[發(fā)明專利]一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910081340.4
• 申請(qǐng)日: 2019-01-28
• 公開（公告）號(hào): CN109781411B
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 楊清宇;張志強(qiáng);安豆;乃永強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 徐文權(quán)

1.一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法，其特征在于：包括以下步驟：

S1、采集滾動(dòng)軸承不同運(yùn)行工況下的時(shí)域振動(dòng)信號(hào)；

S2、構(gòu)造含有N個(gè)樣本的無標(biāo)簽的訓(xùn)練集以及含有M個(gè)樣本的有標(biāo)簽的訓(xùn)練集

其中，x_n為訓(xùn)練集T1中采集到的D維振動(dòng)信號(hào)；a_m為訓(xùn)練集T2中采集到的D維振動(dòng)信號(hào)，是D維振動(dòng)信號(hào)對(duì)應(yīng)的工況標(biāo)簽編碼，c為軸承的故障類型個(gè)數(shù)；

S3、計(jì)算訓(xùn)練集T1每個(gè)振動(dòng)信號(hào)x_n的時(shí)域統(tǒng)計(jì)參數(shù)，并得到振動(dòng)信號(hào)x_n對(duì)應(yīng)的統(tǒng)計(jì)特征向量t_n，n＝1,2,···,N；

用模糊C均值聚類算法對(duì)整個(gè)統(tǒng)計(jì)特征向量的數(shù)據(jù)集進(jìn)行聚類，得到每個(gè)統(tǒng)計(jì)特征向量t_n對(duì)應(yīng)的偽標(biāo)簽

S4、計(jì)算訓(xùn)練集T1中每個(gè)D維振動(dòng)信號(hào)x_n的K個(gè)近鄰樣本，然后利用步驟S3中得到的偽標(biāo)簽和每個(gè)D維振動(dòng)信號(hào)x_n的K個(gè)近鄰樣本共同構(gòu)建Min-Max正則項(xiàng)中的拉普拉斯矩陣L∈R^N×N，根據(jù)拉普拉斯矩陣L∈R^N×N建立Min-Max正則項(xiàng)模型，同時(shí)利用訓(xùn)練集T1構(gòu)建原始的稀疏濾波器模型，并將Min-Max正則項(xiàng)模型和原始的稀疏濾波器模型結(jié)合，得到改進(jìn)稀疏濾波器模型；

S5、用訓(xùn)練集T1訓(xùn)練改進(jìn)稀疏濾波器模型，訓(xùn)練完畢后，固定改進(jìn)稀疏濾波器模型參數(shù)；

將訓(xùn)練集中的每一個(gè)D維振動(dòng)信號(hào)a_m輸入訓(xùn)練好的改進(jìn)稀疏濾波器模型中，得到D維振動(dòng)信號(hào)a_m對(duì)應(yīng)的特征表征b_m∈R^d，d為所學(xué)習(xí)的特征個(gè)數(shù)；

根據(jù)特征表征和其對(duì)應(yīng)的標(biāo)簽訓(xùn)練核極限學(xué)習(xí)機(jī)分類器，得到核極限學(xué)習(xí)機(jī)(KELM)分類器的參數(shù)并固定；

S6、利用訓(xùn)練好的改進(jìn)的稀疏濾波器模型對(duì)一個(gè)未知類別的原始振動(dòng)信號(hào)提取其對(duì)應(yīng)的特征表征，將提取的特征表征輸入訓(xùn)練好的核極限學(xué)習(xí)機(jī)分類器中，確定該振動(dòng)信號(hào)對(duì)應(yīng)的故障類型。

2.根據(jù)權(quán)利要求1所述一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法，所述步驟S3中偽標(biāo)簽的計(jì)算方法具體如下；

模糊C均值聚類算法的目標(biāo)函數(shù)為：

其中，p＝1,2,...,k k表示聚類的群個(gè)數(shù)，U＝(u_pn)_k×N表示隸屬度矩陣，u_pn表示第n個(gè)樣本對(duì)第p個(gè)群的隸屬度值，且滿足V＝(v₁,v₂,...,v_k)表示群中心矩陣，v_p表示第p個(gè)群中心；

對(duì)目標(biāo)函數(shù)中的V和U交替迭代直至目標(biāo)函數(shù)收斂，迭代公式如下；

和

目標(biāo)函數(shù)收斂時(shí)的隸屬度矩陣為每個(gè)統(tǒng)計(jì)特征向量t_n分配對(duì)應(yīng)的偽標(biāo)簽y_n。

3.根據(jù)權(quán)利要求1所述一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法，所述步驟S3中所述時(shí)域統(tǒng)計(jì)參數(shù)包括均值、方差、根幅值、均方根、峰值、偏度值、峭度值、波峰因數(shù)、裕度因數(shù)、波形因數(shù)和脈沖指標(biāo)。

4.根據(jù)權(quán)利要求1所述一種結(jié)合改進(jìn)稀疏濾波器與KELM的軸承故障診斷方法，所述步驟S4中原始稀疏濾波器的建模方法具體如下；

在非線性映射g(x)＝log(1+x²)下將每一個(gè)D維振動(dòng)信號(hào)x_n變換成其對(duì)應(yīng)的特征表征f_n＝g(W^Tx_n)，W∈R^D×d為變換矩陣，則訓(xùn)練集對(duì)應(yīng)的特征表征矩陣

令f_n∈R^d×1和f^j∈R^1×N分別表示矩陣F的行向量和列向量，然后對(duì)矩陣F的每一列做歸一化，得到歸一化后的矩陣歸一化公式如下；

表示矩陣的第n行，則對(duì)矩陣的每一行做歸一化，歸一化公式如下；

得到原始稀疏濾波器的模型；