[发明专利]基于局部切空间和支持向量机的机电系统故障诊断方法

摘要

本发明涉及一种基于局部切空间和支持向量机的机电系统故障诊断方法，其基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间，利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形，网格搜索算法进行维数和邻域点参数的优化，实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征。利用交叉验证和一对一法构造支持向量机多类故障分类器，采用径向基核函数支持向量机进行机电系统的故障诊断。本发明适合非线性小样本的设备异常状态识别，能较好的解决高维数据和局部极小点等实际问题，操作简单，分类的准确率高，有利于进一步建立智能化故障诊断系统。本发明可以广泛应用于机电系统故障诊断中。

主权项

一种基于局部切空间和支持向量机的机电系统故障诊断方法，其包括以下步骤：1）利用数据采集设备获得待诊断机电设备的多类振动信号测量数据，并采用均值‑方差标准化方法将多类振动信号测量数据进行归一化处理，得到具有零均值和单位方差的振动信号，其中多类振动信号包括正常的振动信号和各种故障的振动信号；2）在归一化处理后的振动信号测量数据中截取一段长度为t的振动信号数据，先利用延迟重构方法将该振动信号数据均匀划分为N个子数据向量，然后分别计算每个子数据向量的20维的特征值，构成一个N×20的高维特征参数矩阵；并对高维特征参数矩阵每一维度数据归一化；其中20维的特征值由13个时域特征和7个频域特征构成；N为特征空间的样本点数，共20种表征机械振动特性的特征参数构建高维特征空间；3）采用LTSA提取N×20高维特征参数矩阵的低维矩阵，得到主轴系统敏感稳定的故障特征低维流形；LTSA通过逼近每一样本点的切空间来构建低维流形的局部几何空间，然后利用局部切空间排列求出整体低维嵌入坐标，得到小样本数据；其中LTSA为局部切空间排列算法；4）对小样本数据采用网格搜索算法进行LTSA参数(d,k)寻优，得到所有数据维数d和邻域点数k的排列组合，选择70%的小样本数据为训练集，剩下的为测试集；其中，d为数据维数，k为邻域点数，参数d网格搜索寻优范围小于数据维数且大于等于1，参数k寻优范围不小于数据维数，寻优步长为1；5）利用SVM对降维后的小样本数据进行故障诊断的故障分类，并采用交叉验证选择最优SVM参数(c,γ)，采用在LTSA最优参数(d,k)和SVM最优参数(c,γ)的取值范围插值，分别构成二维网格P和Q，二维网格P中每个(d,k)参数组合对应二维网格Q中所有(c,γ)参数组合，构建SVM模型，保留准确率最高的(d,k)和(c,γ)组合为最终的寻优参数组合；其中SVM为基于径向基核函数的支持向量机，c为惩罚参数，γ为核函数参数；6）根据寻优参数组合，利用LTSA提取训练集和测试集的高维特征空间的低维特征流形，训练SVM故障分类器，实现对机电系统的故障诊断。