[发明专利]一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法

权利要求书

1.一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法，其特征在于：实现步骤如下：

步骤(1)、应用基于Hessian局部线性嵌入HLLE方法获取轴承原始振动信号中流形拓扑结构的内在流形特征；

步骤(2)、对内在流形特征进行快速傅里叶变换FFT得到频谱图，在频谱图上提取轴承故障特征频率及其二倍频、三倍频等特殊频率处对应幅值的大小，组成轴承的故障特征向量；

步骤(3)、以提取的故障特征作为分类器的输入向量，应用基于信息几何的支持向量机IG-SVM进行故障分类，实现变工况条件下轴承的故障诊断；

所述的步骤(1)具体为：首先基于相空间重构方法，将轴承非线性非平稳的一维原始振动信号x(t)重构到高维空间中，然后利用流形学习方法HLLE分析信号的流形拓扑结构并提取其内在特征；

步骤(2)中对步骤(1)中提取的第一维内在流形特征进行FFT变换，得到内在流形特征的频谱图，提取图中故障特征频率及其二倍频、三倍频等特殊频率处对应幅值的大小，作为轴承的故障特征向量；设内环故障特征频率为f_i，外环故障特征频率为f_o，则一个故障特征向量＝[f_i对应的幅值，2f_i对应的幅值，3f_i对应的幅值，f_o对应的幅值，2f_o对应的幅值，3f_o对应的幅值，其他特殊频率处对应的幅值]；

所述的步骤(3)应用基于信息几何的支持向量机IG-SVM进行故障分类具体为：首先，以若干组各种故障状态下HLLE-FFT提取的故障特征向量作为IG-SVM的输入，以特征向量实际代表的故障状态标签作为IG-SVM的输出，训练分类器；然后，对于任意故障状态的数据，应用HLLE-FFT提取故障特征向量输入到IG-SVM分类器，IG-SVM将给出该数据对应的故障状态标签，实现故障分类。