一种基于LS-SVM和D-S证据理论的轴承故障诊断方法技术

本发明专利技术公开了一种基于LS‑SVM和D‑S证据理论的轴承故障诊断方法。通过多层级信息融合方法，在特征层采用最小二乘支持向量机LS‑SVM，在决策层采用D‑S证据理论，以解决单一传感器故障诊断精度低、敏感特征不易提取的问题。首先利用小波降噪技术提高滚动轴承振动信号的信噪比，并引入时域和频域共八个参数作为轴承振动的特征参数。其次，利用LS‑SVM对轴承进行故障识别。最后，将LS‑SVM特征输出作为D‑S证据理论输入，利用D‑S证据理论进行故障决策。该方法可以有效地提高滚动轴承故障诊断精度。本发明专利技术对提高滚动轴承故障诊断精度和诊断系统的可靠性有一定的意义。

【技术实现步骤摘要】
一种基于LS-SVM和D-S证据理论的轴承故障诊断方法
本专利技术涉及故障识别
，具体涉及一种基于LS-SVM和D-S证据理论的轴承故障诊断方法。
技术介绍
滚动轴承作为旋转机械的重要零部件，在工业、农业、运输等行业有着广泛的应用，其运行状态直接关系到机械设备的安全和效率。滚动轴承在恶劣的工作条件下，由于受到载荷、安装、润滑等因素的影响，运转一段时间后将会产生各种类型的失效。因此，滚动轴承是旋转机械中较为薄弱的环节，研究滚动轴承的故障诊断方法具有重要意义。近年来，很多方法被用于轴承的故障检测，如振动信号检测、油液分析检测、温度检测、声发射检测等。基于振动信号分析的方法在滚动轴承故障诊断中应用最为广泛，概括起来可以分为三类：时域分析、频域分析和时频分析。这三种方法并不是相互独立的，而是在很多场合下可以互补使用。用于轴承故障诊断的振动信号需要由传感器获得。由于单一传感器在信号获取的数据数量和种类上是有限的，且一旦传感器发生故障将无法获取轴承状态信号。因此，利用多个传感器同时检测轴承的运行状态可以获得更多的诊断信息，并提高诊断的可靠性。但是，受不同传感器的精度差异和测量中随机误差的影响，实际的测量信号可能远和预期的不同。所以，将多个传感器采集到的轴承信息进行融合可获得更高的诊断精度和可靠性。多传感器信息融合是组合来自多个传感器的数据和相关信息，以获得比单个传独立感器更详细更精确的推理。多传感器信息融合的概念的提出和应用是在军事领域，常被用在预期的分析结果无法直接给出的情况下。随着理论的成熟和发展，多传感器信息融合被广泛的应用于医学影像、无损检测、遥感以及故障诊断等领域。根据数据的来源，信息融合可分为同源信息融合(数据由同一类传感器获得)和非同源信息融合(数据由不同类型传感器获得)。按功能或结构可分为数据级融合、特征级融合和决策级融合，不同级别的融合方法和融合效果也不相同。数据层融合常用的方法有卡尔曼滤波器；特征层融合的很多方法源自模式分类和模式识别，如智能神经网络；决策层融合主要基于不确定性分析方法，如贝叶斯理论、D-S证据理论、模糊决策。
技术实现思路
基于以上
技术介绍
，本专利技术利用信息融合技术，提供一种基于特征层和决策层的多层级滚动轴承故障诊断方法。首先，通过小波降噪的方法对采集的轴承振动信号进行降噪处理，引入时域和频域的特征参数用于提取振动信号的特征；其次，利用LS-SVM对不同传感器信号的特征参数集融合，得出故障识别结果；最后，利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果。为了实现上述目的，本专利技术采用以下技术方案：一种基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，可分为以下几部分：1)信号预处理：加速度传感器采集轴承的振动信号，首先通过小波降噪的方法对所述振动信号进行降噪处理，然后引入特征参数用于提取振动信号的特征；将所述特征参数进行归一化处理；2)特征层信息融合：利用LS-SVM对不同传感器信号的特征参数集进行融合，得出故障分类结果；3)决策层信息融合：利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果；其中，所述特征参数包括：时域参数和频域参数。具体的，所述时域参数包括：峰值指标KCF、脉冲指标KIF、裕度系数L和峭度指标Ku；所述频域参数包括：频率均值umf、频率中心ufc、频率均方根值urmsf和频率标准偏差ustdf；其中：具体的，所述第2)部分具体为：S1、将归一化后的时域参数和频域参数分别分为训练集和测试集；S2、利用训练集进行训练分别得到LS-SVM分类器；S3、利用LS-SVM分类器对测试集进行预测；S4、利用式计算得到LS-SVM的时域和频域的后验概率，得到LS-SVM时域后验概率输出和LS-SVM频域后验概率输出；其中pij(i|j；x)表示第i类和第j类构成的两类分类器计算所得x属于第i类的后验概率。具体的，第3)部分具体为：将LS-SVM频域后验概率输出作为D-S证据理论的特征输入，最终得出的融合诊断结果。优选地，所述振动信号通过分布于轴承三个不同方向的PCB加速度传感器采集。更优选地，所述三个不同方向分别为水平方向、竖直方向和轴向方向。本专利技术的有益效果本专利技术针对滚动轴承故障诊断现状，提出了基于LS-SVM和D-S证据理论信息融合的滚动轴承故障诊断方法，并基于高速动车组传动实验台对滚动轴承的多源振动信号进行融合分析。从实验结果得出，基于频域特征参数的LS-SVM故障识别精度高于基于时域特征参数的LS-SVM故障识别精度。通过将特征层得出的故障特征识别结果作为特征，输入D-S证据理论，得出最终的决策层故障诊断结果。结果显示，通过特征层和决策层信息融合综合得到的故障诊断结果，精确度较单一的LS-SVM分类有了很大提高。本专利技术对提高滚动轴承故障诊断精度和诊断系统的可靠性有一定的意义。附图说明图1为证据理论的置信区间；图2为本专利技术中高速动车组传动实验台；图3为本专利技术中故障诊断流程图。具体实施方式下面通过实施例对本专利技术进行具体描述，有必要在此指出的是本实施例只用于对本专利技术进行进一步说明，不能理解为对本专利技术保护范围的限制，该领域的技术熟练人员可以根据以上专利技术的内容做出一些非本质的改进和调整。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。1.最小二乘支持向量机(LS-SVM)：支持向量机(SVMs)是由Vapnik和他的同事开发的一种基于统计学习理论和结构风险最小化原理的机器学习方法。具有良好的泛化能力，并且其训练时总能找到全局最优解，因而在经验建模领域得到了广泛的应用。但是SVM的训练是一个带约束的二次规划问题，并且约束数目等于样本数目，这一点导致训练时间较长，在某些情况样本数目可能比较大，这时训练时间可能会难以接受。最小二乘支持向量机是在SVM中加以改进而得到，大大提高了求解速度，有着很广泛的应用，在复杂工业过程中也体现了它的优势。LS-SVM是基于正则化理论对标准SVM的改进，在目标函数中采用二次损失函数代替SVM中的不敏感损失函数，将SVM中的二次规划问题转化为线性方程组求解，在保证精度的同时大大降低了计算复杂性，加快了求解速度。设训练样本集为(xi，yi)(xi∈Rn，yi∈R；i＝1，2，...，n)，n为样本量，则回归函数为y(X)＝ωTX+b(1)其中，X＝(x1，x2，...，xn)为非线性变换函数，其将原始空间中的样本映射到为高维空间中的向量；ω＝(ω1，ω2，...，ωn)为权重系数；b为偏差量。基于结构最小化原理(StructuralRiskMinimization，SRM)，回归优化问题可以描述为求解下列问题：并且同时满足yi＝＜ω·X＞+b+ξi(3)其中c为惩罚因子；ξi为误差变量；<·>为核空间映射函数。将Lagrange方程引入上式中，得到最小二乘支持向量机决策函数为2.D-S证据理论：2.1证据理论简述D-S证据理论是处理不确定、不完备、不精确信息的主要手段，在信息融合领域得到了广泛的认同与应用。作为贝叶斯理论的拓展，D-S证据理论使用信任函数和似然函数来量化证据的不确定性，它模拟了给定假设或论述的不确定性是如何随证据本文档来自技高网...

【技术保护点】
1.一种基于LS‑SVM和D‑S证据理论的轴承故障诊断方法，其特征在于，可分为以下几部分：1)信号预处理：加速度传感器采集振动信号，首先通过小波降噪的方法对所述振动信号进行降噪处理，然后引入特征参数用于提取振动信号的特征；将所述特征参数进行归一化处理；2)特征层信息融合：利用LS‑SVM对不同传感器信号的特征参数集进行融合，得出故障分类结果；3)决策层信息融合：利用D‑S证据理论，对LS‑SVM特征输出进行决策层融合，得出最终故障诊断结果；其中，所述特征参数包括：时域参数和频域参数。

【技术特征摘要】
1.一种基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，可分为以下几部分：1)信号预处理：加速度传感器采集振动信号，首先通过小波降噪的方法对所述振动信号进行降噪处理，然后引入特征参数用于提取振动信号的特征；将所述特征参数进行归一化处理；2)特征层信息融合：利用LS-SVM对不同传感器信号的特征参数集进行融合，得出故障分类结果；3)决策层信息融合：利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果；其中，所述特征参数包括：时域参数和频域参数。2.根据权利要求1所述的基于LS-SVM和D-S证据理论的轴承故障诊断，其特征在于，所述时域参数包括：峰值指标KCF、脉冲指标KIF、裕度系数L和峭度指标Ku；所述频域参数包括：频率均值umf、频率中心ufc、频率均方根值urmsf和频率标准偏差ustdf；其中：3.根据权利要求1所述的基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，所述第2)部分具...

【专利技术属性】
技术研发人员：岳建海，单巍，杨国栋，杨江天，焦静，徐占山，吴裕源，沈泓，周航，
申请(专利权)人：中国铁路总公司，北京交通大学，
类型：发明
国别省市：北京,11