[发明专利]一种基于最大局部边界准则的滚动轴承故障诊断方法

权利要求书

1.一种基于最大局部边界准则的滚动轴承故障诊断方法，包括：其特征在于，包括：

步骤1：原始特征集提取，采用双树复小波包变换对轴承振动信号分析，构建原始特征集；

步骤2：敏感特征提取，采用基于K最近邻分类算法的敏感特征选取方法FSKNN，分析步骤1原始特征集中每一种特征对故障状态的敏感度，来筛选故障状态敏感度高的统计特征，构建敏感特征集；

步骤3：特征降维，采用改进的MMC算法即特征降维方法MLMC，利用提出的MLMC处理敏感特征集，对步骤2得到的敏感特征集进行降维，输出低维特征集；

步骤4：故障模式识别，构建轴承故障诊断模型OFS-FSKNN-MLMC-SVM完成轴承故障状态识别，其中OFS代表获取原始数据集的过程，FSKNN为敏感特征选取方法，MLMC为最大局部边界准则，SVM为支持向量机。

2.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法，其特征在于：在步骤1中，原始特征集构建，具体如下：

将采集到振动信号分为训练阶段样本数据和测试阶段样本数据，训练阶段样本代表已有数据，用于训练模型；测试阶段样本代表未知数据，用于测试模型的故障诊断准确率。

3.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法，其特征在于：在步骤2中，利用敏感特征选取方法FSKNN完成敏感特征集的构建，具体如下：

设在原始数据集中，有M种轴承故障类型，每种故障类型有N个振动信号样本，每种振动信号样本有K种统计特征，经过EMD分析获得故障训练阶段数据样本的原始特征集[CS¹,CS²,...,CS^K]，其中CS^k为所有样本的第k种特征集合，可表示为：

其中，表示第i个故障类型的第j个样本的第k个统计特征。

4.根据权利要求3所述的一种基于最大局部边界准则的滚动轴承故障诊断方法，其特征在于：

步骤2.1：利用KNN分类器分别对CS¹,CS²,...,CS^K进行分类，这里将分类结果记为，knn_r＝{knn_r(1)，knn_r(2)，…，knn_r(K)}；

步骤2.2：计算相同轴承状态样本信号的第k种特征的标准差，即矩阵CS^k的行元素的标准差，其中：

计算各轴承状态下样本信号第k种统计特征的标准差的和SSTD，即

SSTD＝{SSTD(1)，SSTD(2)，…，SSTD(K)}用于表征每一种特征的离散程度；

步骤2.3：获得knn_std序列，其定义为knn_r(k)和SSTD(k)的比值，对knn_std进行降序排列，选取knn_std(k)值高的统计特征构建敏感特征集，根据knn_std选取敏感度较高的v个特征值。

5.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法，其特征在于：在步骤3中，利用MLMC方法构建特征空间映射矩阵W，得到敏感特征集的低维表达，具体如下：

通过步骤2得到的训练阶段数据敏感特征集，利用MLMC方法对训练阶段的敏感特征集进行分析，获取能够保留敏感特征集局部流行结构和类别信息的低维特征表达，并得到从敏感特征样本到低维特征向量的空间映射的矩阵W为v*h维；将训练和测试阶段数据的敏感特征集中的每一个特征样本v维和W矩阵相乘后，得到映射后的h维的低维特征向量h＝v。