[发明专利]基于多特征流形学习与支持向量机的轴承故障诊断方法在审
申请号: | 201610096077.2 | 申请日: | 2016-02-22 |
公开(公告)号: | CN105760839A | 公开(公告)日: | 2016-07-13 |
发明(设计)人: | 刘嘉敏;彭玲;罗甫林;袁佳成;刘军委;邓勇 | 申请(专利权)人: | 重庆大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 重庆博凯知识产权代理有限公司 50212 | 代理人: | 李海华 |
地址: | 400044 *** | 国省代码: | 重庆;85 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于多特征流形学习与支持向量机的轴承故障诊断方法,1)通过加速度传感器采集每种工况下滚动轴承在不同转速的振动加速度信号作为训练样本;2)对训练样本分别提取时域、频域和时频域特征参数;3)进行流行学习得到低维流形结构;4)通过传感器采集待测滚动轴承在转动时的振动加速度信号作为测试样本;5)提取测试样本的时域、频域和时频域特征参数;6)对测试样本进行流形学习得到低维流行结构;7)采用支持向量机分类方法对测试样本与训练样本进行匹配,将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别。本方法能够提高滚动轴承故障诊断的准确性和有效性。 | ||
搜索关键词: | 基于 特征 流形 学习 支持 向量 轴承 故障诊断 方法 | ||
【主权项】:
基于多特征流形学习与支持向量机的轴承故障诊断方法,其特征在于:步骤如下:1)在四种不同工况下的滚动轴承转动工作时,通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号,进行去噪预处理,并添加工况标签,将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号作为训练样本;四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转;2)对训练样本的四类工况数据分别提取它们的时域特征参数、频域特征参数和时频域特征参数;时域特征参数包括有量纲参数和无量纲参数,其中有量纲参数为均值、均方根值、方根幅值、绝对平均值、方差、最(小)大值、峰—峰值、峭度;无量纲参数为波形指标、峰值指标、脉冲指标、峭度指标、波峰因子、边缘因子、偏斜度、时域信息熵;频域特征参数为总功率谱和、莱斯频率、频率重心、频率方差、谐波指标、均方频率、频域信息熵;时频域特征参数为小波包能量;3)对四类工况数据多特征提取之后,再进行流行学习,得到从高维数据特征集中提取隐藏其中的低维流形结构;4)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号,并进行去噪预处理,作为测试样本;5)提取测试样本的时域特征参数、频域特征参数和时频域特征参数;时域特征参数包括有量纲参数和无量纲参数,其中有量纲参数为均值、均方根值、方根幅值、绝对平均值、方差、最(小)大值、峰—峰值、峭度;无量纲参数为波形指标、峰值指标、脉冲指标、峭度指标、波峰因子、边缘因子、偏斜度、时域信息熵;频域特征参数为总功率谱和、莱斯频率、频率重心、频率方差、谐波指标、均方频率、频域信息熵;时频域特征参数为小波包能量;6)按步骤3)对测试样本进行流形学习得到低维流行结构;7)将测试样本的低维流行结构作为测试样本的匹配特征,将每种工况下各个训练样本对应的低维流行结构作为匹配基准,采用支持向量机分类方法对测试样本与训练样本进行匹配,将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别,从而得到待测滚动轴承的故障诊断结果。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆大学,未经重庆大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201610096077.2/,转载请声明来源钻瓜专利网。
- 上一篇:新型下沉式窑居
- 下一篇:一种基于加速度信号的日常活动识别方法