[发明专利]基于压缩数据和监督全局-局部/非局部分析的诊断方法

说明书

本发明公开了基于压缩数据和监督全局‑局部/非局部分析的诊断方法，该方法是一种基于压缩数据和监督全局‑局部/非局部判别分析的三阶段轴承故障诊断方法。在第一阶段，基于压缩感知框架得到压缩数据；在第二阶段，提出了一种新的流形学习算法：监督全局‑局部/非局部判别分析，利用该算法将压缩数据映射到低维空间，保留其全局和局部/非局部信息；在第三阶段，将上述低维特征作为SVM的输入进行分类。

技术领域

本发明属于压缩感知、流形学习与故障诊断技术领域，涉及一种基于压缩数据和监督全局-局部/非局部判别分析的三阶段轴承故障诊断方法

背景技术

滚动轴承是旋转机械的重要组成部件之一，其故障所造成的停工将会带来巨大的经济损失，所以对滚动轴承进行状态检测和故障诊断显得尤为重要。旋转机械产生的振动信号包含丰富特征信息，常被采集作为故障诊断分析的依据。著名的奈奎斯特采样定律指出，采集信号时，采样频率必须大于被测信号中最高频率的2倍，但是随着机械制造朝着智能化和精密化方向不断发展，该采样定律的应用将产生海量的振动数据，这给数据的存储，传输和处理都带来了巨大的挑战。压缩感知理论的提出为打破这种瓶颈提供了新的思路。目前已经有很多研究展示了压缩感知在故障诊断中的优势：减少冗余数据量，进一步提高诊断效率。然而这些压缩数据中的信息虽然有利于恢复原始信号，但并不是最有利于分类的，因此进一步提取压缩信号的鉴别信息，对于提高诊断精度以及缩短诊断时间具有重要意义。

目前针对压缩数据进一步提取低维特征的研究相对较少，常用的方法有主成分分析(PCA)和线性判别分析(LDA)，PCA是一种能最大程度地保留原有信息的无监督的降维方法；LDA是一种能最大化异类样本间距离的有监督的降维方法。但是上述方法都是基于全局的投影技术，不能很好地检测其局部内在结构，而这些局部结构能表示嵌在不同类别邻近数据中的鉴别信息。局部保持投影(LPP)和局部线性嵌入(LLE)等局部流形学习算法能够提取数据的局部内在结构，但是却容易忽略全局信息。因此，近年来，基于全局及局部结构的特征融合算法在故障诊断领域得到了广泛的关注。这些特征融合算法大多是将提取全局特征和提取局部特征的目标函数进行整合形成最终的目标函数，通过求解的投影矩阵进行投影降维。这些算法大多用于特征选择，需要基于先验知识预先提取特征集，同时没有充分考虑对分类具有指导意义的各类样本的标签信息。

发明内容

本发明的目的在于提供一种基于压缩数据和监督全局-局部/非局部判别分析的三阶段轴承故障诊断方法，能在减少存储负担的同时保证诊断精度。

为实现上述目的，本发明采用的技术方案为一种基于压缩数据和监督全局-局部/非局部判别分析的三阶段轴承故障诊断方法，该方法在第一阶段，基于压缩感知框架得到压缩数据以减小存储负担；在第二阶段(压缩数据的特征提取环节)，提出了一种新的流形学习算法：监督全局-局部/非局部判别分析，利用该算法将压缩数据映射到低维空间，保留其全局和局部/非局部信息；在第三阶段，将上述低维特征作为SVM的输入进行分类。

S1基于压缩感知框架得到压缩数据

压缩感知(CS)是一种新的采样技术，不受信号带宽的限制，能以低于奈奎斯特采样率进行采样，采样过程丢弃了振动数据中的大量冗余信息。CS的基本思想是：只要信号在某个变换域是稀疏的，那么就能通过一个与变换基(稀疏基)不相干的测量矩阵将信号投影到低维空间，而且能够利用低维空间中足以代表原始信号的少量数据特征重构原信号。本方法用投影到低维空间的压缩信号作为后续故障诊断的输入。

压缩感知的前提是信号的稀疏特性。式(1)描述了x的稀疏表示过程：一个N维的原始振动信号x，在变换域上是可以稀疏表示的，其稀疏系数为s(s中有k个非零系数，k＜＜N)。

根据CS理论，通过一个测量矩阵Φ(Φ∈R^(M×N))将稀疏信号x投影到低维空间,得到M维的压缩信号y，同时完成了信号的采样和压缩，该过程可以表示为：