CN105241665A - 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，该方法属于旋转机械故障诊断领域。该发明包括以下步骤：1)确定轴承故障类型、数目以及所需测量信号；2)对不同故障模式的信号进行数据采集，并对信号进行傅里叶变换，提取频域故障特征，形成样本集，并将样本集分为训练样本和测试样本；3)用训练样本对故障分类器进行训练；4)利用测试样本对分类器进行测试，以评估分类器的性能。本发明的分类器是通过多个分类器级联构造而成的，并且用PSO(Particle？Swarm？Optimization，简称PSO)优化算法进行了优化。该分类器可以明显提高滚动轴承故障诊断的正确率。

Description

一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法

技术领域

本发明涉及一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，它是一种用AdaBoost算法级联t个RBFNN，并用PSO对每个RBFNN的权值进行全局优化的方法，属于旋转机械故障诊断领域。

背景技术

滚动轴承广泛应用于工业、航空航天等领域中的各种旋转机械设备中，其运行状态是否健康往往直接影响到整台设备的性能。滚动轴承的寿命离散性大，同一批生产的轴承其寿命可能相差很大，因而对滚动轴承不适合采用定期检查更换的方法，另一方面，滚动轴承的故障发生率高，一旦发生故障，就有可能带来不可估量的经济损失，甚至造成机毁人亡的惨剧发生，因而对滚动轴承进行状态监测及故障诊断一直受到广泛的重视，具有十分重要的研究意义与实际应用价值。

近年来，随着故障诊断技术的不断发展，滚动轴承的故障诊断方法也越来越多，主要包括：基于故障机理的方法、基于信号处理的方法以及基于人工智能的方法等。由于滚动轴承的故障机理十分复杂，难以准确的建立其故障模型，因此，基于故障机理的方法在实际中应用较少。基于信号处理的方法易受噪声干扰，适用性较差，通常与其他智能故障诊断算法配合使用。基于人工智能的方法，是一种基于知识模型的信息处理技术，集信号处理、机器学习与模式识别于一体，克服了单一方法的不足，在故障诊断领域应用中具有较大优势，是未来发展的趋势。因而，本发明考虑采用径向基函数神经网络这种分类性能优秀的分类器进行故障诊断。为了克服普通方法中单一神经网络诊断算法的不足，提高故障诊断的准确性，本发明考虑采用多分类器集成方法，即采用AdaBoost算法级联t个RBFNN进行集成；为了提高集成分类器的性能，考虑用PSO算法对每个RBFNN的权值进行优化，使得分类器性能达到最优或接近最优，可以明显提高滚动轴承故障诊断的正确率。

发明内容

本发明提出了基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，将该方法应用于滚动轴承故障诊断领域，用AdaBoost算法级联t个RBFNN，用PSO对每个RBFNN进行权值优化，使得分类器的综合性能表现最优或接近最优，明显提高滚动轴承故障诊断的正确率。

本发明为实现上述目的，采用如下技术方案：

一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，包括如下步骤：

步骤1：对待测滚动轴承进行分析，确定滚动轴承的故障类型、数目以及所需测量信号；

步骤2：数据采集和故障特征提取。用振动传感器分别采集轴承正常、内圈故障、外圈故障以及滚动体故障时的样本数据，导入计算机中，对振动信号进行傅里叶变换，提取能够反映各种故障模式的频域故障特征，形成故障特征样本集，并将样本集分为训练样本集和测试样本集；

步骤3：输入样本数据并进行初始化。从上述步骤2中得到的故障特征样本空间中选择m组样本数据作为训练样本，初始化第t次循环中第j个样本的权值为：D_t(j)＝1/m。其中，j＝1，2，...，m，t＝1，2，...，T，t为迭代次数(即分类器的个数)，T为最大的迭代次数。

步骤4：RBFNN弱分类器训练。RBFNN通常是一种两层前向网络，隐层中的基函数使用径向基函数，它对输入激励产生一个局部化的响应，即仅当输入落在输入空间中的一个很小的指定区域中时，隐层单元才作出有意义的非零响应。输出层的输出为各隐层单元的输出加权和。输入到隐层单元的权值固定为1，隐层单元到输出单元之间的权值可调。

本发明选取的RBF径向基函数为高斯函数，其具体公式为：

$G(X,T_i)=\exp \left(\frac{-{\left|\right|X-T_i\left|\right|}^2}{2{\mathrm{\σ}}_i^2}\right),i=\mathrm{1,2},...,M---(1-1)$

其中，G(X，T_i)为隐层第i个单元的输出；X为P维输入向量；T_i是第i个径向基函数的中心；σ_i是第i个隐层节点的归一化参数；exp(·)为指数函数；||X-T_i||表示样本X到径向基函数中心的欧氏距离；M为隐层单元节点的个数。

RBFNN的学习参数有三个，分别为径向基函数的数据中心T_i、宽度σ_i以及隐层与输出层的权值w_i。本发明对径向基函数的数据中心T_i、宽度σ_i以及隐层与输出层的权值w_i同时用监督学习方法去训练。弱分类器的训练过程具体步骤如下所述：

步骤4.1：初始化。对原始数据X进行归一化处理；任意指定w_i，T_i，σ_i的值；预置允许误差；预置学习步长η₁，η₂，η₃。

步骤4.2：计算e_j。具体计算公式如下：

$e_j=d_j-f\left(X_j\right)=d_j-\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i\·G(X_j,T_i),j=\mathrm{1,2},...,m---(1-2)$

其中，d_j为理想输出，f(X_j)为实际输出，e_j为理想输出与实际输出的差值。

步骤4.3：计算输出单元权重的改变量。具体计算公式如下：

$\frac{\∂E\left(n\right)}{\∂w_i\left(n\right)}=-\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_j\·\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\σ}}_i^2}\right)---(1-3)$

其中，表示E(n)对w_i(n)求偏导，n为循环次数。

步骤4.4：改变权重。具体计算公式如下：

$w_i(n+1)=w_i\left(n\right)-{\mathrm{\η}}_1\frac{\∂E\left(n\right)}{\∂T_i\left(n\right)}---(1-4)$

步骤4.5：计算隐层单元中心的改变量。具体计算公式如下：

$\frac{\∂E\left(n\right)}{{\∂T}_i\left(n\right)}=-\frac{w_i}{m\·{\mathrm{\σ}}_i^2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_j\·\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\σ}}_i^2}\right)\·\left(\right||X_j-T_i|\left|\right)---(1-5)$

其中，表示E(n)对T_i(n)求偏导。

步骤4.6：改变中心。具体计算公式如下：

$T_i(n+1)=T_i\left(n\right)-{\mathrm{\η}}_2\frac{\∂E\left(n\right)}{\∂T_i\left(n\right)}---(1-6)$

步骤4.7：计算函数宽度的改变量。具体计算公式如下：

$\frac{\∂E\left(n\right)}{{\∂\mathrm{\σ}}_i\left(n\right)}=-\frac{w_i}{m\·{\mathrm{\σ}}_i^3}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_j\·\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\σ}}_i^2}\right)\·\left({\left|\right|X_j-T_i\left|\right|}^2\right)---(1-6)$

其中，表示E(n)对σ_i(n)求偏导。

步骤4.8：改变宽度。具体计算公式如下：

${\mathrm{\σ}}_i(n+1)={\mathrm{\σ}}_i\left(n\right)-{\mathrm{\η}}_3\frac{\∂E\left(n\right)}{\∂{\mathrm{\σ}}_i\left(n\right)}---(1-8)$

步骤4.9：计算误差。具体计算公式如下：

$E=\frac{1}{2m}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_j^2---(1-9)$

步骤4.10：判断是否达到允许误差或循环次数，达到则执行步骤5，否则执行步骤4.2。

步骤5：计算分类误差e_t，计算公式为：

$e_t=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{D}_t\left(j\right),(g_t\≠y_t)---(1-10)$

其中，g_t为第t次循环的实际分类结果；y_t为第t次循环的期望分类结果；D_t(j)表示第t次循环第j个样本的权值。

步骤6：计算权重a_t。计算公式为：

$a_t=\frac{1}{2}\ln \left(\frac{1-e_t}{e_t}\right)---(1-11)$

其中，a_t为第t个RBFNN的权重值；ln(·)为以e为底的对数函数。

步骤7：权值调整。根据步骤6所求的权值a_t调整下一轮训练样本的权重值，计算公式如下：

$D_{t+1}\left(j\right)=\frac{D_t\left(j\right)}{B_t}\·\exp [-a_t\·y_t\left(j\right)\·g_t\left(j\right)],j=\mathrm{1,2},...,m---(1-12)$

其中B_t＝||D_t(j)||，||·||表示求取2范数；y_t(j)为第t次循环第j个样本的期望分类结果；g_t(j)为第t次循环第j个样本的实际分类结果。

步骤8：循环判断。t＝t+1，再进行判断。若误差e_t＞e_s(e_s为允许分类误差)，且迭代次数t＜T，则返回步骤4，继续执行；否则向下执行步骤9。

步骤9：用PSO算法对弱分类器权重进行优化，具体优化步骤如下所述：

步骤9.1：初始化微粒群。把这t个弱分类器RBFNN看成是D维空间中没有体积没有质量的粒子，粒子的群规模为S；每个粒子的初始位置用其加权系数表示：λ_s＝(λ_s1，λ_s2，...，λ_sD)，速度记为：v_s＝(v_s1，v_s2，...，v_sD)，其中，s＝1，2，...，t；粒子总迭代次数为G_max；w为权重系数；c₁、c₂为速度常数；

步骤9.2：根据适应度函数计算每颗粒子的个体最优值，并比较得出这一代粒子中的全局最优值。为了以更少数目的弱分类器获取更高的识别率以及获取更高的识别精度，引入了两个判断函数，具体如下：

$F_1\left(i\right)=1-I/S,I=\underset{s=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_s---(1-13)$

$F_2\left(i\right)=\left\{\begin{array}{cc}1-\frac{n^{+}}{p}& (\frac{p^{+}}{p}\&GreaterEqual;h)\\ 0& (\frac{p^{+}}{p}<h)\end{array}\right.---(1-14)$

取适应度函数为F_i(w)＝w₁F₁(i)+w₂F₂(i)。

其中，w₁，w₂为权值系数，N为负样本总数；n⁺表示粒子s误判为正样本的个数；P表示正样本的总数；p⁺表示粒子s判定为正样本的总数；h为预期的命中率，理论上可取99.99％。

步骤9.3：将其当前适应值与经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest，否则pbest保持不变；

步骤9.4：将每颗微粒与全局最优位置gbest作比较，如果pbest优于全局最优值，则将pbest赋值给gbest，否则保持gbest不变；

步骤9.5：根据步骤9.3、步骤9.4重新调整每颗微粒的速度和位置，具体公式如下：

$v_s^{k+1}={\mathrm{wv}}_s^k+c_1\&CenterDot;\mathrm{rand}\&CenterDot;({\mathrm{pbest}}_s^k-{\mathrm{\&lambda;}}_s^k)+c_2\&CenterDot;\mathrm{rand}\&CenterDot;({\mathrm{gbest}}_s^k-{\mathrm{\&lambda;}}_s^k)---(1-15)$

${\mathrm{\&lambda;}}_s^{k+1}={\mathrm{\&lambda;}}_s^k+v_s^k---(1-16)$

其中，rand为属于[-1，1]的随机数，k≤G_max。

步骤9.6：如果没有达到结束条件则(根据适应度函数没有足够的适应值或者没有超过最大的迭代次数G_max)转到步骤9.2，否则，执行步骤10。

步骤10：合成IRBFNN-AdaBoost分类器。训练t轮后共得到t组弱分类函数，将这t组弱分类函数组合可得到h，组合算式为：

$h=\mathrm{sign}[{\mathrm{\&Sigma;}}_t{a}_t\&CenterDot;f(g_t,a_t)]---(1-17)$

其中，sign(·)为符号函数。

步骤11：利用测试样本集对分类器进行性能评估，计算故障诊断正确率等指标。计算公式为：诊断正确率＝诊断正确的样本个数/样本总数×100％。

本发明有益效果如下：

用AdaBoost算法级联t个RBFNN，并用PSO对每个RBFNN的权值进行全局寻优，构造出IRBFNN-AdaBoost分类器，用于旋转机械滚动轴承故障诊断，可以明显提高滚动轴承故障的诊断正确率。

附图说明

图1故障诊断流程图

图2RBFNN结构图

图3RBFNN训练流程图

图4PSO实施流程图

具体实施方式

下面结合附图1，2，3，4对本发明的技术方案进行详细说明。

本发明设计了一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，该方法主要包括故障模式及测试信号分析、数据采集及故障特征提取、单个RBFNN训练及构造弱分类器级联、PSO优化弱分类器权系数及生成强分类函数和测试结果分析部分。所采用的步骤流程图如图1所示，具体操作包括如下步骤：

(一)故障模式分析、数据采集以及故障特征提取

在采用本方法之前，首先要对滚动轴承进行分析，确定滚动轴承的故障类型(磨损、疲劳、腐蚀、断裂、压痕、胶合等类型)和数目(外圈故障、内圈故障和滚动体故障等)，另外就是对所需采集的故障信号进行分析，对于滚动轴承来说，最常用也是最简单的方法就是用振动传感器采集轴承运行时的振动信号，通过对振动信号的处理分析来判断滚动轴承的运行状态；接下来进行数据采集和故障特征提取，用振动传感器分别采集轴承正常、内圈故障、外圈故障以及滚动体故障时的样本数据，导入计算机中，对振动信号进行傅里叶变换，提取能够反映各种故障模式的频域故障特征，形成样本集，并将样本集分为训练样本集和测试样本集。

(二)分类器训练，具体步骤如下：

步骤1：输入样本数据并进行初始化。从上述步骤(一)中得到的故障特征样本空间中选择m组样本数据作为训练样本，初始化第t次循环中第j个样本的权值为：D_t(j)＝1/m。其中，j＝1，2，...，m，F1，2，...，T，t为迭代次数，T为最大的迭代次数；

步骤2：RBFNN弱分类器训练。RBFNN通常是一种两层前向网络，隐层中的基函数使用径向基函数，它对输入激励产生一个局部化的响应，即仅当输入落在输入空间中的一个很小的指定区域中时，隐层单元才作出有意义的非零响应。输出层的输出为各隐层单元的输出加权和。输入到隐层单元的权值固定为1，隐层单元到输出单元之间的权值可调。

本发明选取的RBF径向基函数为高斯函数，其具体公式为：

$G(X,T_i)=\exp \left(\frac{-{\left|\right|X-T_i\left|\right|}^2}{2{\mathrm{\&sigma;}}_i^2}\right),i=\mathrm{1,2},...,M---(2-1)$

其中，G(X，T_i)为隐层第i个单元的输出；X为p维输入向量；T_i是第i个径向基函数的中心；σ_i是第i个隐层节点的归一化参数；exp(·)为指数函数；||X-T_i||表示样本X到径向基函数中心的欧氏距离；M为隐层单元节点的个数。

RBFNN的学习参数有三个，分别为径向基函数的数据中心T_i、宽度σ_i以及隐层与输出层的权值w_i。本发明对径向基函数的数据中心T_i、宽度σ_i以及隐层与输出层的权值w_i同时用监督学习方法去训练。弱分类器的训练过程具体步骤如下所述：

步骤2.1：初始化。对原始数据X进行归一化处理：任意指定w_i，T_i，σ_i的值；预置允许误差；预置学习步长η₁，η₂，η₃。

步骤2.2：计算e_j。具体计算公式如下：

$e_j=d_j-f\left(X_j\right)=d_j-\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_i\&CenterDot;G(X_j,T_i),j=\mathrm{1,2},...,m---(2-2)$

其中，d_j为理想输出，f(X_j)为实际输出，e_j为理想输出与实际输出的差值。

步骤2.3：计算输出单元权重的改变量。具体计算公式如下：

$\frac{\&PartialD;E\left(n\right)}{{\&PartialD;w}_i\left(n\right)}=-\frac{1}{m}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_j\&CenterDot;\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\&sigma;}}_i^2}\right)---(2-3)$

其中，表示E（n)对w_i(n)求偏导，n为循环次数。

步骤2.4：改变权重。具体计算公式如下：

$w_i(n+1)=w_i\left(n\right)-{\mathrm{\&eta;}}_1\frac{\&PartialD;E\left(n\right)}{{\&PartialD;T}_{i\left(n\right)}}---(2-4)$

步骤2.5：计算隐层单元中心的改变量。具体计算公式如下：

$\frac{\&PartialD;E\left(n\right)}{{\&PartialD;T}_i\left(n\right)}=-\frac{w_i}{m\&CenterDot;{\mathrm{\&sigma;}}_i^2}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_j\&CenterDot;\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\&sigma;}}_i^2}\right)\&CenterDot;\left({\left|\right|X_j-T_i\left|\right|}^2\right)---(2-5)$

其中，表示E(n)对T_i(n)求偏导。

步骤2.6：改变中心。具体计算公式如下：

$T_i(n+1)=T_i\left(n\right)-{\mathrm{\&eta;}}_2\frac{\&PartialD;E\left(n\right)}{{\&PartialD;T}_{i\left(n\right)}}---(2-6)$

步骤2.7：计算函数宽度的改变量。具体计算公式如下：

$\frac{\&PartialD;E\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_i\left(n\right)}=-\frac{w_i}{m\&CenterDot;{\mathrm{\&sigma;}}_i^3}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_j\&CenterDot;\exp \left(\frac{-{\left|\right|X_j-T_i\left|\right|}^2}{2{\mathrm{\&sigma;}}_i^2}\right)\&CenterDot;\left({\left|\right|X_j-T_i\left|\right|}^2\right)---(2-7)$

其中，表示E(n)对σ_i(n)求偏导。

步骤2.8：改变宽度。具体计算公式如下：

${\mathrm{\&sigma;}}_i(n+1)={\mathrm{\&sigma;}}_i\left(n\right)-{\mathrm{\&eta;}}_3\frac{\&PartialD;E\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_{i\left(n\right)}}---(2-8)$

步骤2.9：计算误差。具体计算公式如下：

$E=\frac{1}{2m}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_j^2---(2-9)$

步骤2.10：判断是否达到允许误差或循环次数，达到则执行步骤3，否则执行步骤2.2。

步骤3：计算分类误差e_t，计算公式为：

$e_t=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{D}_t\left(j\right),(g_t\&NotEqual;y_t)---(2-10)$

其中，g_t为第t次循环的实际分类结果；y_t为第t次循环的期望分类结果；D_t(j)表示第t次循环第j个样本的权值。

步骤4：计算权重a_t。计算公式为：

$a_t=\frac{1}{2}\ln \left(\frac{1-e_t}{e_t}\right)---(2-11)$

其中，a_t为第i个RBFNN的权重值；ln(·)为以e为底的对数函数。

步骤5：权值调整。根据步骤4所求的权值a_t调整下一轮训练样本的权重值，计算公式如下：

$D_{t+1}\left(j\right)=\frac{D_t\left(j\right)}{B_t}\&CenterDot;\exp [-a_t\&CenterDot;y_t\left(j\right)\&CenterDot;g_t\left(j\right)],j=\mathrm{1,2},...,m---(2-12)$

其中B_t＝||D_t(j)||，||·||表示求取2范数；y_t(j)为第t次循环第j个样本的期望分类结果；g_t(j)为第t次循环第j个样本的实际分类结果。

步骤6：循环判断。t＝t+1，再进行判断。若误差e_t＞e_s(e_s为允许分类误差)，且迭代次数t＜T，则返回步骤2，继续执行；否则向下执行步骤7。

步骤7：用PSO算法对弱分类器权重进行优化，具体优化步骤如下所述：

步骤7.1：初始化微粒群。把这t个弱分类器RBFNN看成是D维空间中没有体积没有质量的粒子，粒子的群规模为S；每个粒子的初始位置用其加权系数表示：λ_s＝(λ_s1，λ_s2，...，λ_sD)，速度记为：v_s＝(v_s1，v_s2，...，v_sD)，其中，s＝1，2，...，t；粒子总迭代次数为G_max；w为权重系数；c₁、c₂为速度常数；

步骤7.2：根据适应度函数计算每颗粒子的个体最优值，并比较得出这一代粒子中的全局最优值。为了以更少数目的弱分类器获取更高的识别率以及获取更高的识别精度，引入了两个判断函数，具体如下：

$F_1\left(i\right)=1-I/S,I=\underset{s=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_s---(2-13)$

$F_2\left(i\right)=\left\{\begin{array}{cc}1-\frac{n^{+}}{p}& (\frac{p^{+}}{p}\&GreaterEqual;h)\\ 0& (\frac{p^{+}}{p}<h)\end{array}\right.---(2-14)$

取适应度函数为F₁(w)＝w₁F₁(i)+w₂F₂(i)。

其中，w₁，w₂为权值系数，N为负样本总数；n⁺表示粒子s误判为正样本的个数；p表示正样本的总数；p⁺表示粒子s判定为正样本的总数；h为预期的命中率，理论上可取99.99％。

步骤7.3：将其当前适应值与经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest，否则pbest保持不变；

步骤7.4：将每颗微粒与全局最优位置gbest作比较，如果pbest优于全局最优值，则将pbest赋值给gbest，否则保持gbest不变；

步骤7.5：根据步骤9.3、步骤9.4重新调整每颗微粒的速度和位置，具体公式如下：

$v_s^{k+1}={\mathrm{wv}}_s^k+c_1\&CenterDot;\mathrm{rand}\&CenterDot;({\mathrm{pbest}}_s^k-{\mathrm{\&lambda;}}_s^k)+c_2\&CenterDot;\mathrm{rand}\&CenterDot;({\mathrm{gbest}}_s^k-{\mathrm{\&lambda;}}_s^k)---(2-15)$

${\mathrm{\&lambda;}}_s^{k+1}={\mathrm{\&lambda;}}_s^k+v_s^k---(2-16)$

其中，rand为属于[-1，1]的随机数，k≤G_max。

步骤7.6：如果没有达到结束条件则(根据适应度函数没有足够的适应值或者没有超过最大的迭代次数G_max)转到步骤7.2，否则，执行步骤8。

步骤8：合成IRBFNN-AdaBoost分类器。训练t轮后共得到t组弱分类函数，将这t组弱分类函数组合可得到h，组合算式为：

h＝sign[Σ_ta_t·f(g_t，a_t)](2-17)

其中，sign(·)为符号函数。

(三)利用测试样本集对分类器进行性能评估，计算故障诊断正确率等指标。计算公式为：诊断正确率＝诊断正确的样本个数/样本总数×100％。

Claims (2)

1.一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，其特征在于，该方法主要包括如下基本步骤：

1)对待测的轴承进行实验分析，确定轴承的故障类型、故障数目以及所需的测量信号；

2)数据采集及故障特征提取。采集故障轴承运行时的振动信号，导入计算机中，并对信号进行傅里叶变换，提取能够反映各种故障模式的故障特征，形成特征样本集。此处，将特征样本集分为训练样本集和测试样本集；

3)利用训练样本集对IRBFNN-AdaBoost分类器进行构造和训练。在分类器的设计与训练过程中，用PSO优化算法对分类器结构进行优化调整，并形成一个结构经过优化的IRBFNN-AdaBoost故障分类器；

4)利用测试样本集对IRBFNN-AdaBoost故障分类器进行性能评估，计算故障诊断正确率等指标。

2.根据权利要求1中步骤3)所述的IRBFNN-AdaBoost分类器，是一种基于PSO优化的集成分类器故障诊断方法，其特征在于，与普通方法中采用单一分类器方法不同，本发明利用和集成了多个神经网络子分类器，并通过AdaBoost方法将t个子分类器级联在一起，然后通过PSO算法对各个子分类器的权值进行优化，使其达到全局最优或接近最优，从而可以使得分类器整体性能达到最优或接近最优。