基于自适应MRVM的滚动轴承故障概率性智能诊断方法技术

本发明专利技术公开了一种基于自适应MRVM的滚动轴承概率性智能故障诊断方法，包括以下步骤：利用加速度传感器测得滚动轴承原始故障数据，对振动信号分段并提取小波包能量特征，并利用主成分分析降维同时进行归一化处理，通过处理划分训练样本集和测试样本集，利用一种算法自适应选择核参数，利用训练样本集对多分类相关向量机进行训练和测试，将测试结果与实际故障类型比较，得到诊断模型的有效性。本发明专利技术方法克服了传统智能故障诊断方法无法输出故障发生概率值的缺陷，提高了滚动轴承故障诊断的准确率，且提供了更多滚动轴承故障类型判别的信息，通过本发明专利技术提供的故障类型发生概率值可以对滚动轴承状态进行进一步评估，具有较好的工程价值和应用前景。

Fault probability intelligent diagnosis method of rolling bearing based on adaptive MRVM

The invention discloses an adaptive MRVM rolling bearing intelligent fault diagnosis method based on probability, which comprises the following steps: using acceleration sensor of rolling bearing fault of the original data, the vibration signal and extract the piecewise energy feature of wavelet packet analysis, and at the same time dimension is normalized by principal component, through the treatment of training sample set and the test data set, using an algorithm of adaptive kernel parameter selection, set for the training and testing of multi classification RVM using training samples, comparing the test results and the actual fault diagnosis model effectively. This method overcomes the traditional fault diagnosis method of intelligent fault defects can not output the probability value, improve the accuracy of fault diagnosis of rolling bearing, and provides more rolling bearing fault type identification information, the fault type provided by the invention can further evaluate the probability of occurrence of rolling bearing, has good engineering value and application prospect.

【技术实现步骤摘要】
基于自适应MRVM的滚动轴承故障概率性智能诊断方法
本专利技术属于滚动轴承智能故障诊断领域，具体涉及一种基于自适应多分类相关向量机模型(MRVM)的滚动轴承故障智能诊断方法。
技术介绍
滚动轴承是旋转机械设备必不可少的重要组件，一旦滚动轴承出现问题，轻者造成经济损失，重者危害生命，因此了解滚动轴承实时的工作状态对监控大型机械设备是否正常运行具有重要的意义。智能故障诊断是滚动轴承故障诊断的重要技术之一，主要通过故障特征提取结合故障识别器进行故障识别，本质上属于模式识别范畴，故障识别器设计的优劣直接影响到最终的故障识别准确率。基于模式识别的机械智能故障诊断方法主要通过已有故障样本的学习对未知的故障类型进行预测，其中支持向量机(SupportVectorMachine，SVM)在故障诊断领域得到广泛应用。基于统计学习理论的支持向量机(SVM)能够较好地解决小样本学习问题，具有应用于机械智能故障诊断的潜力。但是SVM存在着支持向量会随着训练样本集的增大线性增加、核函数必须满足Mercer条件、预测结果必须对折中系数C进行人为设置，并且只能输出准确率无法输出更多参考信息(如概率信息)等缺点。基于稀疏贝叶斯理论的相关向量机(RelevanceVectorMachine，RVM)克服了SVM的固有缺陷。与SVM相比，RVM通过贝叶斯学习增加了模型的稀疏度，提高了训练速度并且可输出诊断结果的后验概率分布。RVM作为故障识别器的独特潜力是可以输出诊断结果的概率，即可以对各种故障的可能性进行评估，非常符合实际的故障诊断及维修。然而，针对多故障诊断问题，目前研究采用“一对一”、“一对多”等组合学习方法实现相关向量机的多故障诊断，本质上却抛弃了相关向量机的概率输出特性，其原因是此类实现多类型分类相关向量机的机制决定了其无法输出故障诊断结果的概率，丧失了相关向量机作为故障识别器的重要特性。理想的故障识别器应该对各种故障发生的可能性给出具体的概率值。实际上，传统智能故障诊断方法目前还不能完全精确地识别故障类型。如果技术人员根据诊断结果检测后发现机械某个部位未发生故障，可以根据发生故障概率值大小次序对另一概率值次之的故障类型进行进一步检测。这样的诊断策略才比较符合实际的诊断过程。因此，采用概率输出型的智能识别器更加适合于机械故障诊断领域。多分类相关向量机(MRVM，Multi-classificationofRelevanceVectorMachine)可以直接实现多故障诊断，更重要的是该方法可以直接输出各故障类型的概率信息，便于实际维修人员对诊断结果依据概率大小进行故障评估，非常符合实际的故障诊断及维修。但其在核参数选择方面，核参数需预先设定，存在很大的不确定性。多分类相关向量机的学习原理如下：首先给定训练集x∈RD，D为样本维数，t∈{1,2...3}是样本各自的类别标签。通过样本集得到训练模型的核函数集K＝[k1,k2...kN]，K∈RN×N。通过引入权重参数W和辅助变量Y得到标准噪声模型其次将回归目标转化成为类别标签，引入多项式概率模型：由此产生多项概率似然函数其中，u符合标准正态分布，即u～N(0,1)，Φ符合高斯分布函数。设权重向量wnc符合均值为零，方差为的标准正态分布，即其中先验参数αnc组成尺度矩阵A，以此得到模型的稀疏性。
技术实现思路
本专利技术的目的在于提供一种基于自适应多分类相关向量机模型的滚动轴承故障诊断方法，使故障识别器既可以输出各故障状态的概率值又能尽可能地减小人为设置核参数的不确定性，提高滚动轴承故障诊断准确率。为此，本专利技术提供了一种滚动轴承概率性故障诊断方法，包括以下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所述滚动轴承的工作状态划分为正常状态、外圈故障、内圈故障和滚动体故障；2)将滚动轴承不同故障类型的原始振动信号进行分段处理，每个实验样本由设定数量的采样数据构成；3)提取滚动轴承每一段信号的小波包能量特征，并将提取后的小波包能量进行归一化处理，同时利用主成分分析对小波包能量特征进行降维处理；4)将每一段信号经过归一化处理和降维处理后的小波包能量特征值作为输入向量，构造故障样本集，并且设定四类样本标签，分别对应滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障；5)利用故障样本集推导得到多分类相关向量机的核参数集，并利用故障类型数量和故障样本总数初始化辅助变量，尺度矩阵及权重矩阵；6)将故障样本集划分为设定数量的训练样本集和测试样本集，选择高斯核作为多分类相关向量机核函数，并将训练样本输入到多分类相关向量机中进行训练，自适应地构造滚动轴承故障诊断模型；7)利用测试样本集输入多分类相关向量机中进行故障识别，以获得最终故障诊断准确率；以及8)采集待故障诊断的滚动轴承原始振动信号，并执行步骤(2)至步骤(4)对原始振动信号进行预处理，之后利用上述多分类相关向量机进行故障识别，其概率性输出模式为：其中，矩阵P中每一行，顺次表示滚动轴承工作状态为正常状态、外圈故障、内圈故障、滚动体故障的概率值大小，判定滚动轴承最后工作状态由每一行对应状态的最大概率值决定；若存在滚动轴承两种工作状态的概率值相近，则两者都有发生故障可能性。根据本专利技术的另一方面，提供了一种用于滚动轴承故障识别的多分类相关向量机模型，其构造方法包括如下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所述滚动轴承的工作状态划分为正常状态、外圈故障、内圈故障和滚动体故障；2)将滚动轴承不同故障类型的原始振动信号进行分段处理，每个实验样本由设定数量的采样数据构成；3)提取滚动轴承每一段信号的小波包能量特征，并将提取后的小波包能量进行归一化处理，同时利用主成分分析对小波包能量特征进行降维处理；4)将每一段信号经过归一化处理和降维处理后的的小波包能量特征值作为输入向量，并且设定四类样本标签，分别对应滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障；5)利用样本集推导得到多分类相关向量机的核参数集，利用样本故障类型数量和故障样本总数初始化辅助变量，尺度矩阵及权重矩阵；6)将样本集划分为设定数量的训练样本集和测试样本集，选择高斯核参数作为多分类相关向量机核参数，并将训练样本输入到多分类相关向量机中进行训练；7)利用测试样本集输入多分类相关向量机中进行故障识别，以获得该多分类相关向量机的故障诊断准确率，其概率性输出模式为：其中，矩阵P中每一行，顺次表示滚动轴承工作状态为正常状态、外圈故障、内圈故障、滚动体故障的概率值大小，判定滚动轴承最后工作状态由每一行对应状态的最大概率值决定；若存在滚动轴承两种工作状态的概率值相近，则两者都有发生故障可能性。与现有滚动轴承智能故障识别技术相比，本专利技术克服现有滚动轴承故障诊断方法无法评估各滚动轴承故障类型发生概率的缺陷，基于多分类相关向量机模型实现对滚动轴承故障类型诊断的同时对各种故障发生的可能性给出概率值，根据输出概率值的大小进可对故障类型行进一步评估。本专利技术同时利用一种算法优化多分类相关向量机模型，从而自适应地选择最优的核参数值，提取了滚动轴承振动信号小波包能量特征，并利用主分析法降维，提高了故障诊断准确率，高效地实现了对滚动轴承的故障类型诊断。通过与基于支持相机的故障诊断方法进行实验本文档来自技高网...

【技术保护点】
一种滚动轴承概率性故障诊断方法，其特征在于，包括以下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所述滚动轴承的工作状态划分为正常状态、外圈故障、内圈故障和滚动体故障；2)将滚动轴承不同故障类型的原始振动信号进行分段处理，每个实验样本由设定数量的采样数据构成；3)提取滚动轴承每一段信号的小波包能量特征，并将提取后的小波包能量进行归一化处理，同时利用主成分分析对小波包能量特征进行降维处理；4)将每一段信号经过归一化处理和降维处理后的小波包能量特征值作为输入向量，构造故障样本集，并且设定四类样本标签，分别对应滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障；5)利用故障样本集推导得到多分类相关向量机的核参数集，并利用故障类型数量和故障样本总数初始化辅助变量，尺度矩阵及权重矩阵；6)将故障样本集划分为设定数量的训练样本集和测试样本集，选择高斯核作为多分类相关向量机核函数，并将训练样本输入到多分类相关向量机中进行训练，自适应地构造滚动轴承故障诊断模型；7)利用测试样本集输入多分类相关向量机中进行故障识别，以获得最终故障诊断准确率；以及8)采集待故障诊断的滚动轴承原始振动信号，并执行步骤(2)至步骤(4)对原始振动信号进行预处理，之后利用上述多分类相关向量机进行故障识别，其概率性输出模式为：...

【技术特征摘要】
1.一种滚动轴承概率性故障诊断方法，其特征在于，包括以下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所述滚动轴承的工作状态划分为正常状态、外圈故障、内圈故障和滚动体故障；2)将滚动轴承不同故障类型的原始振动信号进行分段处理，每个实验样本由设定数量的采样数据构成；3)提取滚动轴承每一段信号的小波包能量特征，并将提取后的小波包能量进行归一化处理，同时利用主成分分析对小波包能量特征进行降维处理；4)将每一段信号经过归一化处理和降维处理后的小波包能量特征值作为输入向量，构造故障样本集，并且设定四类样本标签，分别对应滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障；5)利用故障样本集推导得到多分类相关向量机的核参数集，并利用故障类型数量和故障样本总数初始化辅助变量，尺度矩阵及权重矩阵；6)将故障样本集划分为设定数量的训练样本集和测试样本集，选择高斯核作为多分类相关向量机核函数，并将训练样本输入到多分类相关向量机中进行训练，自适应地构造滚动轴承故障诊断模型；7)利用测试样本集输入多分类相关向量机中进行故障识别，以获得最终故障诊断准确率；以及8)采集待故障诊断的滚动轴承原始振动信号，并执行步骤(2)至步骤(4)对原始振动信号进行预处理，之后利用上述多分类相关向量机进行故障识别，其概率性输出模式为：其中，矩阵P中每一行，顺次表示滚动轴承工作状态为正常状态、外圈故障、内圈故障、滚动体故障的概率值大小，判定滚动轴承最后工作状态由每一行对应状态的最大概率值决定；若存在滚动轴承两种工作状态的概率值相近，则两者都有发生故障可能性。2.根据权利要求1所述的滚动轴承概率性故障诊断方法，其特征在于，在所述步骤(6)中，还包括利用梯度下降求极值的方法优化多分类相关向量机模型，搜寻出最优的核参数值。3.根据权利要求2所述的滚动轴承概率性故障诊断方法，其特征在于，所述搜寻出最优的核参数值包括如下步骤：6-1)初始化参数，包括第n次迭代的步长γn、核参数起始值β1、允许误差δ；6-2)计算梯度值▽J(βn)；6-3)通过步长γn、βn和▽J(βn)确定βn+1；以及6-4)计算βn和βn+1的差值，并且与允许误差δ比较,若满足终止条件，则输出最优核参数，否则返回步骤(6-2)继续迭代计算，直到搜寻出最优的核参数值。4.根据权利要求1所述的滚动轴承概率性故障诊断方法，其特征在于，在所述步骤(3)中，利用主成分分析对提取的滚动轴承振动信号小波包能量特征向量进行降维处理，包括以下步骤：3-2)将这些小波包能量特征按照信息量进行排序，其中，信息量由各成分方差贡献率ai来反映：其中，n为特征向量值维数，λi为样本数据协方差矩阵的特征向量值，3-3)按照累计贡献率S(m)≥95％选取前m个主要特征：n为特征向量维数，m为要选取的前m个主要特征，将前m个小波包能量特征进行归一化处理的公式如下：其中i表示该层数第i个节点，Ei表示第i个节点归一化后的能量值，Em表示该层上某一节点的小波包系数的平方值，表示该层所有小波包系数平方值的和。5.根据权利要求1所述的滚动轴承概率性故障诊断方法，其特征在于，每个实验样本由2048个采样数据构成，将样本集划分为60个训练样本集和120个测试样本集。6.一种用于滚动轴承故障识别的多分类相关向量机模型，其特征在于，其构造方法包括如下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所...

【专利技术属性】
技术研发人员：王波，王志乐，张青，张健康，熊鑫州，夏剑阳，肖子遥，
申请(专利权)人：滁州学院，
类型：发明
国别省市：安徽,34