[發(fā)明專利]基于激勵機制的軸承故障診斷方法

有效

• 申請?zhí)枺?/td>: 202010145254.8
• 申請日: 2020-03-05
• 公開（公告）號: CN110987436B
• 公開（公告）日: 2020-06-09
• 發(fā)明（設計）人: 趙宜斌;于兵
• 申請（專利權）人: 天津開發(fā)區(qū)精諾瀚海數據科技有限公司
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊知住優(yōu)創(chuàng)知識產權代理事務所(普通合伙) 13131
• 代理人: 林艷艷

本發(fā)明公開了一種基于激勵機制的軸承故障診斷方法，包括下述步驟：（1）對軸承采集不同故障狀態(tài)以及正常樣本的振動信號，采用極點對稱經驗模態(tài)分解方法提取振動信號特征；（2）對得到的故障數據采用加權核主成分分析法進行特征提??；（3）將特征提取后的數據進行劃分；（4）在將增量訓練集不斷輸入的過程中，計算其與初步訓練數據集中數據的Wasserstein距離，進而計算相似度值；（5）根據相似度值的大小進行激勵機制的訓練，生成合并、新增及暫存三種情況，并動態(tài)調整閾值、樣本數據及權重值；（6）將激勵機制訓練得到的數據輸入到BP神經網絡中進行可靠分類診斷。

技術領域

本發(fā)明涉及軸承設備故障診斷技術領域，尤其涉及一種基于激勵機制的軸承故障診斷方法。

背景技術

隨著工業(yè)物聯網的發(fā)展，對設備故障進行診斷和預測逐漸成為研究熱點。目前，智能設備已應用于國防、工業(yè)、航空等很多重要領域，如果其中發(fā)生故障會造成嚴重的后果，因此如何進行可靠的故障診斷，并對故障進行準確的預測得到了越來越多的重視。

隨著設備運行數據的增加，機器學習方法受到廣泛關注，不斷被應用于設備故障診斷領域，其中包括神經網絡、隨機森林和支持向量機等，都取得了較好的研究成果。文章[許磊等. 基于PSO神經網絡的故障診斷方法研究[J].計算機工程與設計,2007,15: 3640-3641+3674.]提出了一種基于粒子群神經網絡的方法進行故障診斷；文章[徐可等. 基于經驗模態(tài)分解和支持向量機的滾動軸承故障診斷[J].控制理論與應用, 2019, 36(06):915-922.]提出了一種改進的經驗模態(tài)分解和粒子群算法優(yōu)化支持向量機的診斷方法在故障診斷中獲得較高診斷準確率；文章[曹路等. 基于遺傳算法的雙子支持向量機的模型選擇[J].現代電子技術, 2017(17): 113-116.]提出了一種基于遺傳算法的雙子支持向量機對軸承故障進行診斷。但在處理海量的高維數據帶來的復雜問題時，模型效果無法滿足要求，因此需要設計得到一個高效利用大量新增樣本中包含的重要信息的模型訓練方法。針對以上問題，首先可以采用特征提取方法減少數據的維度，然后采用增量學習的方法進行高效學習。其中針對特征提取方法，文章[趙建喆等. 質量預測及故障診斷建模過程中非線性特征提取[J].東北大學學報(自然科學版), 2012, 33(06): 793-796.]提出了一種基于核主成分分析法和粗糙集的特征提取方法，通過核主成分分析法進行特征提取后，再使用粗糙集對提取的特征進行約簡，不僅為后續(xù)的分類減少了計算復雜度，同時提高了分類精度；文章[張偉等.基于一種自適應核學習的KECA子空間故障特征提取[J].北京理工大學學報,2017, 37(08): 863-868+874.]提出了一種基于自適應核函數優(yōu)化學習的核熵成分分析特征提取方法，提高了分類精度；針對增量學習方法，文章[李世其等. 一種決策樹增量學習算法在故障診斷中的應用[J].華中科技大學學報(自然科學版),2006(04):79-81.]提出了一種基于粗糙集的決策樹增量式學習算法，大大地提高了學習效率。文章[李夢婷等. 基于增量貝葉斯學習模型的在線電路故障診斷[J].計算機應用與軟件, 2018, 35(06): 70-75.]提出了一種基于貝葉斯增量學習的在線電路故障診斷方法，不僅減小了運算量和運算時間，同時滿足了在線故障診斷的實時性要求。以上特征提取和增量學習模型在已有文獻中都起到了減輕計算量、提高準確率、有效節(jié)約時間成本的作用。但在故障診斷領域，增量生成的數據流具有海量的特點，故障增量之間具有強關聯性，且與原有數據具有強因果性，如不加以處理將會嚴重影響診斷效果。以上這些因素阻礙了傳統增量學習方法在故障診斷領域的進一步應用。

發(fā)明內容

本發(fā)明的目的在于：