, XUE Yun-tao, HU Jiang-lu, et al. Ultra-short-term wind power forecasting based on SVM optimized by GA [J]. Power System Protection and Control, 2015, 43(2): 90-95.

    • 20

      刘希亮,赵学胜,陆锋,等.基于GA-SVM的露天矿抛掷爆破抛掷率预测[J].煤炭学报,2012,37(12):1999-2005.

      LIU Xi-liang, ZHAO Xue-sheng, LU Feng, et al. A GA-SVM based model for throwing rate prediction in the open-pit cast blasting[J].Journal of China Coal Society, 2012, 37(12): 1999-2005.

    • 21

      周彬学,戴特奇,梁进社,等.基于遗传算法的非线性Lowry模型模拟研究[J].北京大学学报(自然科学版),2011,47(6):1097-1104.

      ZHOU Bin-xue, DAI Te-qi, LIANG Jin-she, et al. A simulation research of nonlinear Lowry model based on genetic algorithm[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2011, 47(6): 1097-1104.

  • 基本信息

    DOI:10.3785/j.issn.1006-754X.2019.02.007

    中图分类号: TH 11

    文献标识码: A

    引用信息

    马天兵,王孝东,杜菲等.基于GA-SVM的刚性罐道故障诊断[J].工程设计学报,2019,26(02):170-176.

    MA Tian-bing,WANG Xiao-dong,DU Fei,et al.Fault diagnosis for rigid guide based on GA-SVM[J].ELECTRIC DRIVE,2019,26(02):170-176.

    基金信息

    国家自然科学基金资助项目（51305003）；安徽省高校自然科学研究重大项目（KJ2015ZD19）

    稿件历史

    纸刊出版 : 2019-04-28
    收稿日期 : 2018-09-08

    • 马天兵

    机 构：

    1. 安徽理工大学 机械工程学院， 安徽 淮南 232001

    2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001

    Affiliation：

    1. School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    2. Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science & Technology, Huainan 232001, China

    邮 箱：dfmtb@163.com

    作者简介：马天兵(1981—)，男，安徽合肥人，教授，硕士生导师，博士，从事振动控制和机电一体化研究，E-mail:dfmtb@163.com，https://orcid.org/0000-0001-8161-2313

    王孝东

    机 构：安徽理工大学 机械工程学院， 安徽 淮南 232001

    Affiliation：School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    杜菲

    机 构：

    1. 安徽理工大学 机械工程学院， 安徽 淮南 232001

    2. 安徽理工大学 矿山智能装备与技术安徽省重点实验室，安徽 淮南 232001

    Affiliation：

    1. School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    2. Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science & Technology, Huainan 232001, China

    王鑫泉

    机 构：安徽理工大学 机械工程学院， 安徽 淮南 232001

    Affiliation：School of Mechanical Engineering， Anhui University of Science ＆ Technology, Huainan 232001， China

    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F001.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F002.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F003.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F004.jpg
    激励类型信号组别σ1σ2σ3σ4
    无故障激励第1组26.303 4810.957 862.529 422.401 96
    第2组27.447 3210.183 085.995 313.397 76
    第3组27.252 8311.371 465.022 473.785 09
    第4组26.976 799.875 594.379 642.580 54
    第5组27.291 5711.777 414.815 313.057 96
    台阶激励第1组32.863 855.618 984.291 904.112 21
    第2组37.605 2923.190 7910.409 485.358 86
    第3组35.336 549.762 089.070 214.700 94
    第4组36.295 848.913 727.667 544.888 58
    第5组32.844 6911.090 667.081 185.764 40
    接头缝隙激励第1组9.514 557.710 554.754 394.394 61
    第2组8.782 434.930 254.533 263.557 27
    第3组9.214 116.549 265.917 084.069 64
    第4组9.981 214.795 224.559 503.043 81
    第5组8.732 905.864 124.409 433.969 31
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F005.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F006.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F007.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F008.jpg
    1006-754X-2019-26-2-170/alternativeImage/230899a4-0b6a-4278-92fa-a370e06c8efa-F009.jpg
    激励类型分类准确率/%平均分类准确率/%
    无故障激励8093
    台阶激励100
    接头缝隙激励100
    <

    图1 立井提升系统实验平台

    Fig. 1 Vertical shaft lifting system experimental platform

    图2 立井提升系统刚性罐道典型激励

    Fig. 2 Typical excitation of rigid guide in vertical shaft lifting system

    图3 刚性罐道典型激励下提升容器的振动加速度

    Fig. 3 Lifting vessel vibration acceleration under typical excitation of rigid guide

    图4 刚性罐道典型激励下提升容器振动加速度EMD分解

    Fig. 4 EMD decomposition of lifting vessel vibration acceleration under typical excitation of rigid guide

    表1 基于EMD-SVD的刚性罐道故障特征参数

    Table 1 Rigid guide fault characteristic parameters based on EMD-SVD

    图5 基于K-CV方法的c和g参数寻优

    Fig. 5 Parameter c and g optimization based on K-CV method

    图6 基于K-CV方法的SVM分类预测结果

    Fig. 6 SVM classification prediction results based on K-CV method

    图7 基于GA-SVM的参数c和g的寻优流程

    Fig. 7 Parameter c and g optimization flow based on GA-SVM

    图8 GA寻优的适应度曲线

    Fig. 8 Fitness curve of GA optimization

    图9 GA-SVM分类预测结果

    Fig. 9 Classification prediction results based on GA-SVM

    表2 GA-SVM分类准确率

    Table 2 Classification accuracy based on GA-SVM

    image /

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

    无注解

  • 参考文献

    • 1

      马光,史二听,曲立文，等.煤矿主提升设备动态监测系统[J].工矿自动化,2011,37(12):93-95.

      MA Guang , SHI Er-ting, QU Li-wen, et al. Dynamic monitoring system of coal mine main lifting equipment[J]. Industry and Mine Automation, 2011, 37(12): 93-95.

    • 2

      蒋玉强.立井刚性罐道系统的非线性耦合特性及状态评估研究[D].徐州：中国矿业大学机电工程学院，2011:1-151.

      JIANG Yu-qiang. Research on nonlinear coupling characteristics and condition assessment of vertical steel guide system[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2011: 1-151.

    • 3

      肖兴明,王鹏,黄继战.立井罐道测试方法浅析[J].煤炭科学技术,2004,32(12):36-38.

      XIAO Xing-ming, WANG Peng, HUANG Ji-zhan. Brief analysis on test method for cage guide in mine shaft[J]. Coal Science and Technology, 2004, 32(12): 36-38.

    • 4

      KACZMARCZYK S, OSTACHOWICZ W. Transient vibration phenomena in deep mine hoisting cables. Part 1: Mathematical model[J]. Journal of Sound and Vibration, 2003, 262(2):219-244.doi:10.1016/S0022-460X(02)01137-9

    • 5

      KHAN M M, KRIGE G J. Evaluation of the structural integrity of aging mine shafts[J]. Engineering Structures, 2002, 24(7): 901-907. doi:10.1016/S0141-0296(02)00028-7

    • 6

      张淼.立井刚性罐道典型故障的模式识别研究[D].徐州中国矿业大学机电工程学院,2015:1-77.

      ZHANG Miao. Research on pattern recognition of vertical hoist steelwork guide typical faults[D]. Xuzhou: China University of Mining and Technology, College of Mechatronic Engineering, 2015: 1-77.

    • 7

      李爱民,包从望.基于EMD-SVM的刚性罐道故障诊断研究[J].煤炭技术,2016,35(4):264-266. doi:10.13301/cnki.ct.2016.01.108

      LI Ai-min, BAO Cong-wang. Research on fault diagnosis for rigid guide based on EMD-SVM[J]. Coal Technology, 2016, 35(4): 264-266.

    • 8

      郑近德,程军圣.改进的希尔伯特-黄变换及其在滚动轴承故障诊断中的应用[J].机械工程学报,2015,51(1):138-145. doi:10.3901/JME.2015.01.138

      ZHENG Jin-de, CHENG Jun-sheng. Improved Hilbert-Huang transform and its application to rolling bearing fault diagnosis[J].Journal of Mechanical Engineering, 2015, 51(1): 138-145.

    • 9

      俞啸,丁恩杰,陈春旭,等.基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法[J].煤炭学报,2015,40(11):2587-2595. doi:10.13225/j.cnki.jccs.2015.7052

      YU Xiao, DING En-jie, CHEN Chun-xu, et al. Rolling bearing fault state recognition method based on HHT and supervised sparse coding[J]. Journal of China Coal Society, 2015, 40(11): 2587-2595.

    • 10

      杨辉跃,涂亚庆,张海涛,等.一种基于SVD和Hilbert变换的科氏流量计相位差测量方法[J].仪器仪表学报,2012,33(9):2101-2107. doi:10.3969/j.issn.0254-3087.2012.09.026

      YANG Hui-yue, TU Ya-qing, ZHANG Hai-tao, et al. Phase difference measuring method based on SVD and Hilbert transform for Coriolis mass flowmeter [J]. Chinese Journal of Scientific Instrument, 2012, 33(9): 2101-2107.

    • 11

      赵学智,叶邦彦,陈统坚.基于SVD的奇异性信号检测原理及其应用[J].振动与冲击,2008,27(6):11-14,44. doi:10.3969/j.issn.1000-3835.2008.06.004

      ZHAO Xue-zhi, YE Bang-yan, CHEN Tong-jian. Principle of singularity detection based on SVD and its application[J]. Journal of Vibration and Shock, 2008, 27(6): 11-14, 44.

    • 12

      赵学智,叶邦彦,陈统坚.基于小波-奇异值分解差分谱的弱故障特征提取方法[J].机械工程学报,2012,48(7):37-48. doi:10.3901/JME.2012.07.037

      ZHAO Xue-zhi, YE Bang-yan, CHEN Tong-jian. Extraction method of faint fault feature based on Wavelet-SVD difference spectrum[J]. Journal of Mechanical Engineering, 2012, 48(7): 37-48.

    • 13

      蒋永华,程光明,阚君武,等.基于NGA优化SVM的滚动轴承故障诊断[J].仪器仪表学报,2013,34(12):2684-2689. doi:10.3969/j.issn.0254-3087.2013.12.007

      JIANG Yong-hua, CHENG Guang-ming, KAN Jun-wu, et al. Rolling bearing fault diagnosis based on NGA optimized SVM[J]. Chinese Journal of Scientific Instrument, 2013, 34(12): 2684-2689.

    • 14

      姜万录,吴胜强.基于SVM和证据理论的多数据融合故障诊断方法[J].仪器仪表学报,2010,31(8):1738-1743.

      JIANG Wan-lu, WU Sheng-qiang. Multi-data fusion fault diagnosis method based on SVM and evidence theory[J]. Chinese Journal of Scientific Instrument, 2010, 31(8): 1738-1743.

    • 15

      孙湛青,谢蕾.基于GA-SVM的河川径流量预测模型研究[J].武汉理工大学学报(信息与管理工程版),2015,37(5):455-459.

      SUN Zhan-qing, XIE Lei. River runoff forecasting using GA-based support vector machines [J].Journal of Wuhan University of Technology (Information & Management Engineering), 2015, 37(5): 455-459.

    • 16

      胡良谋,曹克强,徐浩军.基于LS-SVM的电液位置伺服系统多故障诊断[J].系统仿真学报,2007,19(10):2252-2255.

      HU Liang-mou, CAO Ke-qiang, XU Hao-jun. Multi-fault diagnosis for electro hydraulic position servo system based on LS-SVM[J].Journal of System Simulation, 2007, 19(10): 2252-2255.

    • 17

      卢文喜,郭家园,董海彪,等.改进的支持向量机方法在矿山地质环境质量评价中的应用[J]. 吉林大学学报(地球科学版),2016,46(5):1511-1519. doi:10.13278/j.cnki.jjuese.201605207

      LU Wen-xi, GUO Jia-yuan, DONG Hai-biao, et al. Evaluating mine geology environmental quality using improved SVM method[J]. Journal of Jilin University (Earth Science Edition), 2016, 46(5): 1511-1519.

    • 18

      AHUJA J, RATNOO S. Optimizing feature subset and parameters for support vector machine using multiobjective genetic algorithm[J].Journal of Intelligent Systems, 2015, 24(2): 145-160. doi:10.1016/j.compbiolchem.2017.08.009

    • 19

      刘爱国,薛云涛,胡江鹭,等.基于GA优化SVM的风电功率的超短期预测[J].电力系统保护与控制, 2015,43(2):90-95.

      LIU Ai-guo, XUE Yun-tao, HU Jiang-lu, et al. Ultra-short-term wind power forecasting based on SVM optimized by GA [J]. Power System Protection and Control, 2015, 43(2): 90-95.

    • 20

      刘希亮,赵学胜,陆锋,等.基于GA-SVM的露天矿抛掷爆破抛掷率预测[J].煤炭学报,2012,37(12):1999-2005.

      LIU Xi-liang, ZHAO Xue-sheng, LU Feng, et al. A GA-SVM based model for throwing rate prediction in the open-pit cast blasting[J].Journal of China Coal Society, 2012, 37(12): 1999-2005.

    • 21

      周彬学,戴特奇,梁进社,等.基于遗传算法的非线性Lowry模型模拟研究[J].北京大学学报(自然科学版),2011,47(6):1097-1104.

      ZHOU Bin-xue, DAI Te-qi, LIANG Jin-she, et al. A simulation research of nonlinear Lowry model based on genetic algorithm[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2011, 47(6): 1097-1104.