[发明专利]结合GEP和互信息的化纤卷绕机轴承故障特征提取方法

说明书

本发明提出了一种结合GEP和互信息的的化纤卷绕机轴承故障特征提取方法。使用具有进化搜索性能的改进型基因表达式编程用于滚动轴承的特征提取。为提高基因表达式编程拟合特征的可用率和轴承特征在工业场景下的结合程度，提出了一种基于互信息的特征选择方法，分别分析当前基因表达式编程特征与故障标签序列的相关性、与当前候选基因表达式编程特征集的冗余性，并在此基础上分析当前候选子集与时频域离散特征集的互补性。与原有特征对分类精度相比，基因表达式编程训练过程中能更好地保留优势特征。此方法也可以应用到工况多变的类似工业场景中，帮助故障特征提取，实现高效故障诊断。

技术领域

本发明涉及一种结合基因表达式编程(简称为GEP)和互信息的化纤卷绕机轴承故障特征提取方法，属于故障诊断领域、机器学习领域。

背景技术

化纤设备的正常运行对化纤产品的质量、化纤生产安全和化纤设备的正常使用起着至关重要的作用。化纤生产包括熔融、挤压、喷丝、集束、卷绕、加弹等多个步骤。而化纤卷绕是化纤生产过程中一道非常重要且复杂的流程。化纤卷绕所用到的设备——化纤卷绕机，具有结构复杂、运动部件多、连续运转的特性。一旦发生故障将直接影响到化纤丝线成型品质。因此，化纤卷绕机的故障诊断问题越来越受到企业和相关研究人员的重视。

卷绕卡头作为化纤卷绕机的关键部件，其结构复杂，包含多组轴承、传动轴、套筒、卡盘结合件、滑套等多部分组成。卡头轴承发生故障的概率最高。对轴承进行故障特征的提取，是进行轴承故障诊断的重要前提。目前用于轴承的故障特征提取方法主要有时频域分析、经验模态分解、谱峭度分析以及经典信号处理及机械动力学方法。但由于卡头因其位置特殊性，一端固定在旋转轮盘，另一端悬空，多个轴承被包裹在卡头内部，给卡头轴承的故障诊断带来了挑战，同时由于在卷绕过程中，卡头转速连续降低、丝饼负载持续增加、卡头位置持续变化，使得传统的轴承故特征提取方法在卷绕机卡头轴承故障诊断方面难以为继。以支持向量机、模糊理论、神经网络等方法对卡头轴承故障特征提取，可以跳过卡头复杂结构的影响，但是其特征的有效性过度依赖于数据准确性，容易出现欠拟合的情况。

基因表达式编程(简称为GEP)方法，能够有效拟合出变量与目标量之间的关系，特别是GEP是遗传算法和遗传编程的组合，集成了优化与符号编码的优势，能够很好地用于函数发现、特征挖掘。但GEP在进行子代选择时沿用了轮盘赌、锦标赛等通用的选择方法，未能充分与故障信息相结合，不能直接用于卷绕卡头轴承故障特征的提取。如果将GEP表达式与特征分类精度建立关系，将会极大增加特征提取的有效性。

发明内容

本发明的目的是：实现卷绕机卡头轴承故障特征的准确有效提取，通过使用具有进化搜索性能的改进型基因表达式编程用于滚动轴承的特征提取，从而提高故障特征的契合度与自适应性。

为了达到上述目的，本发明的技术方案是提供了一种结合GEP和互信息的化纤卷绕机轴承故障特征提取方法，其特征在于，包括以下步骤：

步骤1、采用振动加速度传感器和数采设备采集卷绕机正常以及故障状态下的振动加速度信号；

步骤2、对步骤1得到的原始采样信号中的离群部分进行剔除，并采用邻域内均值补全的方式填空补全；

步骤3、使用经验模态分解将经过步骤2处理的信号分成多个IMF分量如式(1)所示，计算各IMF分量的周期，计算卷绕机各轴承内圈、外圈、滚动体、保持架的故障频率，与各IMF分量周期进行匹配，确定卷绕机各部分对应的IMF分量：