基于改進(jìn)型lssvm遷移學(xué)習(xí)的軸承故障診斷方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于軸承故障診斷領(lǐng)域，尤其是一種基于改進(jìn)型LSSVM(Least Squares Support Vector Machine,最小二乘支持向量機(jī))遷移學(xué)習(xí)的軸承故障診斷方法和系統(tǒng)。
【背景技術(shù)】
[0002] 軸承作為旋轉(zhuǎn)機(jī)械的重要部件之一，在現(xiàn)代工業(yè)中應(yīng)用廣泛，對(duì)其故障診斷已成 為保障安全生產(chǎn)、防止重大事故發(fā)生的有效手段。目前軸承故障診斷主要包括數(shù)據(jù)采集、特 征提取W及故障分類等操作步驟。其中，故障分類可用傳統(tǒng)機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)，其實(shí)現(xiàn)有效 分類需要訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)分布相同，并且目標(biāo)診斷數(shù)據(jù)量充足。
[0003] 然而實(shí)際工業(yè)系統(tǒng)中普遍存在的復(fù)雜工況環(huán)境，往往導(dǎo)致目標(biāo)診斷數(shù)據(jù)無法直接 獲取、訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)分布特性存在一定的差異，運(yùn)些都會(huì)降低傳統(tǒng)機(jī)器學(xué)習(xí)故障診 斷模型的泛化能力，甚至使得模型不再適用。
[0004] 當(dāng)W上問題出現(xiàn)時(shí)，大多數(shù)傳統(tǒng)機(jī)器學(xué)習(xí)算法采用重新標(biāo)記目標(biāo)軸承故障樣本來 解決，但其需要大量實(shí)驗(yàn)及專業(yè)知識(shí)，而且工業(yè)環(huán)境中外在摩擦力、工況等因素的變化，并 不能保證采集到的標(biāo)記數(shù)據(jù)和目標(biāo)軸承故障數(shù)據(jù)分布一致，并且重新標(biāo)記目標(biāo)軸承故障樣 本還需要額外時(shí)間和人力成本。如何在克服傳統(tǒng)機(jī)器學(xué)習(xí)算法在軸承故障診斷領(lǐng)域的不 足，已成為目前需要解決的問題。

【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：一個(gè)目的是提供一種基于改進(jìn)型LSSVM遷移學(xué)習(xí)的軸承故障診斷方法， W解決現(xiàn)有技術(shù)存在的上述問題。進(jìn)一步的目的是提供一種基于改進(jìn)型LSSVM遷移學(xué)習(xí)的 軸承故障診斷系統(tǒng)。
[0006] 技術(shù)方案:一種基于改進(jìn)型LSSVM遷移學(xué)習(xí)的軸承故障診斷方法，包括如下步驟：
[0007] 步驟1、利用遞歸定量分析對(duì)目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)進(jìn)行處理，提取非線性特征并與 傳統(tǒng)時(shí)域特征相結(jié)合，組成特征向量，構(gòu)成訓(xùn)練集；
[000引步驟2、利用基于改進(jìn)型LSSVM遷移學(xué)習(xí)算法構(gòu)建故障分類模型：
[0009] 在LSSVM原優(yōu)化問題中的目標(biāo)函數(shù)和約束條件中，分別增加輔助集的懲罰函數(shù)和 約束條件，使LSSVM在迭代學(xué)習(xí)的過程中，受到輔助集的影響，從而提高其分類精度，構(gòu)建基 于遷移學(xué)習(xí)的故障診斷模型；
[0010] 步驟3:將目標(biāo)工況下目標(biāo)軸承未標(biāo)記故障振動(dòng)數(shù)據(jù)利用遞歸定量分析提取非線 性特征并與傳統(tǒng)時(shí)域特征相結(jié)合，組成特征向量，構(gòu)成測(cè)試集，輸入到步驟2中已訓(xùn)練好的 改進(jìn)型LSSVM模型中，分析輸出結(jié)果。
[0011] 進(jìn)一步的，所述目標(biāo)數(shù)據(jù)為目標(biāo)工況下目標(biāo)軸承振動(dòng)數(shù)據(jù)，所述輔助數(shù)據(jù)為變工 況下目標(biāo)軸承振動(dòng)數(shù)據(jù)或臨近軸承振動(dòng)數(shù)據(jù)。
[0012] 進(jìn)一步的，所述遞歸定量分析包括如下步驟：
[0013] 步驟la、采用坐標(biāo)延遲的相空間重構(gòu)方法進(jìn)行相空間重構(gòu)，其中延遲時(shí)間和嵌入 維數(shù)分別由互信息法和虛假臨近點(diǎn)法求得；設(shè)長度N的軸承振動(dòng)序列信號(hào)U(l)，x (2)，. . . .，x(N)}對(duì)應(yīng)的重構(gòu)相空間為：
[0014]
[001引其中，1 y 如-(m-l)T，X(l)，X(2)，. . . .，X(N-(m-l)T)為重構(gòu)相空間向量，τ 為由 互信息法求得的延遲時(shí)間，m為由虛假臨近點(diǎn)法求得的嵌入維數(shù)，x(i)表示長度Ν的軸承振 動(dòng)序列信號(hào)第i時(shí)刻的觀察值，x(iw)表示長度N的軸承振動(dòng)序列信號(hào)第（iw)時(shí)刻的觀察 值，N為軸承振動(dòng)時(shí)間序列的長度；
[0016] 步驟化、構(gòu)建相空間的遞歸矩陣：
[0017]
[001引其中：i，j = l，2，...，N-(m-l)τ;Θ(·)為單位階躍函數(shù)；ε為遞歸闊值，對(duì)于固定 遞歸闊值ε，將空間中任意兩個(gè)向量X(i)、X(j)代入上述公式，可得到NXN距離矩陣對(duì)應(yīng)的 0-1矩陣；
[0019] 步驟1C、構(gòu)建遞歸圖：用黑點(diǎn)表示i-j坐標(biāo)下Ru = l的值，構(gòu)成遞歸圖，W圖形形式 直觀描述時(shí)間序列的遞歸特性；
[0020] 步驟Id、從遞歸圖點(diǎn)密度和線結(jié)構(gòu)中提取遞歸率、確定性、遞歸賭和層流性運(yùn)四個(gè) 有效特征參數(shù)。
[0021 ]進(jìn)一步的，所述提取非線性特征并與傳統(tǒng)時(shí)域特征相結(jié)合的步驟如下：
[0022] 步驟2a、采用時(shí)域統(tǒng)計(jì)分析方法從軸承振動(dòng)信號(hào)中提取出峰峰值、有效值、方差和 峭度指標(biāo)；
[0023] 步驟2b、采用坐標(biāo)延遲的相空間重構(gòu)方法對(duì)時(shí)域振動(dòng)信號(hào)進(jìn)行相空間重構(gòu)，并構(gòu) 建遞歸圖，提取遞歸率、確定性、層流性和遞歸賭指標(biāo)，并與步驟2a所提取的四個(gè)特征值相 結(jié)合，歸一化后構(gòu)成8維的特征向量。
[0024] 進(jìn)一步的，所述訓(xùn)練數(shù)據(jù)集為：
[0025]
[0026] 其中，Τρ和Ta為目標(biāo)和輔助訓(xùn)練數(shù)據(jù)集；xf和W分別為目標(biāo)訓(xùn)練數(shù)據(jù)集中第i個(gè)樣 本的特征向量和對(duì)應(yīng)的故障標(biāo)識(shí)，和y：·分別為輔助訓(xùn)練數(shù)據(jù)集中第i個(gè)樣本的特征向量 和對(duì)應(yīng)的故障標(biāo)識(shí);其中目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)集中的特征向量均利用遞歸定量分析提取非 線性特征并與傳統(tǒng)時(shí)域特征相結(jié)合的方法;Np和Na分別為目標(biāo)和輔助振動(dòng)數(shù)據(jù)集樣本數(shù)，a 表示輔助數(shù)據(jù)，P表示目標(biāo)數(shù)據(jù)。
[0027] 進(jìn)一步的，所述步驟2進(jìn)一步為：
[002引 a)構(gòu)建標(biāo)準(zhǔn)LSSVM的優(yōu)化問題：
[0029]
[0030] 式中，J(Q，e)表示參數(shù)ω和e的函數(shù)，ω表示分類超平面的法方向，b表示偏置， W*嗦示將訓(xùn)練集中故障特征向量xi變換到Hilbed空間，e康示誤差函數(shù)，丫 p為目標(biāo)數(shù)據(jù) 的正則化系數(shù)，Np為目標(biāo)數(shù)據(jù)集樣本數(shù)
[0031] b)在標(biāo)準(zhǔn)LSSVM優(yōu)化問題中的目標(biāo)函數(shù)和約束條件中，分別增加輔助集的懲罰函 數(shù)和約束條件，可表示為：
[0032]
[0033] 其中，丫 P、丫 a分別為目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)的正則化系數(shù)，均大于0，ei為誤差函數(shù)；
[0034] C)對(duì)加入輔助集后的優(yōu)化問題進(jìn)行求解，求得參數(shù)a和b，具體求解步驟如下：
[0035] C-1)構(gòu)建 Lagrange 函數(shù)
[0036]
[0037] 其中，aieR(i = l，2,......，（Np+Na))為 Lagrange因子，符號(hào)不受限制；
[0038] C-2)對(duì)L分別求（《，6,6，曰)的偏微分，并令其為零，如下式所示：
[0039]
[0040] C-3)整理并消去變量ω和61，最終得到如下矩陣形式：
[0041]
[0042] 式中；
[00創(chuàng) y = レ，J?，'''，y,"·"。)]:y = [化''''リ,w。"。χ,;a = [α,，α2，'''，α,"·"。)]:Ω是一個(gè)（Np+Na ) X ( Np+Na )對(duì)稱 矩陣，且A =邸口似盧h卻.K為核函數(shù)/與嗎A y i、y j分別表示訓(xùn)練集中第i 個(gè)、第j個(gè)樣本對(duì)應(yīng)的故障標(biāo)識(shí)。
[0044] 求得參數(shù)a和b:
[0045]
[0046] C-4)得到加入輔助集的改進(jìn)LSSVM函數(shù)估計(jì)表達(dá)式：
[0047]
[004引進(jìn)一步的，所述步驟2還包括四種輔助集的使用方法，分別為：
[0049] 1):將目標(biāo)函數(shù)中的丫遺為0，刪除掉約束條件II;
[0050] 2):將目標(biāo)函數(shù)中的γ遏為0,刪除掉約束條件I，目標(biāo)函數(shù)變?yōu)椋?br>[0化1 ]
[0052] 3):置目標(biāo)函數(shù)中丫 a= 丫 p，約束條件保持不變；
[0053] 4):通過交叉驗(yàn)證對(duì)目標(biāo)函數(shù)中的丫 a和丫 P進(jìn)行優(yōu)化，約束條件保持不變。
[0054] 一種基于改進(jìn)型LSSVM遷移學(xué)習(xí)的軸承故障診斷方法，包括如下步驟：
[0055] 步驟一、對(duì)目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)進(jìn)行處理，提取相關(guān)信息，構(gòu)建訓(xùn)練集；
[0056] 步驟二、構(gòu)建故障分類模型，
[0化7]
[0058] 式中，J(w，e)表示參數(shù)ω和e的函數(shù)，ω表示分類超平面的法方向，b表示偏置， 嗦示將訓(xùn)練集中故障特征向量XI變換到HHbed空間，e康示誤差函數(shù)，丫 P、丫 a分別為 目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)的正則化系數(shù)，Np、Na分別為目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)的樣本數(shù)，i為訓(xùn)練集 中第i個(gè)故障特征向量；
[0059] 步驟Ξ、構(gòu)建測(cè)試集并輸入到改進(jìn)型LSSVM模型中，分析輸出結(jié)果。
[0060] 進(jìn)一步的實(shí)施例中，所述訓(xùn)練集為：
[0061]
[0062] 其中，Τρ和Ta為目標(biāo)和輔助訓(xùn)練數(shù)據(jù)集；xf和yf分別為目標(biāo)訓(xùn)練數(shù)據(jù)集中第i個(gè)樣 本的特征向量和對(duì)應(yīng)的故障標(biāo)識(shí)，和y：·分別為輔助訓(xùn)練數(shù)據(jù)集中第i個(gè)樣本的特征向量 和對(duì)應(yīng)的故障標(biāo)識(shí);其中目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)集中的特征向量均利用遞歸定量分析提取非 線性特征并與傳統(tǒng)時(shí)域特征相結(jié)合的方法;Np和Na分別為目標(biāo)和輔助振動(dòng)數(shù)據(jù)集樣本數(shù)，a 表示輔助數(shù)據(jù)，P表示目標(biāo)數(shù)據(jù)。
[0063] 進(jìn)一步的實(shí)施例中，在步驟一中，采用遞歸定量分析對(duì)目標(biāo)數(shù)據(jù)和輔助數(shù)據(jù)進(jìn)行 處理，具體如下：
[0064] 步驟la、采用坐標(biāo)延遲的相空間重構(gòu)方法進(jìn)行相空間重構(gòu)，其中延遲時(shí)間和嵌入 維數(shù)分別由互信息法和虛假臨近點(diǎn)法求得；設(shè)長度N的軸承振動(dòng)序列信號(hào){x(l)，x (2)，. . . .，x(N)}對(duì)應(yīng)的重構(gòu)相空間為：
[00 化]
[0066] 其中，1 y 如-(m-l)T，X(l)，X(2)，. . . .，X(N-(m-l)T)為重構(gòu)相空間向量，τ 為由 互信息法求得的延遲時(shí)間，m為由虛假臨近點(diǎn)法求得的嵌入維數(shù)，x(i)