[发明专利]一种基于内存的协同过滤轴承电流损伤故障识别方法

说明书

本发明公开了一种基于内存的协同过滤轴承电流损伤故障识别方法，包括以下步骤：1)构建轴承状态识别的联合评分矩阵；2)根据轴承状态识别联合评分矩阵中的训练数据，结合多种相似度衡量的指标，计算轴承状态识别联合评分矩阵中故障数据的轴承状态预测评分。本发明将协同过滤推荐系统应用到轴承电流损伤的故障识别中来，方法步骤简单、易于实现，能够有效识别出轴承电流损伤的故障。

技术领域

本发明涉及轴承故障诊断领域，特别涉及一种基于内存的协同过滤轴承电流损伤故障识别方法。

背景技术

将故障信号中存在的本质特征和其它干扰部分进行分离，并且深度挖掘故障特征值，尽可能多地从故障信号中取得有效的特征信息，是故障诊断的核心目标。由于轴承的电流损伤过程是一个缓慢而复杂的过程，电流损伤故障的信号微弱并且十分平稳，为了获得全面完整的监测数据，电流损伤故障的监测往往会选用更多的传感器，这使得传感器布置的密集程度急剧增高，同时监测时间也不断加长，所面临的监测数据量呈现出爆炸式增长。另外，监测过程中也存在复杂的额外干扰和噪声，所提取得到的监测数据也越来越复杂。使用经典的具有局限性的时频域分析、经验模态分解和小波分解等方法从故障信号中提取故障特征已经变得越来越困难。

伴随着互联网技术的飞速发展，协同过滤推荐系统作为解决“信息过载”问题的有效方法也不断改进成熟，得到了广泛的应用。协同过滤在解决互联网信息过载问题时遵循“具有相同或者相似兴趣偏好的用户的信息需求也是相似的”这一基本假设，充分发挥“人群的智慧”进行信息的过滤和筛选。协同过滤推荐算法具有信息处理筛选能力强，处理效率高等诸多优点，这为处理海量的轴承电流损伤监测数据提供了很好的思路，开辟了机械设备故障诊断新的研究方向。

协同过滤通常可分为两类基于记忆(Memory-Based)的协同过滤和基于模型(Model-Based)的协同过滤。基于记忆的协同过滤为目标用户选择一部分兴趣相近的邻居用户，根据邻居用户的评分预测目标用户对项目的评分值。基于模型的协同过滤根据训练集数据学习得出一个复杂的模型，然后基于该模型和目标用户已评分数据，推导出目标用户对未评分项目的评分值。然而，协同过滤推荐系统是建立在相应的评分矩阵之上的，对于滚动轴承状态的识别，没有一个具体的评分规则，相应的评分矩阵也就无法建立起来。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、诊断精度高的基于内存的协同过滤轴承电流损伤故障识别方法。

本发明解决上述问题的技术方案是：一种基于内存的协同过滤轴承电流损伤故障识别方法，其特征在于，包括以下步骤：

1)构建轴承状态识别的联合评分矩阵；

2)根据轴承状态识别联合评分矩阵中的训练数据，结合多种相似度衡量的指标，计算轴承状态识别联合评分矩阵中故障数据的轴承状态预测评分。

上述基于内存的协同过滤轴承电流损伤故障识别方法，所述步骤1)中，假设有u组滚动轴承的振动信号数据S⁽¹⁾，…，S^(h)，S^(h+1)，…，S^(u)，并且这些滚动轴承存在v种不同类型的状态z⁽¹⁾，z⁽²⁾，…，z^(v)，已知前h组训练数据S⁽¹⁾，…，S^(h)存在的状态，则步骤1)具体步骤为：

(1-1)将第i组信号数据S⁽ⁱ⁾，i＝1，…，h，h+1，…，u；利用已有的小波包技术分解成a层，得到其b＝2^a-1个子频带，则第i组信号数据的总信号S⁽ⁱ⁾表示为如下：

其中表示第i组信号数据分解为a层后第b个子频带的信号，设对应的能量为w＝0，1，…，b；则第i组信号数据分解为a层后第w个子频带的能量为：