[发明专利]一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法

权利要求书

1.一种基于流形学习和s-k-means聚类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1、获取滚动轴承在不同运行状态下的振动加速度信号，得到时域信号样本集；

步骤2、计算样本集中全部样本的时域特征和小波包能量特征，构成初始高维特征集；

步骤3、利用散布矩阵，构造特征分类能力指数，筛选特征，选取最优特征子集，实现特征选取；

步骤4、将经过特征选择后的特征集作为维数约简算法的高维输入，使用邻域保持嵌入NPE的流形学习方法进行维数约简，得到经过约简的低维特征集；

步骤5、采用s-k-means聚类方法对故障特征矩阵进行聚类分析，确定故障类型；

设D维空间的n个数据点的集合为X＝{x₁,x₂,...,x_n}，对其应用新的聚类分析划分为j个类簇C_j。

2.根据权利要求1所述的一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：步骤2的具体实施过程如下，

步骤2.1：分别计算每个样本的方根幅值、偏度、方差、绝对平均值、峭度、最大值、波形指标、脉冲指标、峭度指标、裕度指标、偏度指标，构成时域特征集；

步骤2.2：对每个样本信号进行三层小波包分解，计算信号每一个分解层次上每个小波包空间中信号分布的能量，构成了小波包频带能量特征集。

3.根据权利要求1所述的一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：步骤3的具体实施过程如下，

步骤3.1：计算原始高维特征集的类内散布矩阵S_w、类间散布矩阵S_b和混合散布矩阵S_m；

设原始高维特征集为X＝{x₁,x₂,…,x_D}，其中D表示高维特征集的维数，x_i表示第i个特征；则类内协方差矩阵为：

S_j表示第j类数据协方差矩阵，x_j表示第j类数据特征值，μ_j表示第j类特征值均值；则类内散布矩阵S_w为：其中表示全部样本中属于第j类的样本数；

类间散布矩阵S_b为：其中μ是全部样本的全局均值向量，

混合散布矩阵：S_m＝E[(x-μ₀)(x-μ₀)^T]，即S_m是全局均值向量的协方差矩阵；且S_m＝S_b+S_w

步骤3.2：构造分类能力指数：通过分类能力指数J排除部分对进行故障诊断敏感度低的特征。