[发明专利]一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法在审
申请号: | 201710036932.5 | 申请日: | 2017-01-18 |
公开(公告)号: | CN106769049A | 公开(公告)日: | 2017-05-31 |
发明(设计)人: | 薛殿威;付胜;周忠臣;王晓铭;于梦瑶 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G01M13/04 | 分类号: | G01M13/04;G06F17/50;G06F17/14 |
代理公司: | 北京思海天达知识产权代理有限公司11203 | 代理人: | 沈波 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 拉普拉斯 分值 支持 向量 滚动轴承 故障诊断 方法 | ||
1.一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法,其特征在于:该方法包括以下步骤,
步骤S1:获取滚动轴承在正常、外圈故障、内圈故障、滚动体故障状态下的振动加速度信号,得到时域信号样本集;
步骤S2:计算时域信号样本集中每个样本的若干个时域统计参数与频域统计参数,构建初始特征集X=[x1,x2,…,x18]T,其中x1为最大值,x2为平均值,x3为方差,x4为均方根值,x5为方根幅值,x6为峭度,x7为峰-峰值,x8为波形指标,x9为脉冲指标,x10为裕度指标,x11为峰值因子,x12为偏斜度,x13为时域信息熵,x14为频率重心,x15为总功率谱和,x16为谐波指标,x17为均方频率,x18为频率信息熵;
步骤S3:计算初始特征集X中每个特征的拉普拉斯分值,按从小到大排列,选取排在最前的若干个特征组成故障特征矩阵;
步骤S4:建立基于支持向量机的轴承故障诊断模型;
步骤S5:将测试样本或者实时样本输入到轴承故障诊断模型中,对故障进行诊断。
2.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法,其特征在于:具体进行如下处理:
步骤S2.1:计算的时域特征参数包括:最大值、平均值、方差、均方根值、方根幅值、峭度、峰-峰值、波形指标、脉冲指标、裕度指标、峰值因子、偏斜度、时域信息熵;
步骤S2.2:计算的频域特征参数包括:频率重心、总功率谱和、谐波指标、均方频率、频率信息熵。
3.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法,其特征在于:S3的具体进行如下处理:
步骤S3.1:构造一个具有m个样本点的近邻图G,近邻图G是描述样本之间关系的一类图;第i个节点对应xi,第j个节点对应xj;xi和xj存在有边连接和无边连接两种情况,有边连接代表xi和xj之间的距离近,无边连接代表xi和xj之间的距离远;
步骤S3.2:如果节点i和j是有边的,则令其中i,j=1,2,…,m,σ为热核宽度;否则令Sij=0;
步骤S3.3:对于初始特征集中的第r个特征,定义fr=[fr1,fr2,…,frm]T,D=SI,I=[1,1,…,1]T,L=D-S;其中D为对角阵,矩阵L称为临近图G的拉普拉斯矩阵,fri表示第i个样本的第r个特征,I为单元矩阵,fr为各fri的特征元素集合,i=1,2,…,m,r=1,2,…,18;
步骤S3.4:对各个特征进行去均值化处理,得到去均值化处理后的各fri的特征元素集合
步骤S3.5:计算第r个特征的拉普拉斯分值Lr,
步骤S3.6:将r个特征的拉普拉斯分值Lr从小到大排列,选取排在最前的若干个特征组成故障特征矩阵Y=[y1,y2,…,yn]T,n<m。
4.根据权利要求1所述的一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法,其特征在于:S4的具体进行如下处理:
步骤S4.1:将故障特征矩阵分为训练样本和测试样本;
步骤S4.2:使用训练样本对轴承故障诊断模型进行训练;
步骤S4.3:采用粒子群算法对轴承故障诊断模型进行参数优化,优化的参数包括核函数参数g和误差项的惩罚参数c。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710036932.5/1.html,转载请声明来源钻瓜专利网。