[发明专利]一种风机轴承故障诊断方法及其存储介质

权利要求书

1.一种风机轴承故障诊断方法，其特征在于，包括以下步骤：

将风机滚动轴承的时域振动信号构建为超图信号；

利用广义动态图学习对超图信号进行优化；

通过动态超图信号提取表征轴承不同状态的特征指标集合；

应用聚类算法将特征指标集合进行评估和分类以能够实现对不同故障轴承的特征提取和分类的目的以能够实现对风机轴承故障的诊断。

2.根据权利要求1所述的风机轴承故障诊断方法，其特征在于，具体包括以下步骤：

S1采集获取滚动轴承的时域振动信号；

S2将时域信号映射到图域，利用超图理论构建超图；

S3利用广义动态学习对超图进行优化，构建动态超图；

S4对动态超图参数进行优化；

S5通过超图拉普拉斯矩阵，提取表征轴承不同状态的特征指标集合；

S6将轴承故障特征指标数据集进行聚类，从而达到对不同故障轴承的特征提取和分类的目的以能够实现对风机轴承故障的诊断。

3.根据权利要求2所述的风机轴承故障诊断方法，其特征在于，步骤S2将时域信号映射到图域，利用超图理论构建超图，具体包括以下步骤：超图的数学表达式为G＝(V,E,w)，其中V＝[v₁,...,v_n]和E＝[e₁,...,e_n]分别是顶点和超边的集合，W＝[w₁,...,w_n]是超边的权重；

超图的关联矩阵H描述了顶点和超边之间的关系，为此，对于给定的数据集X∈R^c×n，其中c和n分别表示特征数和样本数，将每个样本数视为一个顶点，并为每个顶点生成一个超边，超边e_i的生成公式如下：

e_i＝{v_j|θ(x_i,x_j)≤0.1σ_i},i,j＝1,...,n

上式中:θ(x_i,x_j)表示x_i和x_j之间的相似性，σ_i是x_i和每个其他样本之间的平均距离，这种阈值方法常用于超边的构造，并且适用于不同样本具有不同数量的最邻近边的情况；

超图利用关联矩阵H和训练数据来学习每一条超边的重要性，即权重向量w，然后，进一步通过和得到超边e_i的度矩阵和δ(e_i)顶点v_j的度矩阵d(v_j)，超图拉普拉斯矩阵的表达式为：

上式中：I∈R^n×n是单位矩阵，D_v、D_e和W分别是δ＝[δ(e_i)]、d＝d[d(v_j)]和w的对角矩阵，通过上式构建一个超图。

4.根据权利要求3所述的风机轴承故障诊断方法，其特征在于，超图的构建需要以下三个连续的分量：

二元顶点-边关系的关联矩阵H，其数学表达式如下：

度量超边重要性的权重向量w，

超图拉普拉斯矩阵L。