[發明專利]基于偏最小二乘法極限學習機的滾動軸承故障預測方法有效
| 申請號： | 201910259680.1 | 申請日： | 2019-04-01 |
| 公開（公告）號： | CN109827777B | 公開（公告）日： | 2020-12-18 |
| 發明（設計）人： | 王亞萍;崔巍;葛江華 | 申請（專利權）人： | 哈爾濱理工大學 |
| 主分類號： | G01M13/045 | 分類號： | G01M13/045 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 150080 黑龍*** | 國省代碼： | 黑龍江;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 最小二乘法 極限 學習機 滾動軸承 故障 預測 方法 | ||
1.一種基于偏最小二乘法極限學習機的滾動軸承故障預測方法，其特征在于，包括以下步驟：
步驟一：基于半正態分布-EWT的信號降噪；
分析時域、頻域、時頻域的多個特征指標，反應滾動軸承的故障診斷能力，提出半正態分布與經驗小波變換相結合的理論算法；
步驟二：基于C-ISOMAP的特征降維；
針對多個特征指標對滾動軸承故障衰退特征進行評價，并對特征降維的多種方法進行理論分析，提出了殘差改進的ISOMAP非線性特征降維方法與模糊C均值結合的方法；
步驟二的具體步驟如下:
步驟二一：在滾動軸承整個監測過程中，區分滾動軸承不同損傷程度，對滾動軸承退化趨勢進行預測和分類；將滾動軸承的正常振動信號和最終失效故障信號作為訓練數據，建立模糊C聚類模型；
步驟二二：故障特征提??；提取降噪后訓練數據的初期損傷階段、中度損傷階段、重度損傷階段的有量綱和無量綱的特征值，以形成代表故障信號的高維特征集；
步驟二三：本征流行特征提??；應用殘差改進ISOMAP的鄰域大小，以提高ISOMAP的拓撲穩定性；同時針對滾動軸承的不同損傷程度，通過改進后的ISOMAP實現將高維特征集映射到低維空間；
步驟二四：滾動軸承性能評估模型確立；通過模糊C均值聚類方法分別求出初期、中度和重度損傷三種情況下故障信號的聚類中心，再求得每個樣本相對于正常樣本的隸屬度，為了能夠準確評價降維方法，使用如下的降維效果評價指標：
，
式中，
步驟三：基于PLS-ELM的滾動軸承故障預測；
在極限學習機基本理論的基礎上，提出基于偏最小二乘法極限學習機的故障階段預測方法，采用偏最小二乘法對ELM中的參數進行優化，選取最優隱含層節點數和各連接層權值，并選取Softmax激活函數；
步驟三具體步驟如下：
步驟三一：訓練；通過偏最小二乘法的主成分數及其權重對ELM中的參數進行選取，找出相應最優隱含層節點數和連接層權值，完成對數據模型的訓練；
步驟三二：測試；根據獲得的訓練模型，應用測試數據集，檢測構建的訓練模型的準確性；
步驟三三：預測；利用訓練好的模型，對未知的樣本進行預測，得到預測結果，應用小波能譜熵實現各個故障階段可視化。
2.根據權利要求1所述的一種基于偏最小二乘法極限學習機的滾動軸承故障預測方法，其特征在于，所述步驟一的具體步驟如下：
步驟一一：對安裝于滾動軸承座上的加速度傳感器設置采樣時間和頻率，確定傳感器通道個數，并采集滾動軸承不同損傷狀態下的振動信號，接著預處理得到的故障信號，作為故障預測的輸入信號；
步驟一二：針對EWT區間定位模糊的問題，劃分后的調幅-調頻分量較多，缺乏尋優過程應用正態分布的公式確定頻率帶區間個數：
，
式中，代表數據的標準差；
步驟一三：確定區間個數后，應用EWT劃分頻率帶區間得到含有噪聲的高頻AM-FM分量，并對其信號重構，根據信號降噪效果圖，確定故障頻率得到故障位置。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于哈爾濱理工大學，未經哈爾濱理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910259680.1/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：軸承故障檢測方法及系統
- 下一篇：一種帶分度盤的發動機相異角調節試驗裝置
