一种基于模糊支持向量机的轴承故障诊断方法技术

一种基于模糊支持向量机的轴承故障诊断方法，本方法以内圈单点故障、外圈单点故障以及滚珠单点故障三种故障为例，并结合轴承正常运转这四种情况进行了故障特征提取，包括时域特征参数以及对振动信号采用Hilbert变换进行解调，对解调后的信号进行频谱分析找到的频域故障特征频率。这些特征参数组成训练样本和测试样本。利用模糊C均值聚类算法对训练样本加入模糊隶属度，并采用支持向量机多分类方法进行故障判别。通过故障诊断实例分析部分显示了所建立的FSVM模型对于轴承故障诊断的正确率，表现出强大的分类性能和抗噪声的能力，为避免因轴承故障造成重大事故、经济损失等提供了理论方法，具有重要参考价值。

【技术实现步骤摘要】
【专利摘要】，本方法以内圈单点故障、外圈单点故障以及滚珠单点故障三种故障为例，并结合轴承正常运转这四种情况进行了故障特征提取，包括时域特征参数以及对振动信号采用Hilbert变换进行解调，对解调后的信号进行频谱分析找到的频域故障特征频率。这些特征参数组成训练样本和测试样本。利用模糊C均值聚类算法对训练样本加入模糊隶属度，并采用支持向量机多分类方法进行故障判别。通过故障诊断实例分析部分显示了所建立的FSVM模型对于轴承故障诊断的正确率，表现出强大的分类性能和抗噪声的能力，为避免因轴承故障造成重大事故、经济损失等提供了理论方法，具有重要参考价值。【专利说明】-种基于模糊支持向量机的轴承故障诊断方法
本专利技术属于故障诊断领域，设及一种针对轴承故障所建立的模糊C均值聚类与支 持向量机相结合的故障诊断方法。
技术介绍
滚动轴承是电力、冶金、石化、机械、航空航天W及一些军事工业部口中使用最广 泛的机械零件，也是机械设备最易受损的零件之一。有关统计资料表明：在使用轴承的旋 转机械中，大约有30%的机械故障是由轴承引起的。该是因为轴承是机械设备中工作条件 最为恶劣的部件，在机械设备中起着承受载荷和传递载荷的作用，工况复杂，其运行状态是 否正常往往直接影响到整台机器的性能，若轴承在工作状态中发生故障，轻则使整个系统 失效，造成一定的经济损失，严重的还会导致灾难性的事故。基于此，轴承的故障诊断方法 是众多学者研究的热点。但是有的学者没有考虑轴承故障数据中的异常点的干扰，有的利 用神经网络或者FCM进行分类，而轴承的故障诊断属于小样本问题。本专利技术建立的模糊支 持向量机（FSVM)模型，对于不同的样本赋予不同的惩罚系数，在构造目标函数时不同的样 本有不同的贡献，对异常样本赋予较小的权值，从而大大降低了异常点的影响。支持向量机 (SVM)是建立在统计学习理论的VC维和结构风险最小化原理基础上的机器学习方法，实现 的是结构风险最小化，在解决小样本、非线性及高维模式识别等问题中表现出了许多特有 的优势。因此，本专利技术采用模糊C均值聚类算法计算模糊隶属度，与支持向量机相结合进行 轴承故障诊断，为避免因轴承故障造成重大事故、经济损失等提供了理论方法，具有重要参 考价值。
技术实现思路
本专利技术的目的是提供一种轴承故障诊断方法，首先提取故障特征值，之后建立模 糊支持向量机模型，最后进行故障的训和预测。 本专利技术是采用W下技术手段实现的；一种基于模糊支持向量机的轴承故障诊断方 法，1、通过化化6的变换、时域、频域分析等数据预处理方法W及根据轴承的相关参数进行 计算，确定特征参数，并提取特征向量；2、根据模糊C均值聚类算法的相关理论求解模糊隶 属度矩阵，选取每个样本对各类别的模糊隶属度中最大值作为该样本的模糊隶属度，即得 到所有训练样本的模糊隶属度标签；3、根据支持向量机相关理论，选取核函数及其参数； 结合模糊C均值聚类算法建立模糊支持向量机模型，并通过matl油软件编程实现建立的 FSVM模型算法；4、实例验证，利用建立的算法模型对训练样本进行训练，进而对测试样本 进行预测，得到测试结果。 1、数据预处理及特征参数的选取 针对正常轴承、内圈单点故障、外圈单点故障和滚动体单点故障，该4种状况进行 分析，选取n个样本。 采集到滚动轴承轴承的振动信号是典型的时域信号，其时域统计特征参数如 均方根值、峰度、峰峰值、峭度等统计量能够很好地反映振动强度、信号能量、冲击时域 等信息，因此选取时域信号当中的部分参数当做特征向量。时域特征参数提取后，经分 析对比选择均方根值、峰峰值作为时域特征参数，表征能量和振动强度，其中均方根值 【权利要求】1. ，其特征在于：该方法包括下述流 程，Sl通过Hilbert变换、时域、频域分析等数据预处理方法以及根据轴承的相关参数进行 计算，确定特征参数，并提取特征向量；S2根据模糊C均值聚类算法的相关理论求解模糊隶 属度矩阵，选取每个样本对各类别的模糊隶属度中最大值作为该样本的模糊隶属度，即得 到所有训练样本的模糊隶属度标签；S3根据支持向量机相关理论，选取核函数及其参数； 结合模糊C均值聚类算法建立模糊支持向量机模型，并通过matlab软件编程实现建立的 FSVM模型算法；S4实例验证，利用建立的算法模型对训练样本进行训练，进而对测试样本 进行预测，得到测试结果； Sl数据预处理及特征参数的选取 针对正常轴承、内圈单点故障、外圈单点故障和滚动体单点故障，这4种状况进行分 析，选取n个样本； 采集到滚动轴承轴承的振动信号是典型的时域信号，其时域统计特征参数如均方根 值、峰度、峰峰值、峭度等统计量能够很好地反映振动强度、信号能量、冲击时域等信息，因 此选取时域信号当中的部分参数当做特征向量；时域特征参数提取后，经分析对比选择均其中N为采样点数，此处为1200,yi为振动数据中加速度幅值；峰峰值FF= ，其中 y_为振动样本中最大值，ymin为最小值；时域特征参数只能大概地判断轴承是否出现故障， 至于是滚珠、内圈还是外圈的故障却定位不到；故障定位一般是在频域里找到故障特征频 率；对振动信号采用Hilbert变换进行解调，对解调后的信号进行频谱分析找到故障特征 频率的幅值；角a= 〇 °，f为基频，可计算得内圈单点故障频率、外圈单点故障频率；滚珠单点故障双故 障频率； 4种运转情况中，每种选n/4组数据，共n组，其中每组数据用来训练、用来测试；则训 练集合样本可设为X= (XpX2, 为样本个数，其中11有8个特征，即Xi= {xn,xi2，… .XiJ ; S2利用模糊C均值聚类（FCM)算法求解模糊隶属度 模糊C均值聚类算法是一种无监督的基于目标函数的隶属度计算方法；在众多模糊聚 类算法中，模糊C-均值算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对 所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的；它 在对样本数据进行分类的同时，精确地给出了每个样本属于各类别的模糊隶属度，不仅原 理简单、计算速度快，而且聚类效果明显，性能优越； 求解模糊隶属度过程中，要把n个样本的数据集X= (X1,X2,…，XJ分为c类通过不断地迭代最终可得到各类的聚类中心和数据样本的模糊隶属度矩阵； 根据以上算法原理，FCM求解具体步骤如下： 1) 初始化：分别给定聚类类别c(2彡c彡n)，样本个数为n，模糊权重m(1. 5彡m彡2. 5) 迭代停止阀值e，迭代计数次数设定为1，初始化聚类原型V(1)(l= 0); 2) 根据V(1)，按照公式（6)更新模糊划分矩阵U(1+1)得：4) 根据（2)式计算目标函数minJFCM(X，U，V)的值； 5) 判定阀值：如果|V(1+1)-V(1)| <e或者达到最大迭代次数，则停止迭代，否则1 = 1+1，转到 2); 6) 在模糊隶属度矩阵U中，依次比较每个样本对各类别的模糊隶属度，选取其中的最 大值最为该样本的模糊隶属度，输出结果； 在针对轴承故障诊断中，求解模糊隶属度时，针对四种轴承状况，给定聚类类别、训练 样本个数、迭代停止阀值e、迭代计数次数、最大迭代次数；通过不本文档来自技高网...

【技术保护点】
一种基于模糊支持向量机的轴承故障诊断方法，其特征在于：该方法包括下述流程，S1通过Hilbert变换、时域、频域分析等数据预处理方法以及根据轴承的相关参数进行计算，确定特征参数，并提取特征向量；S2根据模糊C均值聚类算法的相关理论求解模糊隶属度矩阵，选取每个样本对各类别的模糊隶属度中最大值作为该样本的模糊隶属度，即得到所有训练样本的模糊隶属度标签；S3根据支持向量机相关理论，选取核函数及其参数；结合模糊C均值聚类算法建立模糊支持向量机模型，并通过matlab软件编程实现建立的FSVM模型算法；S4实例验证，利用建立的算法模型对训练样本进行训练，进而对测试样本进行预测，得到测试结果；S1数据预处理及特征参数的选取针对正常轴承、内圈单点故障、外圈单点故障和滚动体单点故障，这4种状况进行分析，选取n个样本；采集到滚动轴承轴承的振动信号是典型的时域信号，其时域统计特征参数如均方根值、峰度、峰峰值、峭度等统计量能够很好地反映振动强度、信号能量、冲击时域等信息，因此选取时域信号当中的部分参数当做特征向量；时域特征参数提取后，经分析对比选择均方根值、峰峰值作为时域特征参数，表征能量和振动强度，其中均方根值其中N为采样点数，此处为1200，yi为振动数据中加速度幅值；峰峰值FF＝ymax‑ymin，其中ymax为振动样本中最大值，ymin为最小值；时域特征参数只能大概地判断轴承是否出现故障，至于是滚珠、内圈还是外圈的故障却定位不到；故障定位一般是在频域里找到故障特征频率；对振动信号采用Hilbert变换进行解调，对解调后的信号进行频谱分析找到故障特征频率的幅值；根据轴承参数，并结合公式内圈单点故障频率外圈单点故障频率滚珠单点故障频率其中接触角α＝0°，f为基频，可计算得内圈单点故障频率、外圈单点故障频率；滚珠单点故障双故障频率；4种运转情况中，每种选n/4组数据，共n组，其中每组数据用来训练、用来测试；则训练集合样本可设为X＝{x1,x2,…,xn}，n为样本个数，其中xi有s个特征，即xi＝{xi1,xi2,…,xis}；S2利用模糊C均值聚类(FCM)算法求解模糊隶属度模糊C均值聚类算法是一种无监督的基于目标函数的隶属度计算方法；在众多模糊聚类算法中，模糊C‑均值算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的；它在对样本数据进行分类的同时，精确地给出了每个样本属于各类别的模糊隶属度，不仅原理简单、计算速度快，而且聚类效果明显，性能优越；求解模糊隶属度过程中，要把n个样本的数据集X＝{X1,X2,…,Xn}分为c类(2≤c≤n)，其中X矩阵表示形式为：可设有c个聚类中心V＝{V1,V2,…,Vc}，V矩阵表示形式为：模糊隶属度矩阵U为U＝{U1,U2,…,Un}，V矩阵表示形式为：其中：uik表示第k个样本在第i类样本中的隶属度；取dik为样本xk与聚类中心vi的欧式就离，记作dik=||xk-vi||=Σj=1s(xkj-vij)2---(1)]]>聚类准则是使下列目标函数达到最小值minJFCM(X,U,V)=minΣk=1nΣj=1cuikm(dik)2=Σk=1nmin{Σj=1cuikm(dik)2}---(2)]]>uik满足Σi=1cuik=1---(3)]]>m是模糊因子用来决定聚类结果模糊度的权重指数，m∈[1,∞)，取其经验范围为1.5≤m≤2.5；在(3)式的约束条件对(2)式求解，可构造拉格朗日函数：F=Σj=1cuikm(dik)2-λ(Σj=1cuik-1)---(4)]]>其中λ≥0，求该函数对μik，λ的偏导数并令其等于0，得到最优条件为：∂F∂μik=muikm-1(dik)2-λ=0∂F∂λ=Σj=1cuik-1=0---(5)]]>将(5)式带入(4)式，可得到各模糊隶属度μik和聚类中心viuik=1Σj=1c(dikdjk)2m-1---(6)]]>vi=Σk=1nuikm·xkΣk=1cuikm---(7)]]>通过不断地迭代最终可得到各类的聚类中心和数据样本的模糊隶属度矩阵；根据以上算法原理，FCM求解具体步骤如下：1)初始化：分别给定聚类类别c(2≤c≤n)，样本个数为n，模糊权重m(1.5≤m≤2.5)迭代停止阀值ε，迭代计数次数设定为l，初始化聚类原型V(l)(l＝0)；2)根据V(l)，按照公式(6)更新模糊划分矩阵U(l+...

【技术特征摘要】

【专利技术属性】
技术研发人员：谷力超，杨建武，刘志峰，高亚举，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11