[發明專利]基于自適應MRVM的滾動軸承故障概率性智能診斷方法

有效

• 申請號: 201710681854.4
• 申請日: 2017-08-10
• 公開（公告）號: CN107505133B
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 王波;王志樂;張青;張健康;熊鑫州;夏劍陽;肖子遙
• 申請（專利權）人: 滁州學院
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 合肥市上嘉專利代理事務所(普通合伙) 34125
• 代理人: 郭華俊

1.一種滾動軸承概率性故障診斷方法，其特征在于，包括以下步驟：

1)對于工作狀態已確定的滾動軸承，采集其原始振動信號，所述滾動軸承的工作狀態劃分為正常狀態、外圈故障、內圈故障和滾動體故障；

2)將滾動軸承不同故障類型的原始振動信號進行分段處理，每個實驗樣本由設定數量的采樣數據構成；

3)提取滾動軸承每一段信號的小波包能量特征，并將提取后的小波包能量進行歸一化處理，同時利用主成分分析對小波包能量特征進行降維處理；

4)將每一段信號經過歸一化處理和降維處理后的小波包能量特征值作為輸入向量，構造故障樣本集，并且設定四類樣本標簽，分別對應滾動軸承的正常狀態、外圈故障、內圈故障和滾動體故障；

5)利用故障樣本集推導得到多分類相關向量機的核參數集，并利用故障類型數量和故障樣本總數初始化輔助變量，尺度矩陣及權重矩陣；

6)將故障樣本集劃分為設定數量的訓練樣本集和測試樣本集，選擇高斯核作為多分類相關向量機核函數，并將訓練樣本輸入到多分類相關向量機中進行訓練，自適應地構造滾動軸承故障診斷模型；

7)利用測試樣本集輸入多分類相關向量機中進行故障識別，以獲得最終故障診斷準確率；以及

8)采集待故障診斷的滾動軸承原始振動信號，并執行步驟(2)至步驟(4)對原始振動信號進行預處理，之后利用上述多分類相關向量機進行故障識別，其概率性輸出模式為：

其中，矩陣P中每一行，順次表示滾動軸承工作狀態為正常狀態、外圈故障、內圈故障、滾動體故障的概率值大小，判定滾動軸承最后工作狀態由每一行對應狀態的最大概率值決定；若存在滾動軸承兩種工作狀態的概率值相近，則兩者都有發生故障可能性，

在所述步驟(6)中，還包括利用梯度下降求極值的方法優化多分類相關向量機模型，搜尋出最優的核參數值，其中，搜尋出最優的核參數值包括如下步驟：

6-1)初始化參數，包括第n次迭代的步長γ_n、核參數起始值β₁、允許誤差δ；

6-2)計算梯度值其計算公式如下：

其中，ω(β)是同類樣本間的夾角函數，b(β)是不同類樣本間的夾角函數，其計算公式如下：

上式中引入標準化核函數將樣本間的相似度轉化為樣本間的夾角，x,z是訓練樣本，L表示訓練樣本的類別，β是核參數，

6-3)通過步長γ_n、β_n和確定β_n+1，核參數值的迭代公式如下：

6-4)計算β_n和β_n+1的差值，并且與允許誤差δ比較,若滿足終止條件，則輸出最優核參數，否則返回步驟(8-2)繼續迭代計算，直到搜尋出最優的核參數值，該終止條件的公式如下：

β_n+1-β_n≤δ---------------(5)

上述中J(β)的復雜度取決于樣本的訓練個數及維度。

2.根據權利要求1所述的滾動軸承概率性故障診斷方法，其特征在于，在所述步驟(3)中，

利用主成分分析對提取的滾動軸承振動信號小波包能量特征向量進行降維處理，包括以下步驟：

3-2)將這些小波包能量特征按照信息量進行排序，其中，信息量由各成分方差貢獻率a_i來反映：

其中，n為特征向量值維數，λ_i為樣本數據協方差矩陣的特征向量值，

3-3)按照累計貢獻率S(m)≥95％選取前m個主要特征：

n為特征向量維數，m為要選取的前m個主要特征，

將前m個小波包能量特征進行歸一化處理的公式如下：

其中i表示該層數第i個節點，E_i表示第i個節點歸一化后的能量值，E_m表示該層上某一節點的小波包系數的平方值，表示該層所有小波包系數平方值的和。

3.根據權利要求1所述的滾動軸承概率性故障診斷方法，其特征在于，每個實驗樣本由2048個采樣數據構成，將樣本集劃分為60個訓練樣本集和120個測試樣本集。

4.一種用于滾動軸承故障識別的多分類相關向量機模型，其特征在于，其構造方法包括如下步驟：

1)對于工作狀態已確定的滾動軸承，采集其原始振動信號，所述滾動軸承的工作狀態劃分為正常狀態、外圈故障、內圈故障和滾動體故障；

2)將滾動軸承不同故障類型的原始振動信號進行分段處理，每個實驗樣本由設定數量的采樣數據構成；

3)提取滾動軸承每一段信號的小波包能量特征，并將提取后的小波包能量進行歸一化處理，同時利用主成分分析對小波包能量特征進行降維處理；

4)將每一段信號經過歸一化處理和降維處理后的的小波包能量特征值作為輸入向量，構造故障樣本集，并且設定四類樣本標簽，分別對應滾動軸承的正常狀態、外圈故障、內圈故障和滾動體故障；

5)利用故障樣本集推導得到多分類相關向量機的核參數集，利用樣本故障類型數量和故障樣本總數初始化輔助變量，尺度矩陣及權重矩陣；

6)將樣本集劃分為設定數量的訓練樣本集和測試樣本集，選擇高斯核參數作為多分類相關向量機核參數，并將訓練樣本輸入到多分類相關向量機中進行訓練，自適應地構造滾動軸承故障診斷模型；

7)利用測試樣本集輸入多分類相關向量機中進行故障識別，以獲得該多分類相關向量機的故障診斷準確率，其概率性輸出模式為：

其中，矩陣P中每一行，順次表示滾動軸承工作狀態為正常狀態、外圈故障、內圈故障、滾動體故障的概率值大小，判定滾動軸承最后工作狀態由每一行對應狀態的最大概率值決定；若存在滾動軸承兩種工作狀態的概率值相近，則兩者都有發生故障可能性，

其中，搜尋出最優的核參數值包括如下步驟：

6-1)初始化參數，包括第n次迭代的步長γ_n、核參數起始值β₁、允許誤差δ；

6-2)計算梯度值其計算公式如下：

其中，ω(β)是同類樣本間的夾角函數，b(β)是不同類樣本間的夾角函數，其計算公式如下：

上式中引入標準化核函數將樣本間的相似度轉化為樣本間的夾角，x,z是訓練樣本，L表示訓練樣本的類別，β是核參數，

6-3)通過步長γ_n、β_n和確定β_n+1，核參數值的迭代公式如下：

6-4)計算β_n和β_n+1的差值，并且與允許誤差δ比較,若滿足終止條件，則輸出最優核參數，否則返回步驟(8-2)繼續迭代計算，直到搜尋出最優的核參數值，該終止條件的公式如下：

β_n+1-β_n≤δ---------------(5)

上述中J(β)的復雜度取決于樣本的訓練個數及維度。