探析果蠅優(yōu)化算法融合SVM的風(fēng)機(jī)葉片損傷識(shí)別
相關(guān)鏈接： 中國(guó)安全網(wǎng) 中國(guó)質(zhì)量網(wǎng) 中國(guó)論文網(wǎng) 中國(guó)資訊網(wǎng)
作者；鄭曉敏
近年來(lái)，人工智能識(shí)別方法在風(fēng)機(jī)葉片損傷識(shí)別中得到應(yīng)用。文獻(xiàn)[3]使用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)葉片不同損傷等級(jí)的識(shí)別；文獻(xiàn)[4]~[8]提取葉片聲發(fā)射信號(hào)的特性差別信息，建立模式識(shí)別模型實(shí)現(xiàn)模式識(shí)別。本文針對(duì)裂紋損傷和邊緣損傷，選用支持向量機(jī)( suppot vector machine，SVM)進(jìn)行損傷識(shí)別。果蠅優(yōu)化算法(fruit fly optimization algorithm，F(xiàn)OA)，具有適應(yīng)性強(qiáng)和速度快的特點(diǎn)，且在煤礦開采、軸承故障診斷、船舶操縱預(yù)報(bào)等領(lǐng)域得到應(yīng)用，在風(fēng)機(jī)葉片損傷識(shí)別中還未得到應(yīng)用。本文使用果蠅優(yōu)化算法( FOA)優(yōu)化風(fēng)機(jī)葉片損傷識(shí)別模型，并從葉片損傷聲發(fā)射信號(hào)采集和數(shù)據(jù)模式識(shí)別兩部分進(jìn)行研究，其中數(shù)據(jù)采集部分通過(guò)硬件完成，模式識(shí)別通過(guò)SVM實(shí)現(xiàn)。
1 聲發(fā)射信號(hào)采集
風(fēng)機(jī)葉片直接面對(duì)風(fēng)能，將風(fēng)能轉(zhuǎn)換為自身旋轉(zhuǎn)的機(jī)械能，是風(fēng)力發(fā)電過(guò)程中最重要的一步，因此，檢測(cè)葉片的狀態(tài)特征信息是監(jiān)測(cè)其健康狀況的關(guān)鍵問(wèn)題。材料或結(jié)構(gòu)在外力作用下，其異常部位因應(yīng)力集中而產(chǎn)生變形或者斷裂等，并伴隨能量的快速釋放，產(chǎn)生瞬態(tài)彈性波現(xiàn)象，稱為聲發(fā)射( acoustic emission，AE)。與振動(dòng)信號(hào)相比，聲發(fā)射信號(hào)的幅值大小和自身能量變化有關(guān)，與振動(dòng)狀態(tài)無(wú)關(guān)，所以本文使用聲發(fā)射技術(shù)采集葉片損傷聲發(fā)射信號(hào)，避免因振動(dòng)因素對(duì)損傷識(shí)別產(chǎn)生影響。信號(hào)采集的硬件系統(tǒng)結(jié)構(gòu)圖如圖1所示。
其中圖1(a)所示的是位于葉片上的聲發(fā)射信號(hào)采集和無(wú)線發(fā)送結(jié)構(gòu)圖，圖1(b)所示的是位于機(jī)艙中的信號(hào)無(wú)線接收以及和位于地面的上位機(jī)通信部分結(jié)構(gòu)圖。
傳感器選用北京聲華SR150M聲發(fā)射傳感器，模數(shù)轉(zhuǎn)換選用維斯特公司的USB2.0數(shù)據(jù)采集卡，無(wú)線收發(fā)模塊選用JASK1000無(wú)線開發(fā)板，無(wú)線接收與上位機(jī)通過(guò)RS-485通信，上位機(jī)通過(guò)串口接收數(shù)據(jù)并處理數(shù)據(jù)。實(shí)驗(yàn)對(duì)象是長(zhǎng)度為1.5 m的小型玻璃鋼葉片，實(shí)驗(yàn)的采樣頻率是500 kHz，采樣點(diǎn)數(shù)是4 096，對(duì)裂紋損傷和邊緣損傷兩類故障分別采集300組數(shù)據(jù)。人為模擬兩類損傷。對(duì)于裂紋損傷，先人為在葉片上制造一條裂紋，然后在裂紋處施加壓力，使其出現(xiàn)細(xì)小裂紋，產(chǎn)生聲發(fā)射信號(hào)并采集。對(duì)于邊緣損傷，使用外力擠壓葉片邊緣，使之產(chǎn)生塑性變形，產(chǎn)生聲發(fā)射信號(hào)并采集。選取兩類損傷具有代表性的聲發(fā)射信號(hào)，其波形如圖2所示。其中圖2(a)為裂紋損傷聲發(fā)射波形，圖2(b)為邊緣損傷聲發(fā)射波形。
2果蠅優(yōu)化算法
果蠅優(yōu)化算法( FOA)是臺(tái)灣潘文超博士于2011年提出的一種基于果蠅覓食行為推演出尋求全局最優(yōu)化的方法，是群體智能的一種新方法，屬于演化式計(jì)算范疇，亦屬于人工智能領(lǐng)域。FOA在應(yīng)用上無(wú)領(lǐng)域限制，使用上非常靈活。
果蠅尋優(yōu)流程圖如圖3所示。本文使用果蠅優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)。
果蠅以其超強(qiáng)的嗅覺(jué)和視覺(jué)優(yōu)于其他物種，可以大范圍內(nèi)搜尋空中的食物氣味，然后飛近食物后依靠敏銳的視覺(jué)發(fā)現(xiàn)食物。一個(gè)個(gè)體發(fā)現(xiàn)食物位置則果蠅群體將全部朝著這個(gè)方向飛去，最終找到食物。搜尋步驟如下。
從圖4中可以發(fā)現(xiàn)，兩類損傷信號(hào)的聲發(fā)射頻率主要集中在[0，250 kHz]，而實(shí)驗(yàn)采樣頻率量程為500 kHz，即故障頻率主要在前半段，得出故障信號(hào)的能量主要集中在前半部分。
根據(jù)對(duì)信號(hào)包絡(luò)譜的分析，將提取信號(hào)的前半段能量特征作為支持向量機(jī)的輸入。使用db5小波對(duì)故障信號(hào)進(jìn)行4層分解，得到16個(gè)頻段，提取前8個(gè)頻段的8個(gè)能量值作為一組支持向量機(jī)的輸入。能量值通過(guò)式(2)求得。
式中：n為采樣點(diǎn)數(shù)；j=1，2，…，7。
利用能量特征向量建立支持向量機(jī)模型。本文針對(duì)葉片裂紋損傷和邊緣損傷兩類故障，選用二分類支持向量機(jī)。支持向量機(jī)分類思想是將輸入的特征向量通過(guò)決策面函數(shù)映射到高維空間，在高維空間中求出最大間隔分類面，實(shí)現(xiàn)模式識(shí)別。實(shí)現(xiàn)模式識(shí)別的關(guān)鍵是決策面函數(shù)的構(gòu)造。決策面函數(shù)為：
式中：C為冗余參數(shù)；b通過(guò)使式(6)成立的樣本xj（即特征向量數(shù)據(jù)）求得。
將裂紋損傷作為一類故障，標(biāo)簽設(shè)定為1；將邊緣損傷作為二類故障，標(biāo)簽設(shè)定為2。模式識(shí)別使用LIBSVM工具箱，實(shí)驗(yàn)對(duì)兩類損傷分別采集300組數(shù)據(jù)，通過(guò)數(shù)據(jù)處理分別提取出300組特征向量，其中200組作為訓(xùn)練集，建立支持向量機(jī)模型，剩余100組作為測(cè)試集，測(cè)試模型預(yù)測(cè)的準(zhǔn)確率。使用粒子群優(yōu)化算法（particle swarm optimization，PSO）對(duì)支持向量機(jī)參數(shù)(c，g)進(jìn)行求取，粒子群種群數(shù)量為20，迭代次數(shù)為100，利用求取的參數(shù)建立支持向量機(jī)模型，并測(cè)試模型分類的準(zhǔn)確率。分類的結(jié)果為185/200，準(zhǔn)確率為92.5%；使用粒子群優(yōu)化算法求取的支持向量機(jī)參數(shù)(c，g)分別為(57. 224 2，0.01)。兩類損傷各自的誤判結(jié)果如表1所示。
從圖5可以看出，果蠅尋優(yōu)在第3次迭代時(shí)，均方根誤差收斂到最小，即第3次迭代時(shí)的濃度值最佳，對(duì)應(yīng)的位置最優(yōu)，求出的參數(shù)(c，g)分別為(52. 021 7，0. 03)，優(yōu)化后的分類結(jié)果為191/200，準(zhǔn)確率為95.5%。果蠅優(yōu)化后的兩類損傷各自誤判結(jié)果如表2所示。
從表2可以看出，參數(shù)優(yōu)化后，兩類損傷故障的誤判數(shù)明顯減少。使用果蠅優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)與使用粒子群優(yōu)化算法優(yōu)化相比，前者優(yōu)化后能減少誤判數(shù)，顯著提高模式識(shí)別的準(zhǔn)確度。
4結(jié)束語(yǔ)
本文利用聲發(fā)射技術(shù)監(jiān)測(cè)葉片狀態(tài)，使用無(wú)線通信方式傳輸信號(hào)。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)信號(hào)采集和無(wú)線傳輸可靠；同時(shí)無(wú)線技術(shù)解決了有線檢測(cè)的纏線問(wèn)題，為旋轉(zhuǎn)部件狀態(tài)監(jiān)測(cè)提供方法。
本文利用故障信號(hào)的能量特征建立支持向量機(jī)模型，利用果蠅優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)，并與粒子群優(yōu)化算法優(yōu)化相比較。結(jié)果表明，使用果蠅優(yōu)化算法優(yōu)化參數(shù)，增加了損傷分類的準(zhǔn)確度，提高了模式識(shí)別的準(zhǔn)確率，能夠完成對(duì)葉片損傷的識(shí)別。
5摘要：為提高風(fēng)機(jī)葉片裂紋損傷和邊緣損傷識(shí)別的準(zhǔn)確率，提出使用果蠅優(yōu)化( FOA)算法和支持向量機(jī)(SVM)相結(jié)合的方法。使用硬件系統(tǒng)采集兩類損傷故障的聲發(fā)射信號(hào)，然后對(duì)信號(hào)進(jìn)行小波處理，提取能量特征，根據(jù)能量特征信息，建立支持向量機(jī)模型，測(cè)試其準(zhǔn)確率；采用果蠅優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)，使模型損傷識(shí)別更準(zhǔn)確，并將優(yōu)化后模型識(shí)別結(jié)果與粒子群優(yōu)化( PSO)算法優(yōu)化支持向量機(jī)后的識(shí)別結(jié)果相比較。仿真結(jié)果表明，使用果蠅優(yōu)化算法優(yōu)化后的支持向量機(jī)模型的識(shí)別精度更高，能夠準(zhǔn)確地實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片損傷的識(shí)別。
