【技术实现步骤摘要】
基于多视图关联特征学习的轴承故障诊断方法
本专利技术属于故障诊断领域，具体涉及一种基于多视图关联特征学习的轴承故障诊断方法。
技术介绍
齿轮箱作为风电机组传动系统的关键部件，内部结构复杂且运行环境恶劣，长期处于复杂多变的交变载荷下，极易发生故障。据统计，76.2％的齿轮箱故障是由轴承引起的，其中高速轴和中间轴轴承占比最大。因此，为避免因轴承故障失效导致的巨额维修成本和停机损失，及时、准确的诊断齿轮箱轴承故障变得尤其重要。目前，风电齿轮箱轴承的故障诊断主要依赖于各类传感器信号，如振动信号、声发射信号、电流信号、监视控制和数据采集系统信号。其中，振动信号应用最为成熟，然而受到振动传感器位置的影响，振动信号易受到环境噪声和其他振动源的干扰导致故障特征提取较难。最近研究表明，当齿轮箱轴承出现局部故障时会产生异常振动，引起发电机气隙扭矩波动，进而引起定子磁通变化，最终会引起包括定子电流在内的一系列电参数的变化。因此，电流信号近年来已成为诊断轴承机械故障的一种新型诊断方式。然而，从发电机端获取的电流信号基频分量干扰较大、信噪比低...
【技术保护点】
1.一种基于多视图关联特征学习的轴承故障诊断方法，其特征在于，其包括如下步骤：/nS1：振动与电流信号采集；/n同步采集轴承不同状态下的振动信号与电流信号，并将样本划分成训练集和验证集；/nS2：振动与电流信号特征提取；/n利用小波包变换WPT分别对步骤S1中所述训练集和验证集的振动信号和电流信号作样本分解，得到不同频带的振动子带信号和电流子带信号，并对每一个振动子带信号和电流子带信号进行时域统计特征提取，得到振动信号特征向量和电流信号特征向量；/nS3：振动与电流多视图关联特征学习过程；/n将所述提取到的振动信号特征向量与电流信号特征向量成对输入典型相关分析的CCA网络进...
【技术特征摘要】
1.一种基于多视图关联特征学习的轴承故障诊断方法，其特征在于，其包括如下步骤：
S1：振动与电流信号采集；
同步采集轴承不同状态下的振动信号与电流信号，并将样本划分成训练集和验证集；
S2：振动与电流信号特征提取；
利用小波包变换WPT分别对步骤S1中所述训练集和验证集的振动信号和电流信号作样本分解，得到不同频带的振动子带信号和电流子带信号，并对每一个振动子带信号和电流子带信号进行时域统计特征提取，得到振动信号特征向量和电流信号特征向量；
S3：振动与电流多视图关联特征学习过程；
将所述提取到的振动信号特征向量与电流信号特征向量成对输入典型相关分析的CCA网络进行关联特征学习，通过特征映射变换，得到振动信号与电流信号的关联特征映射，并计算得到振动增强特征向量和电流增强特征向量；所述步骤S3中的振动与电流信号多视图关联特征学习过程将所提取的振动信号与电流信号作为两个不同的视图成对输入到CCA网络中，进行振动与电流两组不同视图特征的映射变换与融合，具体包括以下子步骤：
S31：对于给定的振动与电流两组特征样本Fv与Fc，ωv和ωc分别振动与电流信号的特征映射矩阵，计算特征映射矩阵ωv和ωc使得振动与电流两个视图特征具有最大线性相关性，其优化的目标函数表示如下：
式中，Σvv、Σcc分别表示振动和电流的自协方差矩阵，Σvc为振动与电流的互协方差矩阵，协方差矩阵的每个元素是特征样本各个向量元素之间的协方差,ωv为振动特征映射矩阵，ωc为电流特征映射矩阵；
通过优化上述目标函数，获得使振动与电流特征线性相关性最大化的公共子空间，得到与其中，an表示振动信号第n个特征向量的系数，bn表示电流信号第n个特征向量的系数，n1与n2分别为振动与电流特征样本长度；
S32：根据步骤S31计算得到的特征映射向量，按照特征值的绝对值从大到小排列，选取前M个特征值对应的特征映射向量完成到公共特征空间的映射，计算得到振动增强特征向量和电流增强特征向量其中，Fv∈Rn×m表示Fv是大小为n×m的实数矩阵，是ωv的转置矩阵；
S4：故障分类器离线训练；
将所述得到的振动或电流增强特征向量加上状态标签，通过监督学习的方式来训练支持向量分类器，确定支持向量分类器的最优分类参数；
S5：在线诊断测试过程；
采集未知状态下的轴承在线测试振动或电流信号，将其输入到所述的振动与电流的关联特征映射，获得振动或电流增强特征向量，并输入到训练好的对应的振动或电流故障分类器中输...
【专利技术属性】
技术研发人员：江国乾，贾晨凌，谢平，赵小川，李小俚，李英伟，李陈，崔健，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。