一种高准确率的滚动轴承智能故障特征选择方法技术

本发明专利技术公开了一种高准确率的滚动轴承智能故障特征选择方法，包括以下步骤：对轴承典型故障的振动信号样本提取高维特征，进行归一化操作后得到初始特征集；进行特征预选，计算出各个特征的综合权重，并进行降序排列，设置阈值，将小于阈值的特征剔除，初步构建敏感特征子集；采用佳点集初始化策略、收敛因子非线性调整策略、高斯变异策略对传统灰狼优化算法进行改进；建立适应度函数，利用改进的灰狼优化算法完成最佳特征子集的搜索并同步优化SVM分类器的参数；利用最优特征子集与最佳参数组合对SVM分类器进行训练与测试，实现高准确率的滚动轴承故障诊断。本发明专利技术显著提高了分类器模型的诊断准确率，有效实现了故障数据集的特征降维。征降维。征降维。

【技术实现步骤摘要】
一种高准确率的滚动轴承智能故障特征选择方法


[0001]本专利技术涉及振动信号智能故障诊断
，具体涉及一种高准确率的滚动轴承智能故障特征选择方法。

技术介绍

[0002]滚动轴承作为旋转机械设备中的关键部件，其任何部分的缺陷都可能导致整机运行状况的恶化，严重时甚至会造成重大的经济损失与人员伤亡。因此，对轴承进行高效、精确的状态评估与故障检测至关重要。
[0003]近年来，基于数据驱动的智能诊断方法得到了蓬勃发展。在这些方法中，选择最能反映轴承状态的特征，构建有效的诊断模型是提高故障识别性能的两个重要方面。在实际工程应用中，为了确保最终的识别效果，常常采用多域特征提取的方式将尽可能多的特征输入到诊断模型中。然而，此类方法不仅会带来严重的特征冗余问题，降低模型的运算效率，还可能会导致模型识别性能退化，增加诊断错误率。因此,采用合理的故障特征提取方法，通过有效的特征选择算法寻找最优特征子集是实现滚动轴承故障高诊断准确率的关键步骤。
[0004]ReliefF算法与拉普拉斯分值是两种典型的Filter模式的特征选择方法，单一Fil本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高准确率的滚动轴承智能故障特征选择方法，其特征在于：包括以下步骤：(1)利用基于Hilbert
‑
Huang变换的方法对轴承典型故障的振动信号样本提取高维特征，进行归一化操作后得到初始特征集；(2)利用ReliefF与拉普拉斯分值的混合算法进行特征预选，计算出各个特征的综合权重，并进行降序排列，设置阈值，将小于阈值的特征剔除，初步构建敏感特征子集；(3)采用佳点集初始化策略、收敛因子非线性调整策略、高斯变异策略对传统灰狼优化算法进行改进；(4)建立适应度函数，利用改进的灰狼优化算法完成最佳特征子集的搜索并同步优化SVM分类器的参数；(5)利用最优特征子集与最佳参数组合对SVM分类器进行训练与测试，实现高准确率的滚动轴承故障诊断。2.根据权利要求1所述的高准确率的滚动轴承智能故障特征选择方法，其特征在于：所述步骤(1)中，在时域上，通过计算出Hilbert时频谱矩阵每一列的最大值、平均值、均方误差、均方根值和能量，得到5条特征曲线；随后分别计算这5条特征曲线的最大值、平均值、均方误差、均方根值和标准偏差，共计提取25个统计特征；在频域上，同理，得到25个统计特征。3.根据权利要求1所述的高准确率的滚动轴承智能故障特征选择方法，其特征在于：所述步骤(2)通过以下公式实现：述步骤(2)通过以下公式实现：式(1)中，W表示各个特征的ReliefF权值向量，f
i
表示需要评价的某一特征，i为特征序号，R表示随机样本集，class(R)表示该样本集合所属类别，H
j
表示该样本集合的同类近邻样本，M
j
表示该样本集合的异类近邻样本，j为样本序号，m表示迭代次数，k表示近邻样本个数，diff表示样本之间的距离，c为与样本R不同的类总数，P(c)为第c类的概率；式(2)中，L
r
表示各个特征的拉普拉斯分值，r为特征序号，x表示数据集样本构成的节点，α、β表示节点序号，n表示节点总数，S
αβ
表示数据样本的加权矩阵，D
αα
表示对角矩阵，f
r
表示整个数据集第r维特征的均值；分别对两组权重值做标准化处理，使其均值为0，标准差为1，则得到特征评价的综合权重CW
r
＝W
r
‑
L
r
，W
r
、L
r
分别表示标准化之后的特征权值，CW

【专利技术属性】
技术研发人员：李舜酩，侯钰哲，陆建涛，龚思琪，崔荣庆，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：