基于多分类模糊相关向量机的滚动轴承智能故障诊断方法技术

本发明专利技术公开了一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法。利用加速度传感器对滚动轴承的振动信号进行采集，在不同噪声强度下得到了各运行状态小波包能量特征向量，并引入新的基于类中心的隶属度计算法方法，在此基础上构建了基于多分类模糊相关向量机实现了滚动轴承的智能故障诊断，并利用多分类模糊相关向量机对故障特征向量样本集进行训练与测试，将测试结果与实际故障类型比较，验证了诊断方法的有效性，实现了滚动轴承的智能故障诊断。本诊断方法克服了传统智能故障诊断方法在强噪声环境下诊断准确率不高的不足，且故障诊断效率高以及抗噪性能好，适用于复杂噪声环境下的滚动轴承故障诊断，具有较好的工程价值和应用前景。

【技术实现步骤摘要】
基于多分类模糊相关向量机的滚动轴承智能故障诊断方法
本专利技术属于滚动轴承智能故障诊断
，具体涉及一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法。
技术介绍
大型旋转机械设备中滚动轴承的运行状况直接关系到设备的安全、经济运行，一旦滚动轴承出现故障，将会引起连锁反应，轻则造成传动系统失效，重则引发机毁人亡的严重事故。因此，对滚动轴承的运行状态监测及故障诊断具有重要意义。由于滚动轴承的振动信号具有数据获取方便、适用性广等优点，现有的滚动轴承智能故障诊断方法主要采集其振动信号进行故障特征提取，并将特征向量输入至故障识别器中进行故障识别进而获得故障诊断结果。在实际工况中，由于外部工作环境的干扰，获取的机械设备振动信号中其通常存在着一些噪声信号，影响了智能故障诊断的精度。目前现有的方法主要是通过信号处理、滤波等方法对采集的振动信号进行处理以达到消除噪声数据的目的。然而，由于实际工程中振动信号的复杂性，通过信号处理预处理的方法也极易误将部分有效信息消除，难度较大。如何更加有效的去除滚动轴承原始振动信号的噪声是提高其故障诊断精度的关键技术之一。基于稀疏贝叶斯理论下的新型机器学习算法，简称相关向量机(RelevanceVectorMachine，RVM)，与同支持向量机(SupportVectorMachine，SVM)相比，相关向量机最大的优点就是极大地减少了核函数的计算量，并且也克服了所选核函数必须满足Mercer条件的缺点。RVM主要通过结合贝叶斯理论、最大边缘似然函数估计、马尔科夫性质以及自动相关决定先验等几个关键理论步骤来实现稀疏贝叶斯模型，具有处理小样本能力强、稀疏度好、泛化能力强、较好的非线性数据处理能力等优点，已经在滚动轴承故障诊断中得到了应用，取得了良好的故障诊断效果。在RVM的样本训练过程中，其决策函数通常由少许的几个样本(称之为相关向量)所决定，由于滚动轴承振动信号中噪声的影响，极易将噪声误判为有效故障样本，影响了其智能故障诊断模型的构建，从而导致了故障诊断准确度降低。模糊相关向量机(Fuzzyrelevancevectormachine，FRVM)将模糊数学与RVM相结合，在对样本的训练过程中合理分析样本的特性，对各个样本点赋予计算出的隶属度，减小噪声样本的影响，提高了分类的准确率。模糊相关向量机(FuzzyRelevanceVectorMachine，FRVM)的基本原理如下：对于两类C1、C2分类问题，假设给定N个训练样本{x1,x2,...,xN}，对应的目标值为t1,t2,...,tN，其中xi∈RD，RD为D维空间，ti∈{-1,1},i＝1,...,N。设当xi∈C1时，ti＝-1；xi∈C2时，ti＝1。设T为给定样本标签值和隶属度的一个训练样本集：T＝{(t1,x1,s1),(t2,x2,s2),...,(ti,xi,si)}---------------------(1-1)式中si—样本xi属于该类的隶属度，0＜si≤1，i＝1,2,...,N。FRVM的优化过程与传统的相关向量机类似。对于二分类问题，假设每个样本独立同分布，并且每次的预测为独立事件，假设p(t|x)采用Bernoulli(伯努利)分布，此时后验概率的似然函数为：权重ωMP等价于求解式(1-3)：式中yi＝σ{y(xi；ω)}，A＝diag(α0,α1,α2,...,αN)。当给予训练样本xi模糊隶属度关系si后，式(1-4)则转化成如下形式：为了求解ωMP，也需要对其进行不断的迭代求取最大值，同样可采用牛顿法来求解。在求解的过程中，此时求得式(1-5)的后验分布的梯度向量g及Hessian矩阵H则转化为：g＝▽ωlog{p(t|ω)p(ω|α)}＝ΦTdiag(s)(t-y)-Aω-------------(1-6)H＝▽ω▽ωlog{p(t|ω)p(ω|α)}＝-(ΦTdiag(s)BΦ+A)-----------(1-7)其中B＝diag(β1,β2,...,βN)为对角矩阵，βn＝σ{y(xn)}[1-σ{y(xn)}],Φ为设计矩阵。后验协方差则转化为式(1-8)：由可得ωMP＝ΣΦTBt。同样采用ωMP和后验协方差Σ'来更新超参数α，其更新的机制与标准RVM相同。合理设计隶属度计算函数是模糊相关向量机有效处理噪声点的关键之一，由于不同数据的复杂性，隶属度计算法方法没有可遵循的准则，需要根据样本的特点以及模式识别方法的特性设计出更加合理的隶属度计算方法以提高分类准确率。
技术实现思路
本专利技术的目的在于提供一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，通过在故障样本在识别前进行隶属度计算，对噪声或异常样本赋予较小的隶属度来减小其对故障诊断结果的影响，有效去除滚动轴承原始振动信号中的噪声，提高其故障诊断准确率。为此，本专利技术提供了一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，包括以下步骤：S1、采用加速度传感器对滚动轴承工作时的振动信号进行数据采集；S2、对滚动轴承振动数据信号的数据样本进行分段处理，其中每一段都具有统计意义；S3、采取小波包分析每段振动信号，提取其小波包能量特征并进行归一化处理，获得多维故障特征向量；S4、按照上述步骤S1-S3对不同故障状态下滚动轴承的振动信号进行处理，获得多维故障特征向量集，将其划分为训练样本集Xtrain及测试样本集Xtest；S5、将多维故障特征向量作为输入向量，设定样品标签为0、1、2及3，分别对应滚动轴承的4种单一的工作状态，即正常状态、外圈故障、内圈故障及滚动体故障；S6、计算滚动轴承故障训练样本集Xtrain中各样本的模糊隶属度Si，得到新的训练样本集X′train＝[Xtrain，Si]；S7、采用一对一分类方法构造多分类模糊相关向量机模型，利用训练样本集X′train＝[Xtrain，Si]进行训练，以得到基于多分类模糊相关向量机模型的滚动轴承故障诊断识别器，并且将测试样本集Xtest输入到该识别器中进行故障识别，以获得滚动轴承故障判断准确率；以及S8、按照上述步骤S1至S3对待故障诊断的滚动轴承的振动信号进行采集和处理，获得多维故障特征向量，将其输入至步骤S7所构建的滚动轴承诊断识别器中进行识别，以输出滚动轴承故障类型。本专利技术采用一对一方法实现了多分类模糊相关向量机，提供了一种新的样本隶属度计算方法，在此基础上构建了基于多分类模糊相关向量机实现了滚动轴承的智能故障诊断，与现有滚动轴承智能故障识别技术，其克服现有滚动轴承智能故障诊断方法对噪声点或异常点比较敏感所导致的抗噪性差、诊断效果不理想的缺点，通过引入新的基于类中心的隶属度计算法方法，在增强相关向量作用的同时减小了噪声点对分类的不利影响，同时提取了滚动轴承振动信号小波包能量特征，提高了故障诊断准确率，高效地实现了对滚动轴承故障类型的识别。除了上面所描述的目的本文档来自技高网...

【技术保护点】
1.一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，用于对滚动轴承的单一工作状态进行判别，包括以下步骤：/nS1、采用加速度传感器对滚动轴承工作时的振动信号进行数据采集；/nS2、对滚动轴承振动数据信号的数据样本进行分段处理，其中每一段都具有统计意义；/nS3、采取小波包分析每段振动信号，提取其小波包能量特征并进行归一化处理，获得多维故障特征向量；/nS4、按照上述步骤S1-S3对不同故障状态下滚动轴承的振动信号进行处理，获得多维故障特征向量集，将其划分为训练样本集X

【技术特征摘要】
1.一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，用于对滚动轴承的单一工作状态进行判别，包括以下步骤：
S1、采用加速度传感器对滚动轴承工作时的振动信号进行数据采集；
S2、对滚动轴承振动数据信号的数据样本进行分段处理，其中每一段都具有统计意义；
S3、采取小波包分析每段振动信号，提取其小波包能量特征并进行归一化处理，获得多维故障特征向量；
S4、按照上述步骤S1-S3对不同故障状态下滚动轴承的振动信号进行处理，获得多维故障特征向量集，将其划分为训练样本集Xtrain及测试样本集Xtest；
S5、将多维故障特征向量作为输入向量，设定样品标签为0、1、2及3，分别对应滚动轴承的4种单一的工作状态，即正常状态、外圈故障、内圈故障及滚动体故障；
S6、计算滚动轴承故障训练样本集Xtrain中各样本的模糊隶属度Si，得到新的训练样本集X′train＝[Xtrain，Si]；
S7、采用一对一分类方法构造多分类模糊相关向量机模型，利用训练样本集X′train＝[Xtrain，Si]进行训练，以得到基于多分类模糊相关向量机模型的滚动轴承故障诊断识别器，并且将测试样本集Xtest输入到该识别器中进行故障识别，以获得滚动轴承故障判断准确率；以及
S8、按照上述步骤S1至S3对待故障诊断的滚动轴承的振动信号进行采集和处理，获得多维故障特征向量，将其输入至步骤S7所构建的滚动轴承诊断识别器中进行识别，以输出滚动轴承故障类型。


2.根据权利要求1所述的基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，其特征在于，滚动轴承故障训练样本集Xtrain中各样本的模糊隶属度的计算方法如下：
对于正类、负类的两类分类问题，假设向量为正类样本，向量为负类样本，以x+、x-分别为球心定义一个球，由控制因子ε设定其半径来控制球的大小，在球外的样本视为噪声点，赋予很小的统一隶属度σ，球内靠近球边缘的样本赋予较大的隶属度，在球外的样本视为噪声点，赋予很小的统一隶属度，球内靠近球边缘的样本赋予较大的隶属度；
在球内靠近球边缘的样本有两种情形：Ⅰ、靠近分类面的样本；Ⅱ、远离分类面的样本；情形Ⅱ才有可能是相关向量，而情形Ⅰ对分类面的作用比较小，先计算出两类中心距离T和该样本与异类样本类中心的距离d，然后再比较d与T的大小来完成其判别球内样本属于哪种情形；
由于分类面在两类别几何中心之间，若样本靠近球边缘且同时又靠近分类面即情形Ⅰ，则该样本对分类面的构造贡献作用偏弱，视为非相关向量，按距离类几何中心越远隶属度越小的计算方法确定隶属度；若样本既靠近球边缘又远离分类面即情形Ⅱ，则该样本对分类面构造贡献作用较大，视为相关向量，按距离类几何中心越远隶属度越大的计算方法确定隶属度。


3.根据权利要求2所述的基于多分类模糊相关向量机的滚动轴承智能故障诊断方法，其特征在于，所述正类和负类样本的隶属度函数定义如下：

【专利技术属性】
技术研发人员：王波，张亚虎，王志乐，张青，张茂强，白杰，
申请(专利权)人：滁州学院，
类型：发明
国别省市：安徽;34