[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

说明书

本发明公开了一种基于最大局部边界准则的轴承故障诊断方法。具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，提出故障敏感特征选取方法FSKNN，选取敏感特征集，然后，提出一种特征降维方法MLMC，通过矩阵映射变换获得高维敏感特征集的低维表达，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM。本发明实施结果表明，故障敏感特征选取方法FSKNN方法能够有效选取敏感特征，MLMC方法一方面可以保留原敏感特征向量的局部流行结构和类别信息，另一方面可以实现特征降维，达到去除信息干扰和冗余的目的。基于故障试验台的实验结果表明，所提出的诊断模型能够明显提高不同工况下滚动轴承故障诊断的准确率。

技术领域

本发明涉及机械故障诊断技术领域，特别是一种基于最大局部边界准则的滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械传动系统的关键部件之一，其运行状态对机械设备的正常运行会产生重要影响。目前，通常采用轴承的振动信号、温度和声音信号等进行轴承故障状态的识别。其中振动信号随着轴承运转产生，对于轴承不同运行状态，振动信号能够表现出不同的时频特性，因此，基于振动信号的故障诊断方法是目前最常用且有效方法之一。

轴承振动信号处理与特征提取是实现轴承故障诊断的首要步骤，针对轴承振动信号的非平稳性与非线性，小波分析作为一种有效的时频分析方法被广泛的应用于轴承故障诊断，小波变换方法的特征提取效果很大程度上受到小波基函数选择的限制，而小波基函数的自适应性不强。

轴承振动信号经时频分析方法处理后，往往会得到高维特征集，其中存在干扰与冗余特征。此外，不同特征与不同故障模式之间的相关程度不同，导致统计特征与轴承故障模式之间复杂的映射关系，表明不同统计特征对故障状态的敏感度不同。因此，如何选取能够有效反映轴承故障状态的敏感特征，是实现故障状态识别的关键步骤之一。

对于高维特征集，由于存在干扰以及冗余特征，造成高计算复杂度，若将其直接输入故障模式识别分类器，会导致故障诊断效果不佳。使用有效的降维方法能够从高维特征集映射得到其低维表达，减少干扰与冗余特征，提高特征集的可分性，从而更有利于故障模式识别与分类。近年来，特征降维方法在轴承故障诊断领域获得了大量的深入研究，有许多经典降维方法被应用于轴承故障诊断LDA与PCA作为两种经典的线性降维方法，均只考虑数据的全局线性结构，未考虑数据的局部几何结构，导致对非线性数据降维效果不佳。此外，LDA在实际应用中还存在小样本问题。

因此如何设计出一种能过有效反映故障状态的敏感特征的提取方法、故障特征有效降维方法和识别率高的故障诊断方法是业界亟需解决的课题。

发明内容

为了解决上述现有的技术问题，本发明提供一种基于最大局部边界准则的滚动轴承故障诊断方法。

本发明是以如下技术方案实现的：一种基于最大局部边界准则的滚动轴承故障诊断方法，包括如下步骤：

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。

优选的，原始特征集构建，具体如下：