[發明專利]基于壓縮數據和監督全局-局部/非局部分析的診斷方法

在審

• 申請號: 202010975145.9
• 申請日: 2020-09-16
• 公開（公告）號: CN112257747A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 崔玲麗;楊娜;王華慶
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了基于壓縮數據和監督全局?局部/非局部分析的診斷方法，該方法是一種基于壓縮數據和監督全局?局部/非局部判別分析的三階段軸承故障診斷方法。在第一階段，基于壓縮感知框架得到壓縮數據；在第二階段，提出了一種新的流形學習算法：監督全局?局部/非局部判別分析，利用該算法將壓縮數據映射到低維空間，保留其全局和局部/非局部信息；在第三階段，將上述低維特征作為SVM的輸入進行分類。

技術領域

本發明屬于壓縮感知、流形學習與故障診斷技術領域，涉及一種基于壓縮數據和監督全局-局部/非局部判別分析的三階段軸承故障診斷方法

背景技術

滾動軸承是旋轉機械的重要組成部件之一，其故障所造成的停工將會帶來巨大的經濟損失，所以對滾動軸承進行狀態檢測和故障診斷顯得尤為重要。旋轉機械產生的振動信號包含豐富特征信息，常被采集作為故障診斷分析的依據。著名的奈奎斯特采樣定律指出，采集信號時，采樣頻率必須大于被測信號中最高頻率的2倍，但是隨著機械制造朝著智能化和精密化方向不斷發展，該采樣定律的應用將產生海量的振動數據，這給數據的存儲，傳輸和處理都帶來了巨大的挑戰。壓縮感知理論的提出為打破這種瓶頸提供了新的思路。目前已經有很多研究展示了壓縮感知在故障診斷中的優勢：減少冗余數據量，進一步提高診斷效率。然而這些壓縮數據中的信息雖然有利于恢復原始信號，但并不是最有利于分類的，因此進一步提取壓縮信號的鑒別信息，對于提高診斷精度以及縮短診斷時間具有重要意義。

目前針對壓縮數據進一步提取低維特征的研究相對較少，常用的方法有主成分分析(PCA)和線性判別分析(LDA)，PCA是一種能最大程度地保留原有信息的無監督的降維方法；LDA是一種能最大化異類樣本間距離的有監督的降維方法。但是上述方法都是基于全局的投影技術，不能很好地檢測其局部內在結構，而這些局部結構能表示嵌在不同類別鄰近數據中的鑒別信息。局部保持投影(LPP)和局部線性嵌入(LLE)等局部流形學習算法能夠提取數據的局部內在結構，但是卻容易忽略全局信息。因此，近年來，基于全局及局部結構的特征融合算法在故障診斷領域得到了廣泛的關注。這些特征融合算法大多是將提取全局特征和提取局部特征的目標函數進行整合形成最終的目標函數，通過求解的投影矩陣進行投影降維。這些算法大多用于特征選擇，需要基于先驗知識預先提取特征集，同時沒有充分考慮對分類具有指導意義的各類樣本的標簽信息。

發明內容

本發明的目的在于提供一種基于壓縮數據和監督全局-局部/非局部判別分析的三階段軸承故障診斷方法，能在減少存儲負擔的同時保證診斷精度。

為實現上述目的，本發明采用的技術方案為一種基于壓縮數據和監督全局-局部/非局部判別分析的三階段軸承故障診斷方法，該方法在第一階段，基于壓縮感知框架得到壓縮數據以減小存儲負擔；在第二階段(壓縮數據的特征提取環節)，提出了一種新的流形學習算法：監督全局-局部/非局部判別分析，利用該算法將壓縮數據映射到低維空間，保留其全局和局部/非局部信息；在第三階段，將上述低維特征作為SVM的輸入進行分類。

S1基于壓縮感知框架得到壓縮數據

壓縮感知(CS)是一種新的采樣技術，不受信號帶寬的限制，能以低于奈奎斯特采樣率進行采樣，采樣過程丟棄了振動數據中的大量冗余信息。CS的基本思想是：只要信號在某個變換域是稀疏的，那么就能通過一個與變換基(稀疏基)不相干的測量矩陣將信號投影到低維空間，而且能夠利用低維空間中足以代表原始信號的少量數據特征重構原信號。本方法用投影到低維空間的壓縮信號作為后續故障診斷的輸入。

壓縮感知的前提是信號的稀疏特性。式(1)描述了x的稀疏表示過程：一個N維的原始振動信號x，在變換域上是可以稀疏表示的，其稀疏系數為s(s中有k個非零系數，k＜＜N)。

根據CS理論，通過一個測量矩陣Φ(Φ∈R^(M×N))將稀疏信號x投影到低維空間,得到M維的壓縮信號y，同時完成了信號的采樣和壓縮，該過程可以表示為：