[發(fā)明專利]基于自適應(yīng)MRVM的滾動軸承故障概率性智能診斷方法

有效

• 申請?zhí)枺?/td>: 201710681854.4
• 申請日: 2017-08-10
• 公開（公告）號: CN107505133B
• 公開（公告）日: 2019-05-28
• 發(fā)明（設(shè)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(quán)）人: 滁州學(xué)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(wù)所(普通合伙) 34125
• 代理人: 郭華俊

本發(fā)明公開了一種基于自適應(yīng)MRVM的滾動軸承概率性智能故障診斷方法，包括以下步驟：利用加速度傳感器測得滾動軸承原始故障數(shù)據(jù)，對振動信號分段并提取小波包能量特征，并利用主成分分析降維同時進行歸一化處理，通過處理劃分訓(xùn)練樣本集和測試樣本集，利用一種算法自適應(yīng)選擇核參數(shù)，利用訓(xùn)練樣本集對多分類相關(guān)向量機進行訓(xùn)練和測試，將測試結(jié)果與實際故障類型比較，得到診斷模型的有效性。本發(fā)明方法克服了傳統(tǒng)智能故障診斷方法無法輸出故障發(fā)生概率值的缺陷，提高了滾動軸承故障診斷的準(zhǔn)確率，且提供了更多滾動軸承故障類型判別的信息，通過本發(fā)明提供的故障類型發(fā)生概率值可以對滾動軸承狀態(tài)進行進一步評估，具有較好的工程價值和應(yīng)用前景。

技術(shù)領(lǐng)域

本發(fā)明屬于滾動軸承智能故障診斷領(lǐng)域，具體涉及一種基于自適應(yīng)多分類相關(guān)向量機模型(MRVM)的滾動軸承故障智能診斷方法。

背景技術(shù)

滾動軸承是旋轉(zhuǎn)機械設(shè)備必不可少的重要組件，一旦滾動軸承出現(xiàn)問題，輕者造成經(jīng)濟損失，重者危害生命，因此了解滾動軸承實時的工作狀態(tài)對監(jiān)控大型機械設(shè)備是否正常運行具有重要的意義。

智能故障診斷是滾動軸承故障診斷的重要技術(shù)之一，主要通過故障特征提取結(jié)合故障識別器進行故障識別，本質(zhì)上屬于模式識別范疇，故障識別器設(shè)計的優(yōu)劣直接影響到最終的故障識別準(zhǔn)確率。

基于模式識別的機械智能故障診斷方法主要通過已有故障樣本的學(xué)習(xí)對未知的故障類型進行預(yù)測，其中支持向量機(Support Vector Machine，SVM)在故障診斷領(lǐng)域得到廣泛應(yīng)用?；诮y(tǒng)計學(xué)習(xí)理論的支持向量機(SVM)能夠較好地解決小樣本學(xué)習(xí)問題，具有應(yīng)用于機械智能故障診斷的潛力。但是SVM存在著支持向量會隨著訓(xùn)練樣本集的增大線性增加、核函數(shù)必須滿足Mercer條件、預(yù)測結(jié)果必須對折中系數(shù)C進行人為設(shè)置，并且只能輸出準(zhǔn)確率無法輸出更多參考信息(如概率信息)等缺點。

基于稀疏貝葉斯理論的相關(guān)向量機(Relevance Vector Machine，RVM)克服了SVM的固有缺陷。與SVM相比，RVM通過貝葉斯學(xué)習(xí)增加了模型的稀疏度，提高了訓(xùn)練速度并且可輸出診斷結(jié)果的后驗概率分布。RVM作為故障識別器的獨特潛力是可以輸出診斷結(jié)果的概率，即可以對各種故障的可能性進行評估，非常符合實際的故障診斷及維修。然而，針對多故障診斷問題，目前研究采用“一對一”、“一對多”等組合學(xué)習(xí)方法實現(xiàn)相關(guān)向量機的多故障診斷，本質(zhì)上卻拋棄了相關(guān)向量機的概率輸出特性，其原因是此類實現(xiàn)多類型分類相關(guān)向量機的機制決定了其無法輸出故障診斷結(jié)果的概率，喪失了相關(guān)向量機作為故障識別器的重要特性。理想的故障識別器應(yīng)該對各種故障發(fā)生的可能性給出具體的概率值。

實際上，傳統(tǒng)智能故障診斷方法目前還不能完全精確地識別故障類型。如果技術(shù)人員根據(jù)診斷結(jié)果檢測后發(fā)現(xiàn)機械某個部位未發(fā)生故障，可以根據(jù)發(fā)生故障概率值大小次序?qū)α硪桓怕手荡沃墓收项愋瓦M行進一步檢測。這樣的診斷策略才比較符合實際的診斷過程。因此，采用概率輸出型的智能識別器更加適合于機械故障診斷領(lǐng)域。

多分類相關(guān)向量機(MRVM，Multi-classification of Relevance VectorMachine)可以直接實現(xiàn)多故障診斷，更重要的是該方法可以直接輸出各故障類型的概率信息，便于實際維修人員對診斷結(jié)果依據(jù)概率大小進行故障評估，非常符合實際的故障診斷及維修。但其在核參數(shù)選擇方面，核參數(shù)需預(yù)先設(shè)定，存在很大的不確定性。

多分類相關(guān)向量機的學(xué)習(xí)原理如下：

首先給定訓(xùn)練集x∈R^D，D為樣本維數(shù)，t∈{1,2...3}是樣本各自的類別標(biāo)簽。通過樣本集得到訓(xùn)練模型的核函數(shù)集K＝[k₁,k₂...k_N]，K∈R^N×N。通過引入權(quán)重參數(shù)W和輔助變量Y得到標(biāo)準(zhǔn)噪聲模型

其次將回歸目標(biāo)轉(zhuǎn)化成為類別標(biāo)簽，引入多項式概率模型：

由此產(chǎn)生多項概率似然函數(shù)