一种基于小波变换与混合学习的轴承故障检测方法技术

本发明专利技术涉及轴承故障检测领域，具体公开了一种基于小波变换与混合学习的轴承故障检测方法，方法包括：对轴承故障信号数据作预处理，根据轴承故障原理，对预处理后的数据进行小波变换，对得到的细节分量与近似分量分别计算分量能量并归一化，得到六维特征集合，再将＝特征集合随机划分训练集与测试集，分别输入支持向量机分类器分类，将分类结果分别添加到训练集和测试集的特征空间中，投入高斯朴素贝叶斯分类器进行训练，再将分类结果分别添加到训练集和测试集的特征空间中，投入随机森林分类器进行训练，得到最终的分类结果。本发明专利技术通过对原始振动信号分析处理，提取小波变换特征，再用多机器学习方法融合分类，能有效地对轴承故障进行诊断。障进行诊断。障进行诊断。

【技术实现步骤摘要】
一种基于小波变换与混合学习的轴承故障检测方法


[0001]本专利技术涉及轴承故障检测领域，具体涉及一种基于小波变换与混合学习的轴承故障检测方法。

技术介绍

[0002]在科技高速发展的时代背景下，工程机械的重要性也越来越大，在人们生产生活的各个领域都有所应用。而轴承是机械设备中的重要零部件，主要功能有支撑机械旋转体，降低运动过程中的摩擦系数，抑制轴旋转时产生的摩擦、减少能耗与发热，防止零件损坏等，在机械设备当中起到关键作用。据Grand View Research，2020年全球轴承市场规模达1187亿美元，并有望保持8.5％的复合增速至2028年。2020年，中国轴承行业营业收入达到1,930亿元，占全球规模的25％。而轴承作为工程机械内部最常用的零件之一，往往故障频发，于是发展有效的设备状态监测和故障诊断技术成为当今设备管理和维修的迫切需求。若能准确及时识别运行过程中萌生和演变的故障，对机械系统安全运行、避免重大经济损失及灾难性事故发生有重大意义。
[0003]然而，现有轴承故障检测方法存在一定缺陷。首先，传统的轴承故障检测方法往往难以准确地确定故障的类型和位置。其次，传统方法往往无法有效地处理原始信号中的噪声和无用信息，导致特征提取的效果不佳。此外，由于特征提取的方法不够灵敏，往往无法捕捉到振动信号的敏感特征，从而影响了分类器的准确性。最后，传统的轴承故障检测方法通常只使用单一的机器学习算法进行分类，无法充分利用各种算法的优势，导致分类效果有限。因此，本专利技术提出了一种基于小波变换与混合学习的轴承故障检测方法，该方法通过对振动信号进行小波变换来提取特征，并使用复合机器学习方法实现高效准确的分类。该技术克服了传统轴承故障检测方法存在的上述缺陷，并具有广泛的应用前景。

技术实现思路

[0004]为了弥补现有技术的不足，本专利技术提供一种基于小波变换与混合学习的轴承故障检测方法技术方案。
[0005]本专利技术的目的在于提供一种能够高效、准确地检测轴承故障的方法。该方法利用小波变换对轴承振动信号进行特征提取，利用支持向量机、高斯朴素贝叶斯算法、随机森林等机器学习算法进行分类诊断。
[0006]一种基于小波变换与混合学习的轴承故障检测方法，包括：
[0007]步骤S1，对轴承故障信号数据作预处理，达到去噪、筛选有用数据的效果；
[0008]步骤S2，根据轴承故障原理，对预处理后的轴承故障信号数据进行小波变换，对得到的细节分量与近似分量分别计算分量能量并归一化，得到六维特征集合；
[0009]步骤S3，将六维特征集合随机划分为训练集与测试集，将训练集和测试集分别输入支持向量机分类器分类，将分类结果分别添加到训练集和测试集的特征空间中；
[0010]步骤S4，将步骤S3得到的训练集输入高斯朴素贝叶斯分类器训练，再将S3得到的
测试集输入高斯朴素贝叶斯分类器分类，将分类结果分别添加到步骤3划分得到训练集和测试集的特征空间中；
[0011]步骤S5，将步骤S4中经高斯朴素贝叶斯分类器训练后得到的训练集输入随机森林分类器进行训练，再将步骤S4中经高斯朴素贝叶斯分类器训练后得到的测试集输入随机森林分类器分类，得到测试集样本的最终分类结果。
[0012]进一步地，所述步骤S1采用人工筛选无效数据，进行低通滤波，并将数据分为4096点一段的多段切片。
[0013]进一步地，所述步骤S2的小波变换使用db8小波基并且计算六个分量的归一化能量。
[0014]进一步地，所述步骤S2中采用小波变换的方式对预处理后的数据进行特征提取的过程如下：
[0015]步骤S21，对轴承故障信号数据的原始信号进行离散小波变换(DWT)，包括：
[0016]步骤S211，假设原始信号为x[n]，采用的db8小波对应的低通滤波器为g[n]，高通滤波器为h[n]，则第一层DWT结果为：
[0017][0018][0019]其中，x
1，L
称第一层的近似分量，x
1，H
称第一层的细节分量，K为滤波器长度；由于db系列小波较难用解析表示，g[n]，h[n]由python的pywt库给出；
[0020]步骤S212，对第α
‑
1层的近似分量再作DWT得到：
[0021][0022][0023]步骤S213，连续做5次DWT，得到前五层的细节分量x
α，H
(α＝1，2，3，4，5)以及第五层的近似分量x
5，L
；
[0024]步骤S22，然后对各细节分量求取能量，得到的归一化能量作为该段轴承故障信号数据的特征。
[0025]进一步地，所述步骤S22包括：
[0026]步骤S221，求取各细节分量的能量C
α
(α＝1，2，3，4，5)以及第五层近似分量的能量A，其中N为信号长度：
[0027][0028][0029]步骤S222，将各分量的能量归一化得C
′
α
(α＝1，2，3，4，5)和A
′
：
[0030][0031][0032]得到的六个归一化能量作为该段轴承故障信号数据的特征，用于后续的学习分类任务。
[0033]进一步地，所述步骤S3中采用支持向量机分类器对训练集和测试集进行分类，并将分类结果分别添加到训练集和测试集的过程如下：
[0034]步骤S31，支持向量的求解是指求解形如y＝wx+b的最大分隔超平面，其中w，b为待求解的参数，x为特征向量，y为样本类别，对于二分类问题可用
‑
1，1表示，可以转化成如下的数学规划问题：
[0035][0036][0037]其中x
i
为特征向量，y
i
为样本所属类别，对于二分类问题可以用
‑
1，1表示，n为样本个数，λ
i
，λ
j
为拉格朗日乘子，为求解问题的中间变量，s.t.意为“满足”，即引出后面参变量应满足的条件，λ指所有拉格朗日乘子组成的向量；
[0038]若引入软间隔来表示错误分类的严重程度，则待求解的问题为：
[0039][0040]s.t.g
i
(w，b)＝1
‑
y
i
(w
T
x
i
+b)
‑
ξ
i
≤0，ξ
i
≥0，i＝1，2，
…
，n
[0041]其中C为惩罚系数，ξ
i
为用来度量软间隔的松弛变量，w
T
表示向量w的转置由拉格朗日法解决上述规划问题的对偶问题，可以构造拉格朗日函数如下：
[0042][0043]s.t.λ
i
≥0μ
i
≥0
[0044]其中λ
i
和μ
i
是拉格朗日乘子，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，包括：步骤S1，对轴承故障信号数据作预处理，达到去噪、筛选有用数据的效果；步骤S2，根据轴承故障原理，对预处理后的轴承故障信号数据进行小波变换，对得到的细节分量与近似分量分别计算分量能量并归一化，得到六维特征集合；步骤S3，将六维特征集合随机划分为训练集与测试集，将训练集和测试集分别输入支持向量机分类器分类，将分类结果分别添加到训练集和测试集的特征空间中；步骤S4，将步骤S3得到的训练集输入高斯朴素贝叶斯分类器训练，再将S3得到的测试集输入高斯朴素贝叶斯分类器分类，将分类结果分别添加到步骤3划分得到训练集和测试集的特征空间中；步骤S5，将步骤S4中经高斯朴素贝叶斯分类器训练后得到的训练集输入随机森林分类器进行训练，再将步骤S4中经高斯朴素贝叶斯分类器训练后得到的测试集输入随机森林分类器分类，得到测试集样本的最终分类结果。2.根据权利要求1所述的一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，所述步骤S1采用人工筛选无效数据，进行低通滤波，并将数据分为4096点一段的多段切片。3.根据权利要求1所述的一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，所述步骤S2的小波变换使用db8小波基并且计算六个分量的归一化能量。4.根据权利要求3所述的一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，所述步骤S2中采用小波变换的方式对预处理后的数据进行特征提取的过程如下：步骤S21，对轴承故障信号数据的原始信号进行离散小波变换(DWT)，包括：步骤S211，假设原始信号为x[n]，采用的db8小波对应的低通滤波器为g[n]，高通滤波器为h[n]，则第一层DWT结果为：器为h[n]，则第一层DWT结果为：其中，x1，L称第一层的近似分量，x1，H称第一层的细节分量，K为滤波器长度；g[n]，h[n]由python的pywt库给出；步骤S212，对第α
‑
1层的近似分量再作DWT得到：1层的近似分量再作DWT得到：步骤S213，连续做5次DWT，得到前五层的细节分量x
α，H
(α＝1，2，3，4，5)以及第五层的近似分量x
5，L
；步骤S22，然后对各细节分量求取能量，得到的归一化能量作为该段轴承故障信号数据
的特征。5.根据权利要求4所述的一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，所述步骤S22包括：步骤S221，求取各细节分量的能量C
α
(α＝1，2，3，4，5)以及第五层近似分量的能量A，其中N为信号长度：中N为信号长度：步骤S222，将各分量的能量归一化得C
′
α
(α＝1，2，3，4，5)和A
′
：：得到的六个归一化能量作为该段轴承故障信号数据的特征，用于后续的学习分类任务。6.根据权利要求1所述的一种基于小波变换与混合学习的轴承故障检测方法，其特征在于，所述步骤S3中采用支持向量机分类器对训练集和测试集进行分类，并将分类结果分别添加到训练集和测试集的过程如下：步骤S31，支持向量的求解是指求解形如y＝wx+b的最大分隔超平面，其中w,b为待求解的参数，x为特征向量，y为样本类别，对于二分类问题可用
‑
1，1表示，可以转化成如下的数学规划问题：学规划问题：其中x
i
为特征向量，y
i
为样本所属类别，对于二分类问题可以用
‑
1，1表示，n为样本个数，λ
i
,λ
j
为拉格朗日乘子，为求解问题的中间变量，s.t.意为“满足”，即引出后面参变量应满足的条件，λ指所有拉格朗日乘子组成的向量；若引入软间隔来表示错误分类的严重程度，则待求解的问题为：s.t.g
i
(w，b)＝1
‑
y
i
(w
T
x
i
+b)
‑
ξ
i
≤0，ξ
i
≥0，i＝1，2，...，n其中C为惩罚系数，ξ
i...

【专利技术属性】
技术研发人员：倪跃城，颜明，欧阳毅曦，迟峰，徐守军，杨秦敏，杨田苓，曹伟伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：