一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于流形学习和s‑k‑means聚类的滚动轴承故障诊断方法，属于旋转机械故障诊断领域。该方法主要包括5个步骤：获取轴承在正常及故障状态下的振动信号作为原始信号；获取时域特征集和小波包能量特征集；利用散布矩阵，构造特征分类能力指数，排除部分无关特征，实现特征选取；将经过特征选择后的特征集作为维数约简算法的高维输入，使用NPE(邻域保持嵌入)的流形学习方法进行维数约简，得到经过约简后的低维特征集；采用s‑k‑means聚类方法对故障特征矩阵进行聚类分析，确定故障类型。该方法简单有效，有助于实现高维故障特征的有效约简和二次提取，得到了与故障联系密切的少量典型特征，使得特征分类时的计算量大大减少，从而准确识别故障类型。

A fault diagnosis method of rolling bearing based on manifold learning and s-k-means clustering

【技术实现步骤摘要】
一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法
本专利技术属于旋转机械故障诊断领域，具体涉及一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法。
技术介绍
滚动轴承作为旋转机械的关键零部件，它在旋转机械中起着关键的作用，其工作状态的好坏将直接影响到整台机械设备的整体性能。滚动轴承故障是导致旋转机械设备发生故障的主要原因之一，严重时甚至可能导致重大财产损失。因此，为了避免由轴承导致的机械故障，减少经济损失，对轴承进行状态监测及故障诊断从而保证其正常运行非常有必要。当滚动轴承出现局部缺陷故障时，会产生一系列的冲击信号，表现为振动信号的突变。这些变化含有丰富的故障信息特征，因而振动信号的检测在机械故障诊断领域得到广泛采用。振动信号分析主要包括三个步骤：数据采集与预处理，特征提取，模式识别。其中，特征选择和提取是故障诊断的关键步骤，模式识别是核心。对于不同的故障只有选择合适的特征和有效的模式识别方法，才能保证故障诊断结构的可靠性。不同的故障可以根据不同特征来识别，但是不同特征对故障的敏感程度也不相同。本文档来自技高网...

【技术保护点】
1.一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：/n步骤1、获取滚动轴承在不同运行状态下的振动加速度信号，得到时域信号样本集；/n步骤2、计算样本集中全部样本的时域特征和小波包能量特征，构成初始高维特征集；/n步骤3、利用散布矩阵，构造特征分类能力指数，筛选特征，选取最优特征子集，实现特征选取；/n步骤4、将经过特征选择后的特征集作为维数约简算法的高维输入，使用邻域保持嵌入NPE的流形学习方法进行维数约简，得到经过约简的低维特征集；/n步骤5、采用s-k-means聚类方法对故障特征矩阵进行聚类分析，确定故障类型；/n设D维空间的n个数据点的...

【技术特征摘要】
1.一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：该方法包括以下步骤：
步骤1、获取滚动轴承在不同运行状态下的振动加速度信号，得到时域信号样本集；
步骤2、计算样本集中全部样本的时域特征和小波包能量特征，构成初始高维特征集；
步骤3、利用散布矩阵，构造特征分类能力指数，筛选特征，选取最优特征子集，实现特征选取；
步骤4、将经过特征选择后的特征集作为维数约简算法的高维输入，使用邻域保持嵌入NPE的流形学习方法进行维数约简，得到经过约简的低维特征集；
步骤5、采用s-k-means聚类方法对故障特征矩阵进行聚类分析，确定故障类型；
设D维空间的n个数据点的集合为X＝{x1,x2,...,xn}，对其应用新的聚类分析划分为j个类簇Cj。


2.根据权利要求1所述的一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：步骤2的具体实施过程如下，
步骤2.1：分别计算每个样本的方根幅值、偏度、方差、绝对平均值、峭度、最大值、波形指标、脉冲指标、峭度指标、裕度指标、偏度指标，构成时域特征集；
步骤2.2：对每个样本信号进行三层小波包分解，计算信号每一个分解层次上每个小波包空间中信号分布的能量，构成了小波包频带能量特征集。


3.根据权利要求1所述的一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：步骤3的具体实施过程如下，
步骤3.1：计算原始高维特征集的类内散布矩阵Sw、类间散布矩阵Sb和混合散布矩阵Sm；
设原始高维特征集为X＝{x1,x2,…,xD}，其中D表示高维特征集的维数，xi表示第i个特征；则类内协方差矩阵为：



Sj表示第j类数据协方差矩阵，xj表示第j类数据特征值，μj表示第j类特征值均值；则类内散布矩阵Sw为：其中表示全部样本中属于第j类的样本数；
类间散布矩阵Sb为：其中μ是全部样本的全局均值向量，
混合散布矩阵：Sm＝E[(x-μ0)(x-μ0)T]，即Sm是全局均值向量的协方差矩阵；且Sm＝Sb+Sw
步骤3.2：构造分类能力指数：通过分类能力指数J排除部分对进行故障诊断敏感度低的特征。


4.根据权利要求1所述的一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法，其特征在于：步骤4的具体实施过程如下，
步骤4.1：构建邻域图
利用K近...

【专利技术属性】
技术研发人员：付胜，匡佳锋，王赫，井睿权，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11