CN105260582A - 基于最小二乘映射的机械故障特征参量优化方法 - Google Patents
基于最小二乘映射的机械故障特征参量优化方法 Download PDFInfo
- Publication number
- CN105260582A CN105260582A CN201510835989.2A CN201510835989A CN105260582A CN 105260582 A CN105260582 A CN 105260582A CN 201510835989 A CN201510835989 A CN 201510835989A CN 105260582 A CN105260582 A CN 105260582A
- Authority
- CN
- China
- Prior art keywords
- vector
- space
- characteristic parameter
- prime
- judgement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于最小二乘映射的机械故障特征参量优化方法,将用于机械设备在线监测和故障诊断领域。具体包括以下步骤:根据所要诊断的机械设备计算提取特征参量,并在特征空间构造特征矢量,再构造特征矢量由特征空间映射到判决空间的误差向量和总均方误差,根据总均方误差最小原则选择变换矩阵,最后用变换矩阵构造出新的特征参量。
Description
技术领域
本发明涉及一种基于最小二乘映射的机械故障特征参量优化方法,涉及机械振动信号处理领域和在线监控及故障诊断领域。
背景技术
机械故障特征参量优化在信号处理和故障诊断领域具有重要的意义。大都数机械设备在实际运作状态下,其故障信号是非平稳、非线性的,同时早期故障信号中干扰信号过多,故障信号能量微弱,故障特征的提取十分困难,并且提取的故障特征参量维数较高,冗余信息会相互削弱其反映故障特性的能力。在故障诊断领域中故障特征参量直接关系到故障诊断的准确率和故障早期预报的可靠性,是设备状态监测和故障诊断的关键。选择对设备状态敏感度高的特征参量,能增强监测诊断的针对性,提高诊断的准确性。
现有的技术方法中,基于时域特征参量提取算法计算相对简单,容易实现,但是提取到的特征参量容易受到噪声的影响,适合于信噪比比较高的环境,其应用范围受到限制。目前广泛采用的信号特征提取方法有:包络解调、共振解调、形态滤波、小波、经验模态法、稀疏分解、主分量分析法等。相对于简单时域特征参量提取算法提取的特征参量具有更好的抗噪性,应用较为广泛,但是计算复杂。
发明内容
针对上述现有技术存在的不足,本发明提供一种基于最小二乘映射的机械故障特征参量优化方法。该方法计算简单,通过对提取的特征参量进行优化,提高故障特征参量的敏感性,实现非平稳早期微弱故障的识别。
本发明的技术方案是:
基于最小二乘映射的机械故障特征参量优化方法,包括以下步骤:
1、根据所要诊断的机械设备计算提取特征参量P,并在特征空间构造矢量Pij。
Pij={pij1,pij2,…,pijk|i=1~M,j=1~N}T
其中,i表示故障类型的数目为M,j表示特征参量的数目为N,k为特征参量的维度(一般取2)。矢量Pij的端点表示故障类型。
2、构造矢量Pij由特征空间映射到判决空间的误差向量εij和总均方误差ε。
εij=Lij-Vi
其中,Lij表示矢量Pij在判决空间的映像,Vi表示矢量Pij投射在判决空间的点。
3、计算将矢量Pij由特征空间映射到判决空间的变换A。
a.矢量Pij由特征空间映射到判决空间的矢量Lij=APij。
b.根据总的均方误差最小原则计算变换矩阵A。
由误差向量εij和总均方误差ε以及矢量Lij公式可以推导出:
因为选取的变换A使得ε最小,所以A可以通过下面公式求得,
表示梯度算子。
于是得:
又因为:
将其带入上述恒等式得:
所以要寻找的变换A为:
当故障类型的数目M≥2时,则变换A为:
4、构造在判决空间内的新特征参量NP。
NP=A×P
本发明的有益效果是:本发明提供一种基于最小二乘映射的机械故障特征参量优化方法,能够增强特征参量对故障的敏感性,更好地反映故障特性,提高了故障诊断的准确率和可靠性。
具体实施方式
以滚动轴承的故障特征参量对内轮伤和滚动体故障这两种故障状态的识别为例对本发明所提出的技术路线作进一步的解释和说明。此处应用的实例并不只适用于本例,适用于所有旋转机械。具体的实施过程如下:
1、根据滚动轴承内轮伤和滚动体故障这两种故障状态选择以下两个特征参量来识别:
其中xi是振动信号的离散数据,是xi的均值,σ是xi的标准方差,
在特征空间构造矢量Pij
Pij={pij1,pij2,…,pijk|i=1~2,j=1~2}T
2、构造矢量Pij由特征空间映射到判决空间的误差向量εij和总均方误差ε。
εij=Lij-Vi
其中,Lij表示矢量Pij在判决空间的映像,Vi表示矢量Pij投射在判决空间的点。
3、计算将矢量Pij由特征空间映射到判决空间的变换A。
a.矢量Pij由特征空间映射到判决空间的矢量Lij=APij。
b.根据总的均方误差最小原则计算变换矩阵A。
由误差向量εij和总均方误差ε以及矢量Lij公式可以推导出:
因为选取的变换A使得ε最小,所以A可以通过下面公式求得,
表示梯度算子。
于是得:
又因为:
将其带入上述恒等式得:
所以要寻找的变换A为:
4、构造在判决空间内的新特征参量NP。
NP=A×P
辨别任意特征参数P对两种状态的优点,可以用DI(敏感性评价因子)辨别指标来评价。
其中μ1、μ2各自是位于特征参数P的状态1和状态2下的平均值、σ1和σ2是其标准偏差。DI越大、使用特征P辨别状态1和状态2时的敏感度就越高。
使用DI(敏感性评价因子)来评价优化过的特征参量和原来的特征参量对滚动轴承内轮伤和滚动体故障反映的敏感性。
表1特征参量P1和P2区别内轮伤和滚动体故障的DI值
表2优化的特征参量NP1和NP2区别内轮伤和滚动体故障的DI值
通过比较表1和表2,经过本发明所提出的方法优化过的特征参量比原来的特征参量对故障的反映敏感性更高。所以通过该方法优化的特征参量能大大提高对故障诊断的准确性。
Claims (1)
1.一种基于最小二乘映射的机械故障特征参量优化方法,其特征在于:包括以下步骤:
一、根据所要诊断的机械设备计算提取特征参量P,并在特征空间构造矢量Pij。
Pij={pij1,pij2,…,pijk|i=1~M,j=1~N}T
其中,i表示故障类型的数目为M,j表示特征参量的数目为N,k为特征参量的维度(一般取2)。矢量Pij的端点表示故障类型。
二、构造矢量Pij由特征空间映射到判决空间的误差向量εij和总均方误差ε。
εij=Lij-Vi
其中,Lij表示矢量Pij在判决空间的映像,Vi表示矢量Pij投射在判决空间的点。
三、计算将矢量Pij由特征空间映射到判决空间的变换A。
a.矢量Pij由特征空间映射到判决空间的矢量Lij=APij。
b.根据总的均方误差最小原则计算变换矩阵A。
由误差向量εij和总均方误差ε以及矢量Lij公式可以推导出:
因为选取的变换A使得ε最小,所以A可以通过下面公式求得,
表示梯度算子。
于是得:
又因为:
将其带入上述恒等式得:
所以要寻找的变换A为:
当故障类型的数目M≥2时,则变换A为:
四、构造在判决空间内的新特征参量NP。
NP=A×P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510835989.2A CN105260582A (zh) | 2015-11-26 | 2015-11-26 | 基于最小二乘映射的机械故障特征参量优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510835989.2A CN105260582A (zh) | 2015-11-26 | 2015-11-26 | 基于最小二乘映射的机械故障特征参量优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105260582A true CN105260582A (zh) | 2016-01-20 |
Family
ID=55100271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510835989.2A Pending CN105260582A (zh) | 2015-11-26 | 2015-11-26 | 基于最小二乘映射的机械故障特征参量优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260582A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
-
2015
- 2015-11-26 CN CN201510835989.2A patent/CN105260582A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
KE LI 等: "An Intelligent Diagnosis Method for Rotating Machinery Using Least Squares Mapping and a Fuzzy Neural Network", 《SENSORS》 * |
万书亭 等: "基于最小二乘支持向量机的滚动轴承故障诊断", 《振动、测试与诊断》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN102269644B (zh) | 基于最优自适应小波滤波器的滚动轴承与齿轮冲击性故障诊断方法 | |
CN104729853B (zh) | 一种滚动轴承性能退化评估装置及方法 | |
CN103398769B (zh) | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 | |
CN103267907B (zh) | 一种变压器绕组模态参数识别方法 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
CN101900789B (zh) | 基于小波变换与分形维数的容差模拟电路故障诊断方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
CN104502126A (zh) | 一种基于模态区间的高速列车转向架故障诊断方法 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN102944416A (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
Zhao et al. | Research on a fault diagnosis method of rolling bearings using variation mode decomposition and deep belief network | |
CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN104316167B (zh) | 一种低信噪比下结构响应异常检测方法 | |
CN104215905A (zh) | 一种基于马田***和Box-Cox变换的电机故障诊断方法 | |
CN108303249A (zh) | 一种用于齿轮箱电信号残差信号的提取方法 | |
Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
CN106339720A (zh) | 一种汽车发动机的失效检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160120 |
|
WD01 | Invention patent application deemed withdrawn after publication |