專(zhuān)利名稱(chēng)：基于有監(jiān)督增量式局部線性嵌入(sille)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種故障辨識(shí)技術(shù)領(lǐng)域，特別涉及一種基于有監(jiān)督增量式局部線性嵌入(SILLE)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法。
背景技術(shù)：
旋轉(zhuǎn)機(jī)械早期故障辨識(shí)技術(shù)是隨著現(xiàn)代工業(yè)大生產(chǎn)的發(fā)展而發(fā)展起來(lái)的一項(xiàng)設(shè)備診斷技術(shù)，它是研究旋轉(zhuǎn)機(jī)械在故障早期，即在旋轉(zhuǎn)機(jī)械性能異常征兆還比較微弱以及還沒(méi)有出現(xiàn)典型事故之前，就掌握旋轉(zhuǎn)機(jī)械的運(yùn)行現(xiàn)狀，判定旋轉(zhuǎn)機(jī)械早期故障的部位、原因或嚴(yán)重程度，預(yù)測(cè)設(shè)備可靠性和壽命，并提出相應(yīng)的維修方案的技術(shù)，其研究的內(nèi)容涉及信號(hào)處理技術(shù)、信息融合技術(shù)、維數(shù)化簡(jiǎn)理論、模式識(shí)別理論(包括人工智能、統(tǒng)計(jì)數(shù)學(xué)、模糊數(shù)學(xué))、電子技術(shù)、計(jì)算機(jī)科學(xué)、現(xiàn)代控制理論等多個(gè)學(xué)科領(lǐng)域，是依據(jù)旋轉(zhuǎn)機(jī)械早期故障動(dòng)力學(xué)機(jī)理，利用信號(hào)處理技術(shù)、信息融合技術(shù)、維數(shù)化簡(jiǎn)理論和模式識(shí)別理論，對(duì)旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)或其它源信號(hào)依次進(jìn)行故障特征提取、故障特征融合、特征約簡(jiǎn)、故障分類(lèi)等分析處理，來(lái)對(duì)旋轉(zhuǎn)機(jī)械早期故障進(jìn)行辨識(shí)。
目前，對(duì)旋轉(zhuǎn)機(jī)械早期故障辨識(shí)的方法主要為以下兩種
I)利用信號(hào)處理技術(shù)提取旋轉(zhuǎn)機(jī)械早期故障特征。
2)結(jié)合信號(hào)處理技術(shù)和模式識(shí)別理論對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行早期故障辨識(shí)。
但這兩種方法因各自的局限性不能有效地辨識(shí)旋轉(zhuǎn)機(jī)械早期故障。
對(duì)于第一種方法，由于旋轉(zhuǎn)機(jī)械故障主要是以振動(dòng)形式表現(xiàn)出來(lái)，并在眾多的故障信息中，振動(dòng)信號(hào)能夠更迅速、更直接地反映轉(zhuǎn)子系統(tǒng)的運(yùn)行狀態(tài)，因此基于信號(hào)處理技術(shù)(即振動(dòng)分析技術(shù))的早期故障辨識(shí)方法較為普遍，它是利用時(shí)域或頻域信號(hào)分析方法來(lái)獲取旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的時(shí)域波形和頻譜中能量的大小及分布等特征，并與已知的正?；蚬收蠒r(shí)域或頻域特征進(jìn)行相似性比較，從而指示旋轉(zhuǎn)機(jī)械是否發(fā)生故障。但信號(hào)處理技術(shù)對(duì)于分析復(fù)雜工況下的旋轉(zhuǎn)機(jī)械早期故障仍存在諸多不足。如，多層自相關(guān)等時(shí)、頻分析方法不可能在時(shí)、頻域同時(shí)得到很高的辨識(shí)精度，混疊、交叉項(xiàng)干擾等問(wèn)題難以解決；現(xiàn)在的盲源分離技術(shù)只能解決線性混疊問(wèn)題，而用于處理非線性混疊、噪聲混疊、源信號(hào)個(gè)數(shù)未知或動(dòng)態(tài)變化等情況下的盲分離問(wèn)題具有局限性；等等。另外，習(xí)慣孤立使用單一、單域的信號(hào)處理技術(shù)進(jìn)行轉(zhuǎn)機(jī)械早期故障特征選擇與提取，這種方式普適性不強(qiáng)，難以全面、準(zhǔn)確地獲取旋轉(zhuǎn)機(jī)械時(shí)變、非線性、多混疊振動(dòng)信號(hào)中真實(shí)的早期故障特征。
對(duì)于第二種方法，結(jié)合信號(hào)處理和模式識(shí)別的早期故障辨識(shí)方法就是先利用信號(hào)處理技術(shù)及衍生的特征構(gòu)造方法對(duì)早期故障信號(hào)進(jìn)行故障特征選擇與優(yōu)化，再通過(guò)人工智能技術(shù)(如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等)或決策融合機(jī)制對(duì)早期故障特征進(jìn)行模式識(shí)別，可以將這類(lèi)早期故障辨識(shí)方法概括為故障辨識(shí)模式“故障特征提取一模式識(shí)別”。但該故障辨識(shí)模式往往要借助人為分析才能完成故障特征的選擇與優(yōu)化，故障特征優(yōu)選質(zhì)量和模式識(shí)別精度取決于用戶(hù)的專(zhuān)業(yè)知識(shí)和現(xiàn)場(chǎng)經(jīng)驗(yàn)，自動(dòng)化水平和計(jì)算效率低，診斷結(jié)果穩(wěn)定性和可靠性差，不能滿(mǎn)足旋轉(zhuǎn)機(jī)械早期故障辨識(shí)技術(shù)機(jī)動(dòng)化、精準(zhǔn)化、快捷化的現(xiàn)實(shí)需求和發(fā)展趨勢(shì)；另一方面，該故障辨識(shí)模式多采用單一、單域的故障特征提取方式，針對(duì)性強(qiáng)、通用性差，只適合單個(gè)零部件早期或典型故障的診斷問(wèn)題，無(wú)法適應(yīng)大型旋轉(zhuǎn)機(jī)械早期故障辨識(shí)問(wèn)題的多樣性和復(fù)雜性。此外，現(xiàn)今常用的人工智能技術(shù)和決策融合機(jī)制其自身也存在不少的缺陷。如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等主流人工智能技術(shù)都存在對(duì)訓(xùn)練樣本的復(fù)雜的訓(xùn)練建模過(guò)程，原理復(fù)雜，給工程軟件程序的編制帶來(lái)相當(dāng)大的難度；決策融合機(jī)制由于其模型結(jié)構(gòu)的復(fù)雜性、知識(shí)儲(chǔ)存的隱蔽性以及推理過(guò)程的不明確性，造成其決策過(guò)程對(duì)用戶(hù)來(lái)說(shuō)就是一個(gè)“黑箱”，不具有可解釋性；等等。以上幾方面不足決定了故障辨識(shí)模式“故障特征提取一模式識(shí)別”用于旋轉(zhuǎn)機(jī)械早期故障辨識(shí)仍然具有很大的局限性。
綜上所述，如何保證旋轉(zhuǎn)機(jī)械早期故障辨識(shí)結(jié)果的準(zhǔn)確性、可靠性以及如何提高旋轉(zhuǎn)機(jī)械早期故障辨識(shí)方法的自動(dòng)化水平、通用化程度和分析運(yùn)算效率至今沒(méi)有取得重大的進(jìn)展，還有待深入研究。發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有的旋轉(zhuǎn)機(jī)械早期故障辨識(shí)方法難以實(shí)現(xiàn)自動(dòng)化、高精度、快速性和通用性相統(tǒng)一的問(wèn)題，提出了一種基于有監(jiān)督增量式局部線性嵌入(SILLE)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法，該方法首先從時(shí)域和頻域兩個(gè)作用域來(lái)獲取復(fù)雜旋轉(zhuǎn)機(jī)械早期故障的特征信息，再利用有監(jiān)督增量式局部線性嵌入(SILLE)將高維時(shí)頻域特征集向量自動(dòng)約簡(jiǎn)為區(qū)分度更好的低維特征向量，并輸入到分類(lèi)器中進(jìn)行早期故障模式辨識(shí)。該方法實(shí)現(xiàn)了旋轉(zhuǎn)機(jī)械早期故障辨識(shí)方法的自動(dòng)化、高精度、快速性和通用性。
本發(fā)明的技術(shù)方案如下
一種旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的基于有監(jiān)督增量式局部線性嵌入(SILLE)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法，其特征在于，包括如下具體步驟
A、對(duì)訓(xùn)練樣本和測(cè)試樣本均分別構(gòu)造N個(gè)時(shí)域特征參數(shù)和N個(gè)頻域特征參數(shù)，所述N > 10，并將N個(gè)時(shí)域特征參數(shù)和N個(gè)頻域特征參數(shù)合并得到2N維的時(shí)頻域特征集向
B、將作為訓(xùn)練樣本的2N維時(shí)頻域特征集向量輸入有監(jiān)督增量式局部線性嵌入 (SILLE)進(jìn)行訓(xùn)練，求得訓(xùn)練好的SILLE和訓(xùn)練樣本的d維特征向量，I < d〈k且d〈2N，d為 SILLE的最優(yōu)約簡(jiǎn)維數(shù)，k為SILLE的近鄰點(diǎn)數(shù)目；
C、訓(xùn)練好的SILLE再用局部線性投影對(duì)測(cè)試樣本進(jìn)行維數(shù)化簡(jiǎn)，得到測(cè)試樣本的 d維特征向量；
D、將分別得到的訓(xùn)練樣本和測(cè)試樣本的d維特征向量同時(shí)輸入分類(lèi)器進(jìn)行分類(lèi)決策，得出各測(cè)試樣本的識(shí)別結(jié)果。
在步驟B和C之間，還執(zhí)行下述步驟
步驟B’、通過(guò)局部協(xié)方差矩陣特征值來(lái)估計(jì)d，并對(duì)SILLE的近鄰點(diǎn)數(shù)目k和 SILLE的距離參數(shù)α進(jìn)行估計(jì)。
由局部協(xié)方差矩陣特征值貢獻(xiàn)率或神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)d，通過(guò)十折交叉驗(yàn)證法或迭代算法來(lái)估計(jì)SILLE的近鄰點(diǎn)數(shù)目k和SILLE的距離參數(shù)α。
步驟D所述的分類(lèi)器為K-近鄰分類(lèi)器(KNNC)或神經(jīng)網(wǎng)絡(luò)分類(lèi)器或支持向量機(jī)。
所述時(shí)域特征參數(shù)是指在旋轉(zhuǎn)機(jī)械的一個(gè)振動(dòng)周期內(nèi)反映時(shí)域信號(hào)的幅值、能量 大小以及時(shí)間序列分布情況的參數(shù)，所述頻域特征參數(shù)是指在旋轉(zhuǎn)機(jī)械的一個(gè)振動(dòng)周期內(nèi) 反映頻域振動(dòng)能量大小、表征頻譜的分散或集中程度以及反映主頻帶位置變化的參數(shù)。步驟A所述的N為10，步驟A是指先對(duì)訓(xùn)練樣本和測(cè)試樣本均分別構(gòu)造10個(gè)時(shí)域 特征參數(shù)和10個(gè)頻域特征參數(shù)，再合并所述10個(gè)時(shí)域特征參數(shù)和10個(gè)頻域特征參數(shù)得到 20維時(shí)頻域特征集向量，最后歸一化所述20維時(shí)頻域特征集向量。步驟B是指利用有監(jiān)督增量式局部線性嵌入(SILLE)算法對(duì)訓(xùn)練樣本的20維時(shí) 頻域特征集向量進(jìn)行降維處理，所述降維處理包括得到訓(xùn)練樣本的近鄰點(diǎn)、重構(gòu)權(quán)值矩陣、 訓(xùn)練樣本投影模型，降維處理后得到反映不同早期故障特征的訓(xùn)練樣本d維特征向量。步驟C所述的訓(xùn)練好的SILLE再用局部線性投影對(duì)測(cè)試樣本進(jìn)行維數(shù)化簡(jiǎn)，是指 訓(xùn)練好的SILLE采用局部線性投影算法來(lái)將測(cè)試樣本的2N維時(shí)頻域特征集向量映射到訓(xùn) 練樣本的嵌入空間，得到測(cè)試樣本的d維特征向量。步驟D所述的將分別得到的訓(xùn)練樣本和測(cè)試樣本的d維特征向量同時(shí)輸入分類(lèi)器 進(jìn)行分類(lèi)決策，是指分類(lèi)器根據(jù)訓(xùn)練樣本d維特征向量的鄰域點(diǎn)和類(lèi)標(biāo)簽信息對(duì)測(cè)試樣本 d維特征向量進(jìn)行早期故障模式的分類(lèi)決策。所述的測(cè)試樣本的識(shí)別結(jié)果是指K-近鄰分類(lèi)器(KNNC)輸出的模式編號(hào)，用測(cè)試 樣本對(duì)應(yīng)的模式編號(hào)代表該樣本所屬早期故障的類(lèi)型或位置或程度，各類(lèi)早期故障的辨識(shí) 精度n!和平均辨識(shí)精度f(wàn)分別用以下兩個(gè)公式描述
權(quán)利要求
1.一種旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的基于有監(jiān)督增量式局部線性嵌入(SILLE)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法，其特征在于，包括如下具體步驟A、對(duì)訓(xùn)練樣本和測(cè)試樣本均分別構(gòu)造N個(gè)時(shí)域特征參數(shù)和N個(gè)頻域特征參數(shù)，所述 N ^ 10，并將N個(gè)時(shí)域特征參數(shù)和N個(gè)頻域特征參數(shù)合并得到2N維的時(shí)頻域特征集向量；B、將作為訓(xùn)練樣本的2N維時(shí)頻域特征集向量輸入有監(jiān)督增量式局部線性嵌入 (SILLE)進(jìn)行訓(xùn)練，求得訓(xùn)練好的SILLE和訓(xùn)練樣本的d維特征向量，I < d〈k且d〈2N，d為 SILLE的最優(yōu)約簡(jiǎn)維數(shù)，k為SILLE的近鄰點(diǎn)數(shù)目；C、訓(xùn)練好的SILLE再用局部線性投影對(duì)測(cè)試樣本進(jìn)行維數(shù)化簡(jiǎn)，得到測(cè)試樣本的d維特征向量；D、將分別得到的訓(xùn)練樣本和測(cè)試樣本的d維特征向量同時(shí)輸入分類(lèi)器進(jìn)行分類(lèi)決策， 得出各測(cè)試樣本的識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，在步驟B和C之間，還執(zhí)行下述步驟步驟B’、通過(guò)局部協(xié)方差矩陣特征值來(lái)估計(jì)d，并對(duì)SILLE的近鄰點(diǎn)數(shù)目k和SILLE的距離參數(shù)α進(jìn)行估計(jì)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，由局部協(xié)方差矩陣特征值貢獻(xiàn)率或神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)d，通過(guò)十折交叉驗(yàn)證法或迭代算法來(lái)估計(jì)SILLE的近鄰點(diǎn)數(shù)目k和SILLE的距離參數(shù)α。
4.根據(jù)權(quán)利要求I至3之一所述的方法，其特征在于，步驟D所述的分類(lèi)器為K-近鄰分類(lèi)器(KNNC)或神經(jīng)網(wǎng)絡(luò)分類(lèi)器或支持向量機(jī)。
5.根據(jù)權(quán)利要求I至3之一所述的方法，其特征在于，所述時(shí)域特征參數(shù)是指在旋轉(zhuǎn)機(jī)械的一個(gè)振動(dòng)周期內(nèi)反映時(shí)域信號(hào)的幅值、能量大小以及時(shí)間序列分布情況的參數(shù)，所述頻域特征參數(shù)是指在旋轉(zhuǎn)機(jī)械的一個(gè)振動(dòng)周期內(nèi)反映頻域振動(dòng)能量大小、表征頻譜的分散或集中程度以及反映主頻帶位置變化的參數(shù)。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，步驟A所述的N為10，步驟A是指先對(duì)訓(xùn)練樣本和測(cè)試樣本均分別構(gòu)造10個(gè)時(shí)域特征參數(shù)和10個(gè)頻域特征參數(shù)，再合并所述10個(gè)時(shí)域特征參數(shù)和10個(gè)頻域特征參數(shù)得到20維時(shí)頻域特征集向量，最后歸一化所述20維時(shí)頻域特征集向量。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，步驟B是指利用有監(jiān)督增量式局部線性嵌入(SILLE)算法對(duì)訓(xùn)練樣本的20維時(shí)頻域特征集向量進(jìn)行降維處理，所述降維處理包括得到訓(xùn)練樣本的近鄰點(diǎn)、重構(gòu)權(quán)值矩陣、訓(xùn)練樣本投影模型，降維處理后得到反映不同早期故障特征的訓(xùn)練樣本d維特征向量。
8.根據(jù)權(quán)利要求I所述的方法，其特征在于，步驟C所述的訓(xùn)練好的SILLE再用局部線性投影對(duì)測(cè)試樣本進(jìn)行維數(shù)化簡(jiǎn)，是指訓(xùn)練好的SILLE采用局部線性投影算法來(lái)將測(cè)試樣本的2N維時(shí)頻域特征集向量映射到訓(xùn)練樣本的嵌入空間，得到測(cè)試樣本的d維特征向量。
9.根據(jù)權(quán)利要求I所述的方法，其特征在于，步驟D所述的將分別得到的訓(xùn)練樣本和測(cè)試樣本的d維特征向量同時(shí)輸入分類(lèi)器進(jìn)行分類(lèi)決策，是指分類(lèi)器根據(jù)訓(xùn)練樣本d維特征向量的鄰域點(diǎn)和類(lèi)標(biāo)簽信息對(duì)測(cè)試樣本d維特征向量進(jìn)行早期故障模式的分類(lèi)決策。
10.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述的測(cè)試樣本的識(shí)別結(jié)果是指K-近鄰分類(lèi)器(KNNC)輸出的模式編號(hào)，用測(cè)試樣本對(duì)應(yīng)的模式編號(hào)代表該樣本所屬早期故障的類(lèi)型或位置或程度，各類(lèi)早期故障的辨識(shí)精度n!和平均辨識(shí)精度f(wàn)分別用以下兩個(gè)公式描述' —實(shí)師輸出校式與期制輸出撈式-·致的某￥期故障測(cè)成ff本ft η,~該V期故障測(cè)試樣本總數(shù)S / I式中，S為早期故障種類(lèi)總數(shù)。
全文摘要
本發(fā)明涉及一種基于有監(jiān)督增量式局部線性嵌入(SILLE)維數(shù)化簡(jiǎn)的早期故障辨識(shí)方法，該方法先從時(shí)域和頻域兩個(gè)作用域來(lái)獲取復(fù)雜旋轉(zhuǎn)機(jī)械早期故障的特征信息，構(gòu)造全面表征不同故障特性的時(shí)頻域特征集向量，再利用SILLE將高維時(shí)頻域特征集向量自動(dòng)約簡(jiǎn)為區(qū)分度更好的低維特征向量，并輸入到分類(lèi)器中進(jìn)行分類(lèi)決策，最終得到各測(cè)試樣本早期故障的辨識(shí)結(jié)果。該方法充分發(fā)揮了時(shí)頻域特征集在故障特征全面挖掘、有監(jiān)督增量式局部線性嵌入(SILLE)技術(shù)在信息化簡(jiǎn)和分類(lèi)器在模式識(shí)別上的優(yōu)勢(shì)，實(shí)現(xiàn)了旋轉(zhuǎn)機(jī)械早期故障辨識(shí)方法的自動(dòng)化、高精度、快速性和通用性。
文檔編號(hào)G06K9/62GK102930285SQ201210346688
公開(kāi)日2013年2月13日 申請(qǐng)日期2012年9月18日 優(yōu)先權(quán)日2012年9月18日
發(fā)明者李鋒, 王家序, 楊榮松 申請(qǐng)人:四川大學(xué)