基于振动孪生与极限学习的滚动轴承智能故障诊断方法技术

本发明专利技术提供一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法，涉及工业故障诊断技术领域。针对滚动轴承振动信号，首先提取时域特征构建时域特征集合，然后从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型，将滚动轴承振动信号转化为特征向量；选择极限学习机作为分类器，将振动信号的特征向量作为输入，使用伪随机序列来代替极限学习机中的随机输入权重矩阵，同时省略极限学习机的偏置向量，得到改进的极限学习机，实现对滚动轴承的故障诊断；在相同的诊断环境下，输入权重矩阵只需生成一次，在后续诊断中可反复使用。该方法采用振动孪生与极限学习相结合的方法，在保证准确性的前提下，提升了诊断速度。

【技术实现步骤摘要】
基于振动孪生与极限学习的滚动轴承智能故障诊断方法
本专利技术涉及工业故障诊断
，尤其涉及一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法。
技术介绍
滚动轴承故障诊断是实现机械状态监测和预知维修的关键技术。过程可分为两个部分：特征提取和故障分类。特征提取算法主要分为三类，时域特征提取、频域特征提取、时频域特征提取；故障分类算法通常基于机器学习，如基于支持向量机、贝叶斯分类器和神经网络的算法。在工业系统中，滚动轴承故障诊断的主要挑战包括准确性和实时性两方面要求。现有的方法大多注重于保证准确性，而忽略了实时性的要求。传统的基于时域或频域的研究，往往是通过考察某单一指标的特性，得出近似的诊断结果。基于机器学习或深度学习的方法通常直接将振动信号输入到分类器中，而不考虑特征指标的相关性和冗余性，因此分类可能需要更多的时间。此外，在实际应用中，滚动轴承往往处于不断工作的状态，故障诊断的响应速度必须足够高，才能对故障轴承进行及时处理。因此需要一种更准确、更快速的诊断方法来进行滚动轴承的故障诊断。专利技术内容本专利技术本文档来自技高网...

【技术保护点】
1.一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法，其特征在于：针对滚动轴承振动信号，首先提取时域特征构建时域特征集合，然后利用序列前向选择方法从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型，将滚动轴承振动信号转化为特征向量；选择极限学习机作为分类器，将振动信号的特征向量作为输入，并使用由logistic映射产生的伪随机序列来代替极限学习机中的随机输入权重矩阵，同时省略极限学习机的偏置向量，得到改进的极限学习机，实现对滚动轴承的故障诊断；在相同的诊断环境下，输入权重矩阵只需生成一次，在后续诊断中可反复使用。/n

【技术特征摘要】
1.一种基于振动孪生与极限学习的滚动轴承智能故障诊断方法，其特征在于：针对滚动轴承振动信号，首先提取时域特征构建时域特征集合，然后利用序列前向选择方法从时域特征集合中选择最优时域特征子集以生成滚动轴承振动孪生模型，将滚动轴承振动信号转化为特征向量；选择极限学习机作为分类器，将振动信号的特征向量作为输入，并使用由logistic映射产生的伪随机序列来代替极限学习机中的随机输入权重矩阵，同时省略极限学习机的偏置向量，得到改进的极限学习机，实现对滚动轴承的故障诊断；在相同的诊断环境下，输入权重矩阵只需生成一次，在后续诊断中可反复使用。


2.根据权利要求1所述的基于振动孪生与极限学习的滚动轴承智能故障诊断方法，其特征在于：该方法具体包括以下步骤：
步骤1：构建滚动轴承振动信号的时域特征集合；
从作为训练样本的滚动轴承原始振动信号中提取时域特征构建滚动轴承振动信号的时域特征集；
用表示滚动轴承的不同样本，用i表示样本序号，xi＝[xi1，…xin]T∈Rn表示滚动轴承的一个n维原始振动信号，yi∈{1，…，m}是与之对应的故障标签，即实际故障类型，用ci∈{1，…，m}表示故障诊断的分类结果，即预测故障类型；用X＝[x1，…xN]T∈RN*n表示滚动轴承的N个原始振动信号，Y＝[y1，…，yN]T∈RN表示X的故障标签，C＝[c1，…，cN]T∈RN表示X的故障分类结果；根据机械振动原理，提取机械振动领域现有的14个时域特征构成滚动轴承振动信号的时域特征集合S＝{s1，…，s14}；
步骤2：基于滚动轴承振动信号的时域特征集合构建振动孪生模型，将滚动轴承振动信号转化为特征矩阵；
利用序列前向选择方法从时域特征集合S＝{s1，…，s14}中选择最优特征子集S′∈S，并将最优子集S′中计算时域特征的算法组合，形成振动孪生模型，将滚动轴承振动信号X＝[x1，…xN]T转化为特征矩阵F＝[f1，…，fN]T∈RN*K，其中，fi＝[fi1，…，fiK]表示振动信号xi的特征向量；选择最优子集的条件为：将子集中的时域特征输入分类器，故障诊断准确率最高；
步骤3：构建基于改进极限学习机的故障分类器；
选择极限学习机作为分类器，将步骤2得到的振动信号的特征向量作为输入，并通过logistic映射生成极限学习机的输入权重矩阵，并设置偏置向量为零向量，设定极限学习机的隐藏层有L个隐藏神经元，用j表示隐藏神经元序号，激活函数用g(·)表示，则基于改进的极限学习机的故障分类器表示为：



其中，fi和ci分别表示振动信号xi的特征向量和故障分类结果；βj和wj分别为第j个隐藏神经元的输出权重向量和输入权重向量；设W＝[w1，w2，…wL]为L个隐藏神经元的输入权重向量组成的输入权重矩阵，β＝[β1，β2，…，βL]T为L个隐藏神经元的输出权重向量组成的输出权重矩阵；
将基于改进的极限学习机的故障分类器用矩阵乘法表示为：Hβ＝C，其中为极限学习机隐藏神经元的值，为输出权重矩阵，为H的广义逆矩阵，Y为故障标签；
步骤4：训练步骤3构建的基于改...

【专利技术属性】
技术研发人员：宁婧宇，谭振华，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21