一种基于增强型LPP算法和极限学习机快速轴承故障识别方法技术

一种基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于：该方法包括以下步骤：(1)收集轴承在不同工状下的振动信号经分段处理后构成训练样本集合；(2)对步骤(1)获取的训练样本集合进行小波广义高斯分布特征和能量谱特征提取；(3)对步骤(2)获取的特征矩阵X

A fast bearing fault recognition method based on enhanced LPP algorithm and extreme learning machine

A fast bearing fault identification method based on enhanced LPP algorithm and extreme learning machine is presented, which is characterized by the following steps: (1) collecting vibration signals of bearings under different working conditions and forming training sample set after segmentation; (2) implementing wavelet generalized Gaussian distribution to the training sample set acquired in step (1). Feature extraction and energy spectrum; (3) the characteristic matrix X obtained from step (2).

【技术实现步骤摘要】
一种基于增强型LPP算法和极限学习机快速轴承故障识别方法
：本专利技术申请涉及一种轴承设备故障检测领域，尤其涉及一种基于增强型LPP算法和极限学习机快速轴承故障识别方法。
技术介绍
：在工业领域中，为了增加设备性能的可靠性，降低由于机器故障原因导致产量下降的几率，机器运行状态的监控越来越受到人们的重视。旋转机械是工业部门中应用最为广泛的一类机械设备，汽轮机、压缩机、风机和轧机等诸多机械都属于这一类。然而，其核心部件轴承常常由于各种不同形式的故障影响其正常工作，有时甚至会由于某故障引发严重的机毁人亡事故，并造成重大的经济损失，因此开展故障检测的研究具有十分重要的现实意义。机械设备故障检测就是对测取的含有故障信息的信号利用信号处理和分析技术，找出和故障有关的特征参数并利用这些特征参数对设备的实时技术状态进行判别。这里涉及到两个方面的问题，一是利用信号处理技术进行特征提取；二是利用模式识别技术进行故障检测。在信号特征提取方面，主要分为：信号的时域特征如信号的均值、均方值、峰值、峭度和歪度等；信号的频域特征如能量谱、AR功率谱等；以及信号的时频特征如小波分析，Hilbert变换和短时傅里叶变换等。为了能充分地表征不同类别的故障进而提高识别率，就需要多种不同特征进行融合，这也使得特征向量的维度大大增加，导致计算复杂度提高同时也延长了故障检测的时间。因此如何能实现合理的数据降维就显得尤为重要。主成分分析(PrincipalComponentsAnalysis,PCA)作为数据降维的经典算法，因能有效去除特征间线性相关同时保持原始特征的主要信息而被广泛应用在故障检测领域。然而，现实当中各种不同类别的特征间可能存在非线性关系，此时传统的主成分分析无法得到满意的结果。另外主成分分析只考虑到全局分布特征，即只考虑到投影后的系数方差最大化，对局部信息的保持没能做充分考虑，因此通过PCA降维后得到的变量虽然能反映原有变量的绝大部分全局信息，但会打乱原有数据的局部邻域结构，导致不同类别间区分能力的丧失进而降低故障识别率。局部保持投影(LocalityPreservingProjections，LPP)是非线性方法LaplacianEigenmap的线性近似，作为一种新的子空间分析方法，它既解决了主成分分析方法难以保持原始数据非线性流形局部结构的问题，又解决了其无法去除指标间非线性相关性的问题。现今LPP在人脸识别、图像检索等领域得到广泛应用。然而LPP需事先指定k紧邻个数以及热核函数的参数来确定相似度矩阵，而在现实应用中，由于事先对原始数据的空间分布未知，参数设置变得十分困难。受不当参数设置的影响，传统LPP算法的性能严重下降。为此，本专利技术通过采用熵规范化将相似度矩阵结合到优化函数中，与投影向量一并求解，进而解决了传统LPP算法需事先指定参数的不足，提升了算法的局部空间保持能力。在模式识别方法方面，神经网络和支持向量机算法(SVM)因其良好的非线性区分能力，已被广泛应用到故障检测领域。但是上述方法需要训练的参数较多，导致时间较长且很容易陷入局部最优解。极限学习机(extremelearningmachine)ELM作为一种简单易用、有效的单隐层前馈神经网络学习算法，不需要在算法执行过程中调整网络的输入权值以及隐元的偏置，并且能产生唯一的最优解，因此具有学习速度快且泛化性能好的优点，非常适合于大数据时代下的分类问题，尤其是实时性要求很高的故障检测领域。为此，本专利技术拟将增强型局部保持投影分析和极限学习机相结合以实现轴承设备故障的快速检测，从信号处理角度能在保持不同类别间区分能力的同时实现数据降维，提高检测时效；从模式识别角度又能通过极限学习机实现故障类别的快速检测，降低运行时间。
技术实现思路
：1、一种基于增强型LPP算法和极限学习机快速轴承故障识别方法。其特征在于：该方法包括以下步骤：(1)利用安装在轴承上的振动传感器收集该轴承在不同工状下的振动信号，设共有四种工状：正常状态、内圈故障状态、外圈故障状态和滚动体故障状态，然后分别对各种工况下的信号进行长度为1024分段处理得到训练样本集合Xnormal，Xinner，Xouter，Xball∈RN×1024，其中N表示单个工况下训练样本集合的个数；(2)对步骤(1)获取的训练样本信息进行特征提取，得到能有效反应各种工况下振动信号特征的集合，设共有M个特征，则Xnormal*，Xinner*，Xouter*，Xball*∈RN×M；(3)对步骤(2)获取的特征训练样本集合进行标准化处理，使每个特征指标的数值范围确定在均值为0，方差为1的标准正态分布区间内；(4)将步骤(3)得到的标准化处理后的训练样本特征矩阵X*∈R(4N)×M进行增强型局部保持投影分析，其中局部保持投影的投影向量个数为P，最终确定WEnLPP投影向量，WEnLPP∈RM×P；(5)利用步骤(5)中得到的局部保持投影向量WEnLPP求解降维后的投影系数向量，X′EnLPP＝X*×WEnLPP，X′EnLPP∈R(4N)×P；(6)利用步骤(6)中求得的降维后的投影系数向量X′EnLPP训练极限学习机模型Melm；(7)通过安装在轴承上的振动传感器收集该轴承的振动信号，经长度为1024分段处理及标准化处理后，计算特征向量x*new∈R1×M，利用WEnLPP计算投影系数向量x′new＝x*new×WEnLPP然后输入到训练好的模型Melm中确定当前轴承最终的工作状态。2、根据权利要求1所述的基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于，对步骤(2)中的特征提取所采用的方法是提取振动信号片段在不同层下的小波域广义高斯分布特征及能量熵特征，其具体步骤如下：设xi∈RN×1024，i＝1，2，…，N为来自任何一个工况下的样本集合，对其进行小波分解，设这里采用的小波为DB1，分解层数为L，然后对每一层小波利用广义高斯分布拟合它系数的分布特征，通过最大似然估计法得到对应模型的形状参数和尺度参数，广义高斯分布模型如下：其中α控制着广义高斯分布模型的宽度，称作尺度参数；β控制着广义高斯分布模型的衰减程度，称作形状参数，同时分别计算每层系数的熵值，每层系数的熵值计算公式为：其中dij为第i层小波系数的第j个小波系数值，令M＝15则形成最终的特征集合{α1，β1，α2，β2，α3，β3，α4，β4，α5，β5，E1，E2，E3，E4，E5}，其中αi，βj分别是第i层小波系数的GGD模型特征的尺度参数和形状参数。。3、根据权利要求1所述的基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于，步骤(3)中对每个指标值进行标准化处理所采用的方法是z-score法，其具体步骤如下：设对任意指标进行标准化处理所采用的方法如下：同时记录μj，σj以备新样本的标准化处理。4、根据权利要求1所述的基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于，步骤(4)中WEnLPP计算方法如下所述：根据标准化后的训练样本特征矩阵X*构造邻接矩阵U(1)∈R(4N)×(4N)和度量矩阵D(1)∈R(4N)×(4N)，其中uij(1)∈U(1)的表达式如下：i，j＝1，2，…，4N,因本专利技术中的方法对热核参数本文档来自技高网...

【技术保护点】
1.一种基于增强型LPP算法和极限学习机快速轴承故障识别方法。其特征在于：该方法包括以下步骤：(1)利用安装在轴承上的振动传感器收集该轴承在不同工状下的振动信号，设共有四种工状：正常状态、内圈故障状态、外圈故障状态和滚动体故障状态，然后分别对各种工况下的信号进行长度为1024分段处理得到训练样本集合Xnormal，Xinner，Xouter，Xball∈RN×1024，其中N表示单个工况下训练样本集合的个数；(2)对步骤(1)获取的训练样本信息进行特征提取，得到能有效反应各种工况下振动信号特征的集合，设共有M个特征，则Xnormal*，Xinner*，Xouter*，Xball*∈RN×M；(3)对步骤(2)获取的特征训练样本集合进行标准化处理，使每个特征指标的数值范围确定在均值为0，方差为1的标准正态分布区间内；(4)将步骤(3)得到的标准化处理后的训练样本特征矩阵X*∈R(4N)×M进行增强型局部保持投影分析，其中局部保持投影的投影向量个数为P，最终确定WEnLPP投影向量，WEnLPP∈RM×P；(5)利用步骤(5)中得到的局部保持投影向量WEnLPP求解降维后的投影系数向量，X′EnLPP＝X*×WEnLPP，X′EnLPP∈R(4N)×P；(6)利用步骤(6)中求得的降维后的投影系数向量X′EnLPP训练极限学习机模型Melm；(7)通过安装在轴承上的振动传感器收集该轴承的振动信号，经长度为1024分段处理及标准化处理后，计算特征向量...

【技术特征摘要】
1.一种基于增强型LPP算法和极限学习机快速轴承故障识别方法。其特征在于：该方法包括以下步骤：(1)利用安装在轴承上的振动传感器收集该轴承在不同工状下的振动信号，设共有四种工状：正常状态、内圈故障状态、外圈故障状态和滚动体故障状态，然后分别对各种工况下的信号进行长度为1024分段处理得到训练样本集合Xnormal，Xinner，Xouter，Xball∈RN×1024，其中N表示单个工况下训练样本集合的个数；(2)对步骤(1)获取的训练样本信息进行特征提取，得到能有效反应各种工况下振动信号特征的集合，设共有M个特征，则Xnormal*，Xinner*，Xouter*，Xball*∈RN×M；(3)对步骤(2)获取的特征训练样本集合进行标准化处理，使每个特征指标的数值范围确定在均值为0，方差为1的标准正态分布区间内；(4)将步骤(3)得到的标准化处理后的训练样本特征矩阵X*∈R(4N)×M进行增强型局部保持投影分析，其中局部保持投影的投影向量个数为P，最终确定WEnLPP投影向量，WEnLPP∈RM×P；(5)利用步骤(5)中得到的局部保持投影向量WEnLPP求解降维后的投影系数向量，X′EnLPP＝X*×WEnLPP，X′EnLPP∈R(4N)×P；(6)利用步骤(6)中求得的降维后的投影系数向量X′EnLPP训练极限学习机模型Melm；(7)通过安装在轴承上的振动传感器收集该轴承的振动信号，经长度为1024分段处理及标准化处理后，计算特征向量利用WEnLPP计算投影系数向量然后输入到训练好的模型Melm中确定当前轴承最终的工作状态。2.根据权利要求1所述的基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于，对步骤(2)中的特征提取所采用的方法是提取振动信号片段在不同层下的小波域广义高斯分布特征及能量熵特征，其具体步骤如下：设xi∈RN×1024，i＝1，2，…，N为来自任何一个工况下的样本集合，对其进行小波分解，设这里采用的小波为DB1，分解层数为L，然后对每一层小波利用广义高斯分布拟合它系数的分布特征，通过最大似然估计法得到对应模型的形状参数和尺度参数，广义高斯分布模型如下：其中α控制着广义高斯分布模型的宽度，称作尺度参数；β控制着广义高斯分布模型的衰减程度，称作形状参数，同时分别计算每层系数的熵值，每层系数的熵值计算公式为：其中dij为第i层小波系数的第j个小波系数值，令M＝15则形成最终的特征集合{α1，β1，α2，β2，α3，β3，α4，β4，α5，β5，E1，E2，E3，E4，E5}，其中αi，βj分别是第i层小波系数的GGD模型特征的尺度参数和形状参数。3.根据权利要求1所述的基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于，步骤(3)中对每个指标值进行标准化处理所采用的方法是z-score法，其具体步骤如下：设i＝1，2，…...

【专利技术属性】
技术研发人员：陶新民，刘锐，任超，梁祥磊，郭文杰，刘艳超，陶思睿，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：黑龙江,23