[发明专利]基于局部切空间和支持向量机的机电系统故障诊断方法

说明书

技术领域

本发明涉及一种机电系统故障诊断方法，特别是关于一种基于流形学习局部切空间和支持向量机的机电系统故障诊断方法。 

背景技术

近年来,流形学习方法作为一种新的非线性维数约简的方法,在数据挖掘和特征提取等领域中被广泛应用。将非线性高维数据映射到低维流形结构中，能有效获得嵌入在高维空间中的内在低维流形结构。机电系统在运行过程中，各部件相互关联相互影响，在工作过程中产生的碰撞、摩擦变化、结构变形、速度突变等，具有强烈的非线性、非平稳特性。将流形学习用于高维非线性故障样本的学习，可以有效发现数据的内在本质特征，为故障诊断提供新的途径。 

瓦普尼克（Vapnik）提出的支持向量机(Support Vector Machine,SVM)算法，在解决小样本、非线性及高维模式识别中具有独特优势，又能很好的限制过学习，特别适合于小样本集的数据处理，广泛应用于模式识别、回归分析等领域，并在故障诊断和故障预测方面得到应用。然而，目前尚未有将流形学习和支持向量机结合的方法，并且没有对其参数进行寻优的分析研究。单独采用流形学习方法或是支持向量机的方法对机电设备进行故障诊断，其诊断精度和诊断范围都有局限性，无法达到实际使用中对故障诊断精度的要求。 

发明内容

针对上述问题，本发明的目的是提供一种能较好的解决非线性非平稳状态下高维数据和局部极小点问题、操作简单的基于流形学习局部切空间和支持向量机的机电系统故障诊断方法。 

为实现上述目的，本发明采取以下技术方案：一种基于局部切空间和支持向量机的机电系统故障诊断方法，其包括以下步骤：1）利用数据采集设备获得待诊断机电设备的多类振动信号测量数据，并采用均值-方差标准化方法将多类振动信号测量数据进行归一化处理，得到具有零均值和单位方差的振动信号，其中多类振动信号包括正常的振动信号和各种故障的振动信号；2）在归一化处理后的振动信号测量数据中截取一段长度为t的振动信号数据，先利用延迟重构方法将该振动信号数据均匀划分为N个子数据向量，然后分别计算每个子数据向量的20维的特征值，构成一个N×20的高维特征参数矩阵；并对高维特征参数矩阵每一维度数据归一化；其中20维的特征值由13个时域特征和7个频域特征构成；N为特征空 间的样本点数，共20种表征机械振动特性的特征参数构建高维特征空间；3）采用LTSA提取N×20高维特征参数矩阵的低维矩阵，得到主轴系统敏感稳定的故障特征低维流形；LTSA通过逼近每一样本点的切空间来构建低维流形的局部几何空间，然后利用局部切空间排列求出整体低维嵌入坐标，得到小样本数据；其中LTSA为局部切空间排列算法；4）对小样本数据采用网格搜索算法进行LTSA参数(d,k)寻优，得到所有数据维数d和邻域点数k的排列组合，选择70%的小样本数据为训练集，剩下的为测试集；其中，d为数据维数，k为邻域点数，参数d网格搜索寻优范围小于数据维数且大于等于1，参数k寻优范围不小于数据维数，寻优步长为1；5）利用SVM对降维后的小样本数据进行故障诊断的故障分类，并采用交叉验证选择最优SVM参数(c,γ)，采用在LTSA最优参数(d,k)和SVM最优参数(c,γ)的取值范围插值，分别构成二维网格P和Q，二维网格P中每个(d，k)参数组合对应二维网格Q中所有(c,γ)参数组合，构建SVM模型，保留准确率最高的(d,k)和(c,γ)组合为最终的寻优参数组合；其中SVM为基于径向基核函数的支持向量机，c为惩罚参数，γ为核函数参数；6）根据寻优参数组合，利用LTSA提取训练集和测试集的高维特征空间的低维特征流形，训练SVM故障分类器，实现对机电系统的故障诊断。 

所述步骤1）中，采用均值-方差标准化方法将所测得的多类振动信号进行归一化预处理如下：首先，计算所测系统振动信号的离散数据样本X＝{x₁,x₂，...,x_n}的均值 和方差σ，然后对该离散数据样本X进行归一化处理，即： 

xi′=xi-x‾σ.]]>