[發明專利]一種基于增強型LPP算法和極限學習機快速軸承故障識別方法

有效

• 申請號: 201810407310.3
• 申請日: 2018-05-02
• 公開（公告）號: CN108709745B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 陶新民;劉銳;任超;梁祥磊;郭文杰;劉艷超;陶思睿
• 申請（專利權）人: 東北林業大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 哈爾濱東方專利事務所 23118
• 代理人: 陳曉光

1.一種基于增強型LPP算法和極限學習機快速軸承故障識別方法，其特征在于：該方法包括以下步驟：

(1)利用安裝在軸承上的振動傳感器收集該軸承在不同工狀下的振動信號，設共有四種工狀：正常狀態、內圈故障狀態、外圈故障狀態和滾動體故障狀態，然后分別對各種工況下的信號進行長度為1024分段處理得到訓練樣本集合，其中N表示單個工況下訓練樣本集合的個數；

(2)對步驟(1)獲取的訓練樣本信息進行特征提取，得到能有效反應各種工況下振動信號特征的集合，設共有M個特征，則X_normal^*，X_inner^*，X_outer^*，X_ball^*∈R^N×M；

(3)對步驟(2)獲取的特征訓練樣本集合進行標準化處理，使每個特征指標的數值范圍確定在均值為0，方差為1的標準正態分布區間內；

(4)將步驟(3)得到的標準化處理后的訓練樣本特征矩陣X^*∈R^(4N)×M進行增強型局部保持投影分析，其中局部保持投影的投影向量個數為P，最終確定W_EnLPP投影向量，W_EnLPP∈R^M×P；

(5)利用步驟(4)中得到的局部保持投影向量W_EnLPP求解降維后的投影系數向量，X′_{E nLPP}＝X^*×W_EnLPP，X′_EnLPP∈R^(4N)×P；

(6)利用步驟(5)中求得的降維后的投影系數向量X′_EnLPP訓練極限學習機模型M_elm；

(7)通過安裝在軸承上的振動傳感器收集該軸承的振動信號，經長度為1024分段處理及標準化處理后，計算特征向量利用W _{E n L P P}計算投影系數向量然后輸入到訓練好的模型M_elm中確定當前軸承最終的工作狀態；

對步驟(2)中的特征提取所采用的方法是提取振動信號片段在不同層下的小波域廣義高斯分布特征及能量熵特征，其具體步驟如下：設xi∈R^N×1024，i＝1，2，…，N為來自任何一個工況下的樣本集合，對其進行小波分解，設這里采用的小波為DB1，分解層數為L，然后對每一層小波利用廣義高斯分布擬合它系數的分布特征，通過最大似然估計法得到對應模型的形狀參數和尺度參數，廣義高斯分布模型如下：

其中α控制著廣義高斯分布模型的寬度，稱作尺度參數；β控制著廣義高斯分布模型的衰減程度，稱作形狀參數，同時分別計算每層系數的熵值，每層系數的熵值計算公式為：

其中d_ij為第i層小波系數的第j個小波系數值，令M＝15則形成最終的特征集合{α₁，β₁，α₂，β₂，α₃，β₃，α₄，β₄，α₅，β₅，E₁，E₂，E₃，E₄，E₅}，其中α_i，β_j分別是第i層小波系數的GGD模型特征的尺度參數和形狀參數；

步驟(3)中對每個指標值進行標準化處理所采用的方法是z-score法，其具體步驟如下：設，對任意指標進行標準化處理所采用的方法如下：

同時記錄μ_j，σ_j以備新樣本的標準化處理；

步驟(4)中W_EnLPP計算方法如下所述：

根據標準化后的訓練樣本特征矩陣X^*構造鄰接矩陣U⁽¹⁾∈R^(4N)×(4N)和度量矩陣D⁽¹⁾∈R^(4N)×(4N)，其中u_ij⁽¹⁾∈U⁽¹⁾的表達式如下：

i，j＝1，2，…，4N ,因本方法對熱核參數σ和最近鄰個數K的選取不敏感，因此

設置σ＝1或0 .5 ,設置K＝5；

構造度量矩陣D⁽¹⁾，d_ij⁽¹⁾＝0，i≠j，i，j＝1，2 ...，4N，并求得拉普拉斯矩陣L⁽¹⁾，其中L⁽¹⁾＝D⁽¹⁾-U⁽¹⁾；

構造A＝X^*L⁽¹⁾X^*T ,B＝X^*D⁽¹⁾X^*T并求解AV＝λBV廣義特征值特征向量，其中前P個最小特征值λ_i，i＝1，…，P所對應的特征向量V_i，i＝1，…，P即為

設置最大循環次數MaxIter＝300，以及當前迭代次數iter＝2，當iter≤MaxIter時

重新構造U ^{( i t e r )} ，根據U ^{( i t e r )}構造度量矩陣D ^{( i t e r )} ,d _{i j}^{( i t e r )}＝ 0 ，i≠ j ，i，j＝1，2 ...，4N以及L^(iter)＝D^(iter)-U^(iter) ,構造A＝X^*L^(iter)X^*T ,B＝X^*D^(iter)X^*T并求解AV＝λBV廣義特征值特征向量，其中前P個最小特征值λi，i＝1，…，P所對應的特征向量V_i，i＝1，…，P即為

iter＝iter+1，重復直到滿足停止條件；W_EnLPP就等于最后得到的即；

步驟(6)中M_elm模型通過下列方法進行訓練：首先確定隱層個數L，輸出層的個數即為分類個數C，這里設置為4，即為4種工況，隨機初始化輸入權重和偏置矩陣，設為W_Input∈R^L×P ,B_input∈R^L×1，擴展B_input為B∈R^L×(4N) ,計算隱層輸出矩陣H∈R^L×(4N)：

構造數據類別結果矩陣T∈R^(4N)×c，t_ij＝1當x_ij∈j類時，其他為-1，求得W_output∈R^L×C，H⁺為H的Moore-Penrose廣義逆矩陣，最終得到訓練后的極限學習機模型：

M_elm＝{W_Input，B_input，W_output}；

步驟(7)中的標準化處理方法利用的是步驟(3)存儲的μ_j，σ_j，j＝1，2，…M進行zscore標準化，特征向量的確定采用的是步驟(2)中的特征提取方法，利用步驟(4)得到的W_EnLPP計算降維后的系數向量最終狀態的確定由M_elm模型確定，

取max(H_test)所對應的下標即為當前軸承設備工況的輸出。