CN106769049A - 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，属于旋转机械故障诊断领域。该方法主要包括步骤S1：获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号，得到时域信号样本集。步骤S2：计算样本集中每个样本的若干个时域统计参数与频域统计参数，构建初始特征集。步骤S3：计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵。步骤S4：建立基于支持向量机的轴承故障诊断模型，并采用粒子群算法优化支持向量机参数。步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。

Description

一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断 方法

技术领域

本发明属于旋转机械故障诊断领域，具体涉及一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊的方法。

背景技术

滚动轴承已经成为旋转机械中的关键部件，其运行的状态直接影响整个机器的可靠性和安全性，据统计，在包含滚动轴承部件的旋转机械中，约30％的机械故障与轴承相关。因此，对轴承进行状态检测和故障诊断，从而保证其安全可靠地运行，对提高生产的安全性能有重要的意义。

目前对轴承的状态监测和诊断最常用的方法是采集轴承及其组件的随机振动信号，然后对随机振动信号进行时频分析。但由于所测取的振动信号不但有轴承故障信号，而且还包含其它机械零部件的振动信号，并且滚动轴承在早期的故障产生阶段，其故障特征信息很微弱，信噪比很小，难以提取。

尽管根据不同的特征可以从不同角度来识别设备中的故障，但是不同的特征对于不同的故障具有不同的敏感程度。一部分特征与故障密切相关，另外一部分特征的关系度不是很密切，甚至是无关特征或者冗余特征。因此，在构建训练特征集之前，需要将敏感特征选择出来，以此提高分类的准确性，同时也可以避免维数灾难。

支持向量机是一种解决小样本分类与预测的机器学习算法，该方法建立在统计学习理论的基础上，已成功应用于金融、电力等***的预测中。神经网络等诊断方法常需要较多的训练样本和较少的数据维数，而且在进行网络训练时候易陷入局部最优解，或者当网络规模较大的时候不易收敛，而支持向量机在小样本统计方面具有独特的求解优势，不存在局部最优解问题，因此可以克服神经网络等学习方法的不足，具有独特的优势。

支持向量机参数的选取对于最终的结果有着较大影响。同样的训练样本集建立的模型，会由于参数选取的不同产生较大的差别，参数选取的不合适，则模型的精度就会比较差。目前参数的选取方法主要有枚举法、网格搜索法、粒子群算法等等。一般情况下，对于对参数不敏感的样本集，枚举法是一种省时省力的方法，也是人们较为常用的一种方法。但对于对参数敏感的样本集，就必须利用优化算法。网格搜索法是一种穷举式的算法，这种算法得到的结果一定是最优的，然而该算法耗时十分长，在某些情况下，这种方法较为不实用。粒子群算法是现在最常用的优化算法，技术也相对比较成熟，这种算法都在较短的寻优时间上保持较好的寻优结果。

发明内容

针对故障轴承的特征信息微弱、样本小、故障信号呈现非平稳性等特点，本发明提出一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法。

本发明采用的技术方案为一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，该方法包括以下步骤：

步骤S1：获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号，得到时域信号样本集。

步骤S2：计算时域信号样本集中每个样本的若干个时域统计参数与频域统计参数，构建初始特征集X＝[x₁，x₂，…，x₁₈]^T,其中x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为脉冲指标，x₁₀为裕度指标，x₁₁为峰值因子，x₁₂为偏斜度，x₁₃为时域信息熵，x₁₄为频率重心，x₁₅为总功率谱和，x₁₆为谐波指标，x₁₇为均方频率，x₁₈为频率信息熵。

具体进行如下处理：

步骤S2.1：计算的时域特征参数包括：最大值、平均值、方差、均方根值、方根幅值、峭度、峰-峰值、波形指标、脉冲指标、裕度指标、峰值因子、偏斜度、时域信息熵。

步骤S2.2：计算的频域特征参数包括：频率重心、总功率谱和、谐波指标、均方频率、频率信息熵。

步骤S3：计算初始特征集X中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵。

具体进行如下处理：

步骤S3.1：构造一个具有m个样本点的近邻图G，近邻图G是描述样本之间关系的一类图。第i个节点对应x_i，第j个节点对应x_j；x_i和x_j存在有边连接和无边连接两种情况，有边连接代表x_i和x_j之间的距离近，无边连接代表x_i和x_j之间的距离远。

步骤S3.2：如果节点i和j是有边的，则令其中i，j＝1，2，…，m，σ为热核宽度；否则令S_ij＝0。

步骤S3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1，f_r2，…，f_rm]^T，D＝SI，I＝[1，1，…，1]^T，L＝D-S。其中D为对角阵，矩阵L称为临近图G的拉普拉斯矩阵，f_ri表示第i个样本的第r个特征，I为单元矩阵，f_r为各f_ri的特征元素集合，i＝1，2，…，m，r＝1，2，…，18。

步骤S3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合

步骤S3.5：计算第r个特征的拉普拉斯分值L_r，

步骤S3.6：将r个特征的拉普拉斯分值L_r从小到大排列，选取排在最前的若干个特征组成故障特征矩阵Y＝[y₁，y₂，…，y_n]^T，n＜m。

步骤S4：建立基于支持向量机的轴承故障诊断模型。

具体进行如下处理：

步骤S4.1：将故障特征矩阵分为训练样本和测试样本。

步骤S4.2：使用训练样本对轴承故障诊断模型进行训练。

步骤S4.3：采用粒子群算法对轴承故障诊断模型进行参数优化，优化的参数包括核函数参数g和误差项的惩罚参数c。

步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。

本发明提出了一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，该方法利用拉普拉斯分值的方法选取最有代表性的故障特征，降低了训练样本与测试样本的维度，有效避免了维数灾难；同时也降低了轴承故障诊断模型对轴承进行诊断的运算量与时间，提高了轴承故障诊断模型的处理效率。本发明采用粒子群算法优化参数后的支持向量机模型，解决了样本少的问题，并且保证了一定的故障诊断率，可靠性比较高。

附图说明

图1是本发明的整体步骤流程图。

具体实施方式

为了更进一步阐述本发明为实现预定目的所采取的技术手段，请参阅以下本发明的详细说明与附图，附图仅提供参考与说明用，并非用来对本发明加以限制。如图1所示，为一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法的流程图，包含获取振动加速度信号、构建初始特征集、计算拉普拉斯分值、组成故障特征矩阵、建立基于支持向量机的轴承故障诊断模型、故障诊断等几部分。具体步骤如下：

步骤S1：获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号，得到时域信号样本集。

步骤S2：计算时域信号样本集中每个样本的若干个时域统计参数与频域统计参数，构建初始特征集X＝[x₁，x₂，…，x₁₈]^T,其中x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为脉冲指标，x₁₀为裕度指标，x₁₁为峰值因子，x₁₂为偏斜度，x₁₃为时域信息熵，x₁₄为频率重心，x₁₅为总功率谱和，x₁₆为谐波指标，x₁₇为均方频率，x₁₈为频率信息熵。

具体进行如下处理：

步骤S2.1：计算的时域特征参数包括：最大值、平均值、方差、均方根值、方根幅值、峭度、峰-峰值、波形指标、脉冲指标、裕度指标、峰值因子、偏斜度、时域信息熵。

步骤S2.2：计算的频域特征参数包括：频率重心、总功率谱和、谐波指标、均方频率、频率信息熵。

步骤S3：计算初始特征集X中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵。

具体进行如下处理：

步骤S3.1：构造一个具有m个样本点的近邻图G，近邻图G是描述样本之间关系的一类图。第i个节点对应x_i，第j个节点对应x_j；x_i和x_j存在有边连接和无边连接两种情况，有边连接代表x_i和x_j之间的距离近，无边连接代表x_i和x_j之间的距离远。

步骤S3.2：如果节点i和j是有边的，则令其中i，j＝1，2，…，m，σ为热核宽度；否则令S_ij＝0。

步骤S3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1，f_r2，…，f_rm]^T，D＝SI，I＝[1，1，…，1]^T，L＝D-S。其中D为对角阵，矩阵L称为临近图G的拉普拉斯矩阵，f_ri表示第i个样本的第r个特征，I为单元矩阵，f_r为各f_ri的特征元素集合，i＝1，2，…，m，r＝1，2，…，18。

步骤S3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合

步骤S3.5：计算第r个特征的拉普拉斯分值L_r，

步骤S3.6：将r个特征的拉普拉斯分值L_r从小到大排列，选取排在最前的若干个特征组成故障特征矩阵Y＝[y₁，y₂，…，y_n]^T，n＜m。

步骤S4：建立基于支持向量机的轴承故障诊断模型。

具体进行如下处理：

步骤S4.1：将故障特征矩阵分为训练样本和测试样本。

步骤S4.2：使用训练样本对轴承故障诊断模型进行训练。

步骤S4.3：采用粒子群算法对轴承故障诊断模型进行参数优化，优化的参数包括核函数参数g和误差项的惩罚参数c。

步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。

Claims (4)

1.一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤，

步骤S1：获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号，得到时域信号样本集；

步骤S2：计算时域信号样本集中每个样本的若干个时域统计参数与频域统计参数，构建初始特征集X＝[x₁，x₂，…，x₁₈]^T,其中x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为脉冲指标，x₁₀为裕度指标，x₁₁为峰值因子，x₁₂为偏斜度，x₁₃为时域信息熵，x₁₄为频率重心，x₁₅为总功率谱和，x₁₆为谐波指标，x₁₇为均方频率，x₁₈为频率信息熵；

步骤S3：计算初始特征集X中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；

步骤S4：建立基于支持向量机的轴承故障诊断模型；

步骤S5：将测试样本或者实时样本输入到轴承故障诊断模型中，对故障进行诊断。

2.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，其特征在于：具体进行如下处理：

步骤S2.1：计算的时域特征参数包括：最大值、平均值、方差、均方根值、方根幅值、峭度、峰-峰值、波形指标、脉冲指标、裕度指标、峰值因子、偏斜度、时域信息熵；

步骤S2.2：计算的频域特征参数包括：频率重心、总功率谱和、谐波指标、均方频率、频率信息熵。

3.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，其特征在于：S3的具体进行如下处理：

步骤S3.1：构造一个具有m个样本点的近邻图G，近邻图G是描述样本之间关系的一类图；第i个节点对应x_i，第j个节点对应x_j；x_i和x_j存在有边连接和无边连接两种情况，有边连接代表x_i和x_j之间的距离近，无边连接代表x_i和x_j之间的距离远；

步骤S3.2：如果节点i和j是有边的，则令其中i，j＝1，2，…，m，σ为热核宽度；否则令S_ij＝0；

步骤S3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1，f_r2，…，f_rm]^T，D＝SI，I＝[1，1，…，1]^T，L＝D-S；其中D为对角阵，矩阵L称为临近图G的拉普拉斯矩阵，f_ri表示第i个样本的第r个特征，I为单元矩阵，f_r为各f_ri的特征元素集合，i＝1，2，…，m，r＝1，2，…，18；

步骤S3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合

步骤S3.5：计算第r个特征的拉普拉斯分值L_r，

步骤S3.6：将r个特征的拉普拉斯分值L_r从小到大排列，选取排在最前的若干个特征组成故障特征矩阵Y＝[y₁，y₂，…，y_n]^T，n＜m。

4.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法，其特征在于：S4的具体进行如下处理：

步骤S4.1：将故障特征矩阵分为训练样本和测试样本；

步骤S4.2：使用训练样本对轴承故障诊断模型进行训练；

步骤S4.3：采用粒子群算法对轴承故障诊断模型进行参数优化，优化的参数包括核函数参数g和误差项的惩罚参数c。