[發明專利]一種Adaboost算法組合的GABP滾動軸承診斷方法

在審

• 申請號: 201911081380.5
• 申請日: 2019-11-07
• 公開（公告）號: CN110763466A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 胡超;謝中敏
• 申請（專利權）人: 江蘇航空職業技術學院
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 31258 上海海頌知識產權代理事務所(普通合伙)
• 代理人: 季萍

1.一種Adaboost算法組合的GABP滾動軸承診斷方法，其特征在于，其診斷方法具體包括以下步驟：

(1)利用傳感器采集滾動軸承信號：

采用加速度傳感器對軸承正常狀況和外環刮痕故障信號進行采集。

(2)時域特征參數進行歸一化：

采用公式(1)對時域特征參數進行歸一化處理：

所述公式(1)中，x_max、x_min表示特征參量的最大值、最小值和平均值，x_i表示某類特征參量的第i個值，x表示經歸一化處理后的值。

(3)對時域特征參數進行降維處理

因子分析中采用α因子分析提取特征，選擇累積方差達到99.463％的前5個因子作為診斷模型的輸入參數。

(4)建立基于ELM-Adaboost的故障診斷預測模型

將多個基本分類器GABP模型通過Adaboost提升算法組合成一個強分類器，且期望強分類器得到的診斷結果直接為診斷目標的故障類型標簽。

2.根據權利要求1所述一種Adaboost算法組合的GABP滾動軸承診斷方法，其特征在于，所述步驟(4)中基本分類器為遺傳算法優化的BP神經網絡，其包括遺傳算法尋優部分和神經網絡部分，所述通過遺傳算法優化的BP神經網絡其具體過程以下：

步驟1：根據待診斷的樣本數據，確定BP網絡的結構、待優化參數，并將數據樣本不重復的劃分為：訓練集、校驗集、測試集；

步驟2：依據BP網絡中待優化的參數，設置GA中的種群大小、迭代步數；

步驟3：對種群進行選擇、交叉、變異操作，產生新的個體，并根據公式(2)計算種群的適應度值：

所述公式(2)中n為校驗集樣本數量，y_i為網絡期望輸出，O_i為真實輸出；

步驟4：根據適應度值保存最優解，并重復步驟3，記錄最優解，并用全局最優替換局部最優解；

步驟5：判斷是否滿足終止條件，若不滿足則重復步驟3和步驟4；若滿足則輸出BP網絡最佳權值和閾值。

3.根據權利要求1所述一種Adaboost算法組合的GABP滾動軸承診斷方法，其特征在于，所述步驟(4)將多個基本分類器GABP模型通過Adaboost提升算法組合成一個強分類器，為更好的分配各個基本分類器的權重比例，需要對Adaboost提升算法進行適當調整，一個多分類的練數據集T＝{(x₁,y₁),(x₂,y₂),..,(x_N,y_N)}，其中x_i∈Rⁿ，y_i＝{1,2,3,4}，其具體過程如下：

步驟1：對訓練數據權值分布初始化；

w_i＝1/N，i＝1,2,...,N

步驟2：循環m＝1:M(M表示基本分類器數量)

(1)使用基本分類器BP_m(x)訓練數據，并通過如下公式(3)計算權重誤差；

(2)采用公式(4)計算第m個基本分類器的權重(k表示分類數)；

(3)采用公式(5)更新所有樣本數據的權重；

步驟3：循環所有分類器后，對基本分類器數量a_m進行歸一處理，通過公式(6)輸出GABP-Adaboost分類器；

所述公式(6)中round(x)表示取整函數，且