滾動軸承早期故障識別方法
【專利摘要】本發(fā)明滾動軸承早期故障識別方法涉及機械裝置故障識別領(lǐng)域，具體涉及滾動軸承早期故障識別方法，包括以下步驟：首先從滾動軸承數(shù)據(jù)信號中提取出9個時域參數(shù)構(gòu)成原始特征空間，采用LE算法對其實現(xiàn)特征壓縮，在采用LE算法進行特征提取的過程中，首先采用近鄰方式來構(gòu)建鄰接圖，然后使用熱核方程給每條邊賦予權(quán)值來構(gòu)造鄰接權(quán)值矩陣；對壓縮后的特征樣本采用一類支持向量機實現(xiàn)故障分類識別，本發(fā)明能夠有效提取出故障樣本的非線性特征，達到特征空間信息的有效融合從而提取敏感特征，實現(xiàn)了軸承早期故障的智能識別。
【專利說明】滾動軸承早期故障識別方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及機械裝置故障識別領(lǐng)域，具體涉及滾動軸承早期故障識別方法。
技術(shù)背景
[0002]在旋轉(zhuǎn)機械中，滾動軸承的運行狀態(tài)往往會直接影響整臺機器的性能，因此，實現(xiàn)對滾動軸承的狀態(tài)檢測與故障診斷具有重要意義。目前，有效地從故障信號中提取特征的方法被不斷應用于滾動軸承故障特征提取，然而滾動軸承故障特征常常被淹沒在強大的噪聲背景下，大多數(shù)特征提取法所分解出的特征包含大量的冗余信息，從而降低了特征的敏感性，影響了后續(xù)分類的智能識別。
[0003]流形學習作為提取數(shù)據(jù)非線性特征的一種先進方法，較之于傳統(tǒng)的線性降維方法，它在處理采集所得高維、復雜非線性的故障信號時更能有效發(fā)現(xiàn)非線性數(shù)據(jù)的本質(zhì)結(jié)構(gòu)。流形學習可以根據(jù)其內(nèi)在線性或者非線性關(guān)系，通過優(yōu)化融合策略提取敏感特征，利于進行維數(shù)約簡和數(shù)據(jù)分析，目前已在機械故障診斷領(lǐng)域中被應用。
[0004]相對于一般支持向量機常常需要兩類或兩類以上的樣本，一類支持向量機僅僅需要二類樣本對象，在機械故障診斷領(lǐng)域中，故障狀態(tài)的樣本往往少且表現(xiàn)出多模式化，實際應用中難以獲取且代價較高，而一類支持向量機只要測得一種故障的樣本就可以建立對應的分類器，從而對機器的狀態(tài)進行識別。


【發(fā)明內(nèi)容】

[0005]為了解決上述問題，本發(fā)明根據(jù)軸承早期故障的特點，提出了基于流形學習與一類支持向量機相結(jié)合的軸承早期故障識別方法。首先對原始的故障信號提取相應的時域參數(shù)構(gòu)成原始特征空間；然后利用流形學習方法中的拉普拉斯特征映射算法(Laplacianeigenmap,LE)對原始特征空間的樣本進行信息融合實現(xiàn)特征壓縮,提取敏感的特征；最后采用一類支持向量機對特征壓縮所得的特征樣本進行分類識別。本發(fā)明能夠有效提取出故障樣本的非線性特征，達到特征空間信息的有效融合從而提取敏感特征，實現(xiàn)了軸承早期故障的智能識別。
[0006]本發(fā)明滾動軸承早期故障識別方法，包括以下步驟:
第一步，首先從滾動軸承數(shù)據(jù)信號中提取出9個時域參數(shù)構(gòu)成原始特征空間，所述9個特征分別是:平均值、有效值、峰值、波形因數(shù)、沖擊指數(shù)、波峰因數(shù)、歪度值、峭度值、裕度指數(shù)；
第二步，采用LE算法對其實現(xiàn)特征壓縮，在采用LE算法進行特征提取的過程中，首先采用近鄰方式來構(gòu)建鄰接圖，然后使用熱核方程給每條邊賦予權(quán)值來構(gòu)造鄰接權(quán)值矩陣；第三步，對壓縮后的特征樣本采用一類支持向量機實現(xiàn)故障分類識別，對于每種狀態(tài)的樣本，采用一類支持向量機實現(xiàn)故障識別:隨機選擇一半樣本作為訓練樣本；剩余一半樣本作為正類測試樣本，同時作為其他狀態(tài)的負類測試樣本集的一部分，重復10輪，對于一類支持向量機中涉及的懲罰系數(shù)和核函數(shù)參數(shù)，采用網(wǎng)格式搜索，交叉驗證，在建立樣本對應的分類模型時限定支持向量所占訓練樣本的比例不得超過10%并在此基礎(chǔ)上對這兩個參數(shù)尋優(yōu)。
[0007]本發(fā)明能夠有效提取出故障樣本的非線性特征，達到特征空間信息的有效融合從而提取敏感特征，實現(xiàn)了軸承早期故障的智能識別。

【具體實施方式】
[0008]本發(fā)明滾動軸承早期故障識別方法，包括以下步驟:
第一步，首先從滾動軸承數(shù)據(jù)信號中提取出9個時域參數(shù)構(gòu)成原始特征空間，所述9個特征分別是:平均值、有效值、峰值、波形因數(shù)、沖擊指數(shù)、波峰因數(shù)、歪度值、峭度值、裕度指數(shù)；
第二步，采用LE算法對其實現(xiàn)特征壓縮，在采用LE算法進行特征提取的過程中，首先采用近鄰方式來構(gòu)建鄰接圖，然后使用熱核方程給每條邊賦予權(quán)值來構(gòu)造鄰接權(quán)值矩陣；第三步，對壓縮后的特征樣本采用一類支持向量機實現(xiàn)故障分類識別，對于每種狀態(tài)的樣本，采用一類支持向量機實現(xiàn)故障識別:隨機選擇一半樣本作為訓練樣本；剩余一半樣本作為正類測試樣本，同時作為其他狀態(tài)的負類測試樣本集的一部分，重復10輪，對于一類支持向量機中涉及的懲罰系數(shù)和核函數(shù)參數(shù)，采用網(wǎng)格式搜索，交叉驗證，在建立樣本對應的分類模型時限定支持向量所占訓練樣本的比例不得超過10%并在此基礎(chǔ)上對這兩個參數(shù)尋優(yōu)。
[0009]選擇電器工程實驗室的滾動軸承實驗數(shù)據(jù)進行實驗分析。選擇的數(shù)據(jù)源于SKF6205滾動軸承，采樣頻率12kHz，選擇損傷尺寸為0.007mm的四種轉(zhuǎn)速下的內(nèi)圈、外圈、滾珠故障以及正常狀態(tài)下的數(shù)據(jù)。每種狀態(tài)下每種轉(zhuǎn)速，共四種轉(zhuǎn)速，選擇25個樣本，樣本維數(shù)均取4096維，即一種狀態(tài)的樣本為100個，一共取了 400個樣本。
[0010]分別對每種狀態(tài)的樣本信號提取9個時域參數(shù)，構(gòu)成原始特征空間。對原始特征空間采用LE方法進行特征壓縮，通過計算實驗選擇鄰域參數(shù)為6，熱核方程的參數(shù)取10，嵌人維數(shù)取3。為了進一步驗證采用LE方法進行特征壓縮實現(xiàn)智能診斷方法的可行性，同時將采用LE方法進行特征壓縮的樣本與采用PCA方法進行特征壓縮的樣本進行比較，分別采用LE方法進行特征壓縮以及采用PCA方法進行特征壓縮，相比于PCA方法，采用LE方法進行特征壓縮后內(nèi)圈樣本、外圈樣本與其他兩種狀態(tài)的樣本分得很開，正常樣本與滾珠樣本雖然有個別混在一起，但是比PCA方法的情況要更容易分類識別?？梢奓E方法比PCA方法更能提取用于區(qū)分樣本的敏感特征。
[0011]分別對未經(jīng)壓縮的特征樣本、PCA方法壓縮的特征樣本、LE方法壓縮的特征樣本，同時采用一類支持向量機實現(xiàn)智能識別。一類支持向量機學習結(jié)果所得模型的支持向量比例很少，表明模型具有很強的泛化能力，證明了所建模型的有效性，采用LE方法對特征空間樣本進行特征壓縮后，在嵌入維數(shù)是3的情況下，采用LE方法進行特征壓縮所得四種狀態(tài)的樣本平均識別率以及總平均識別率相比于未采用特征壓縮以及采用PCA方法進行特征壓縮后這兩種情況，LE方法方式所得結(jié)果均為最優(yōu)。這從整體上反映出同樣是在嵌入維數(shù)為3的情況下，采用LE方法進行特征壓縮要比采用PCA方法進行特征壓縮更能有效地提取特征空間中的敏感特征。由此可見，采用LE方法進行特征壓縮后能夠從特征空間中有效地提取出敏感特征從而實現(xiàn)故障識別，從而反映出本文方法是可行的、有效的。
【權(quán)利要求】
1.滾動軸承早期故障識別方法，其特征在于，包括以下步驟: 第一步，首先從滾動軸承數(shù)據(jù)信號中提取出9個時域參數(shù)構(gòu)成原始特征空間，所述9個特征分別是:平均值、有效值、峰值、波形因數(shù)、沖擊指數(shù)、波峰因數(shù)、歪度值、峭度值、裕度指數(shù)； 第二步，采用LE算法對其實現(xiàn)特征壓縮，在采用LE算法進行特征提取的過程中，首先采用近鄰方式來構(gòu)建鄰接圖，然后使用熱核方程給每條邊賦予權(quán)值來構(gòu)造鄰接權(quán)值矩陣； 第三步，對壓縮后的特征樣本采用一類支持向量機實現(xiàn)故障分類識別，對于每種狀態(tài)的樣本，采用一類支持向量機實現(xiàn)故障識別:隨機選擇一半樣本作為訓練樣本；剩余一半樣本作為正類測試樣本，同時作為其他狀態(tài)的負類測試樣本集的一部分，重復10輪，對于一類支持向量機中涉及的懲罰系數(shù)和核函數(shù)參數(shù)，采用網(wǎng)格式搜索，交叉驗證，在建立樣本對應的分類模型時限定支持向量所占訓練樣本的比例不得超過10%并在此基礎(chǔ)上對這兩個參數(shù)尋優(yōu)。
【文檔編號】G06K9/00GK104268516SQ201410481861
【公開日】2015年1月7日 申請日期:2014年9月19日 優(yōu)先權(quán)日:2014年9月19日
【發(fā)明者】張淑芬 申請人:陜西啟源科技發(fā)展有限責任公司