基于改进的VMD-CNN-BiLSTM的轴承故障预测方法

本发明属于故障预测领域，具体涉及一种基于改进的vmd-cnn-bilstm的轴承故障预测方法。

背景技术：

1、减速器是各种机械设备中的重要组件，减速器能够将高速输出转换成低速高扭矩的输入，实现动力传递和调节。减速器的轴承是支撑转子运动和承受载荷的关键部件，在长时间运行过程中容易出现磨损、疲劳和故障。减速器轴承存在密封的机器内部，无法对轴承实时预测。基于振动信号的故障预测技术，能够快速、准确预测轴承运行状态。在故障预测领域中，基于振动信号进行故障预测会受到设备本身的运行环境、噪音、粉尘等恶劣条件的影响。对收集到的信号进行较好的滤波去噪处理，能够更好对轴承运行状态进行故障诊断。

2、早期故障预测利用人工神经网络等计算智能技术，故障预测能力较差。目前的预测方法主要分为物理方法和数据驱动方法，由于环境复杂等外界因素影响，物理方法不适合进行预测，元启发式方法对特征变量进行深层次的故障预测，相比最小乘向量机(svm)、随机森林(rf)、决策树(dt)等机器学习模型，它们对数据质量要求较高。

3、近些年智能优化算法不断提出，例如鲸鱼算法、遗传算法、粒子群算法等，对不同的算法结构的准确度和计算效率有了显著提升。将深度模型与智能优化算法进行结合，通过搜索和优化算法来调整深度模型的参数，从而提升模型的性能，通过降维、特征选择等方法减少模型输入的维度，提高模型的处理效率和泛化能力。

4、常见的信号预处理方法有：小波阈值降噪、经验模态分解(empirical modedecomposition,emd)、奇异值分解(singularvalue decomposition,svd)、滤波去噪、变分模态分解(varational mode decomposition)。vmd算法在振动信号故障预测中具有显著优势，是一种自适应、完全非递归的信号处理方法，能够根据实际情况确定所给序列的模态分解个数；这使得vmd在处理复杂和非线性系统时具有优势，它可以自适应地捕捉和解析系统的内在特性，但vmd算法不能一步到位实现对非平稳信号分离，对现阶段去噪不彻底、算法复杂度高、目标信号容易失真性等问题。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明公开了一种基于改进的vmd-cnn-bilstm的轴承故障预测方法，将智能优化算法改进vmd结合cnn-bilstm，提升深度学习模型对于轴承故障的准确率.

2、技术方案：本发明提出了一种基于改进的vmd-cnn-bilstm的轴承故障预测方法，包括以下步骤：

3、步骤1：获取制造业中减速器中轴承零部件的振动信号；

4、步骤2：利用改进的北方苍鹰算法ungo优化vmd模型，利用优化后的vmd模型对振动信号进行去噪，获取分解后的若干imfs；所述改进的北方苍鹰算法ungo引入smp混沌映射优化初始化种群分布、邻近搜索空间进行局部寻优以及莱维飞行策略防止陷入局部最优；

5、步骤3：对去噪后的振动信号使用有效加权标准mbvh进行imfs筛选，并进行信号重构；

6、步骤4：将重构信号划分为训练集和测试集，构建改进的cnn-bilstm预测模型，完成故障预测；所述改进的cnn-bilstm预测模型将cnn提取的局部特征作为bilstm的输入，且cnn利用步骤2中改进的北方苍鹰算法ungo迭代寻优最优步长的卷积层进行卷积，将cnn的输出序列和bilstm的输出序列进行残差连接。

7、进一步地，所述步骤2中对获取的振动信号使用基于改进的北方苍鹰算法ungo进行迭代二次惩罚因子α，选取信息熵增量结合峭度指标为目标函数，得到固有模态函数个数k，形成最优vmd参数[k，α]，进行vmd分解为若干个imf。

8、进一步地，所述改进的北方苍鹰算法ungo，改进步骤如下所示：

9、步骤2.1：初始化种群，引入smp混沌映射优化初始化种群分布，对临近搜索空间进行全局寻优，令第i个苍鹰的位置xi，识别猎物捕食位置在第j维的位置，则第i个苍鹰位置更新为：

10、

11、式中，表示第i个苍鹰在第j维中的新位置，l为[0，1]中的随机数，i为随机整数，fpi表示狩猎位置的目标函数值，fi表示当前目标函数值，pi，j表示第i个苍鹰在第j维中的猎物捕食位置，xi,j表示第i个苍鹰在第j维中的位置；

12、第i个苍鹰的新目标函数值更新为：

13、

14、第i个苍鹰位置更新为：

15、

16、第i个苍鹰第一阶段更新后的位置为xi：

17、

18、式中，表示更新后的目标函数值；

19、

20、式中，xi,jnew，p1表示第i个苍鹰在第j维中的新位置，l为[0,1]中的随机数，i为随机整数，fpi表示狩猎位置的目标函数值，fi表示当前目标函数值，pi,j表示第i个苍鹰在第j维中的猎物捕食位置，xi,j表示第i个苍鹰在第j维中的位置，i表示。

21、第i个苍鹰的新目标函数值更新为：

22、

23、第i个苍鹰位置更新为：

24、

25、第i个苍鹰第一阶段更新后的位置为xi：

26、

27、步骤2.2：在算法第二阶段，引入邻近搜索空间进行局部寻优，第i个苍鹰位置变为：

28、

29、步骤2.3：在算法第二阶段引入了莱维(levy)飞行策略防止陷入局部最优，对北方苍鹰算法第二阶段中第i个北方苍鹰的位置更新为：

30、

31、式中，levy为莱维式子所得，m为相关邻近搜索范围；

32、第二阶段中的第i个苍鹰的目标函数值和最终位置变为：

33、

34、

35、进一步地，所述步骤3中有效加权标准mbvh进行imfs筛选，mbvh公式如下所示：

36、

37、式中：s(i)为第i个模态分量xi(t)的稀疏度；n为模态分量长度；k为模态分量个数；c(i)为第i个模态分量xi(t)与原信号之间的相关系数；e(·)为期望算子，计算各个模态分量中的加权峭度值，其公式如下所示：

38、

39、当mbvh值大于0时，保留该imf，否则认为该分量为无效分量，该分量为噪声，进行删除。

40、进一步地，所述步骤4中改进的cnn-bilstm预测模型，具体如下所示：

41、(1)输入振动信号，将输入的信号源表示一个时间序列，其中每个时间步对应一个振动数据点；

42、(2)利用cnn卷积神经网络根据输入的振动信号进行特征提取，提取局部特征；

43、(3)将cnn池化后的矩阵作为双向长短期记忆网络的输入，利用双向长短期记忆网络学习全局上下文信息，得到bilstm的输出序列；

44、(4)将cnn的输出序列和bilstm的输出序列进行残差连接有机融合。

45、进一步地，所述cnn卷积神经网络进行3×3、改进的北方苍鹰算法迭代寻优最优步长的卷积层，将卷积核在输入振动信号上进行滑动，每次滑动一个时间步长，将卷积核与输入的振动信号数据点进行卷积操作，生成相关特征图，选取relu为激活函数，分别进行批正规化、激活层、池化层处理，将卷积层和池化层进行残差连接，得到局部特征的输出序列。

46、有益效果：

47、(1)本发明改进的cnn-bilstm预测模型通过在每个卷积层和池化层之间应用残差连接，cnn可以更好地发挥其特征提取的能力，缓解了深层网络中的梯度消失问题，使得模型可以更深层次地提取特征。残差连接可以将cnn和bilstm的输出序列进行有效相加，将cnn提取的局部特征和bilstm学习到的全局上下文信息进行有机融合，丰富模型对输入序列的特征表达能力。

48、(2)本发明利用改进的北方苍鹰算法优化vmd模型，对vmd算法中的惩罚因子ɑ进行迭代优化，二次惩罚因子ɑ的选择直接影响最后结果的获取，分解得到不同状态下的imf。

49、(3)本发明对北方苍鹰算法进行改进，引入smp混沌映射来初始化鹰群可以解决算法初始化种群个数不均匀导致种群个体陷入局部最优问题，另外，在算法第二阶段(追击和逃生阶段)引入邻近搜索空间进行局部寻优，加快搜寻当前搜索区域内的最优解，提高整体搜索效率。引入了莱维(levy)飞行策略到北方苍鹰算法的第二阶段，防止陷入局部最优问题。

50、(4)本发明将imfs基于有效加权标准mbvh进行筛选，当所得的imbvh大于0时，保留该imf，否则认为该分量为无效分量，该分量认为是噪声进行删除。删除无效分量，加强信号源数据有效化，加强数据可读性和故障预测准确性。