【技术实现步骤摘要】
本专利技术涉及一种基于组稀疏学习算法与随机森林的轴承故障诊断方法，属于轴承故障诊断。
技术介绍
1、随着工业自动化程度的不断提高，轴承在各种机械设备中广泛应用。然而，由于长期运行和外部因素的影响，轴承可能会发生故障，导致设备性能下降甚至损坏。因此，及时、准确地诊断轴承故障对于维护工业设备的正常运行至关重要。然而，振动信号受到多种干扰因素影响，如速度波动、滚动体滑动、传感器测量方向上的载荷分布，以及冲击力的周期性变化，导致信号呈非平稳状态，并伴随强背景噪声。这些问题导致了轴承故障诊断的准确性和效率相对较低，限制了设备运行的稳定性和可靠性。
2、传统的信号处理方法如傅里叶变换、小波变换、时频分析和包络分析等在处理这种复杂非平稳振动信号时存在局限。模态分析需要准确的边界条件和传感器布置，不适用于所有振动系统。同时，如hilbert-huang变换、奇异谱分析和最大相关峰度反卷积等方法在处理大数据量时计算复杂、耗时大。为了克服以上问题并从干扰中提取出周期性脉冲，本方法引入组稀疏学习算法。该算法基于信号中的组稀疏性假设，能够有效分离故障信号，将非零元素分组提取，从而消除冗余信息，更准确地捕捉数据特征。能够更有效地处理复杂非平稳振动信号，提高信号处理的精度和效率。
3、此外，尽管深度学习在故障诊断领域取得进展，但其“黑盒性”限制了实际应用。为克服此问题，学术界转向更具可解释性的算法。其中，随机森林以其可解释性、抗过拟合能力、适应不平衡数据特性和特征评估优势备受关注。
4、因此，当前的轴承故障诊断方法存在诊
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于组稀疏学习算法与随机森林的轴承故障诊断方法，该基于组稀疏学习算法与随机森林的轴承故障诊断方法能够高效过滤噪声、提取多维特征，实现轴承故障信号的准确分类和分级诊断，同时保持高可解释性和透明度。有效解决目前轴承故障诊断方法的诊断精度不高、准确分离故障信号困难、可解释性差的问题。
2、本专利技术通过以下技术方案得以实现。
3、本专利技术提供的一种基于组稀疏学习算法与随机森林的轴承故障诊断方法，包括以下步骤：
4、s1、用加速度传感器采集轴承振动信号并根据采集时的轴承状态对轴承振动信号添加标签；
5、s2、用组稀疏学习算法对轴承振动信号进行重构；
6、s3、对重构信号提取时域、频域和信息熵特征，并以此构建特征集；
7、s4、用随机森林模型进行训练后，对轴承振动信号进行分类识别。
8、所述步骤s1中，加速度传感器连接到具有磁性基底的壳体上，并放置于电机驱动端位置进行采集。
9、所述步骤s2具体包括以下步骤：
10、s2.1、对轴承振动信号附加在一定的时间间隔内呈周期性的组稀疏性假设故障脉冲信号；
11、s2.2、对故障脉冲信号附加零均值高斯分布假设权重；
12、s2.3、采用变分贝叶斯推理算法近似故障脉冲信号的后验分布；
13、s2.4、通过交替更新算法对后验分布进行迭代。
14、所述步骤s2.2中，还通过gamma先验约束故障脉冲信号的稀疏性。
15、所述步骤s2.4中，迭代计算后验分布的kl散度值。
16、所述时域特征包括最大值、最小值、平均值、峰-峰值、整流平均值、有效值、方差、标准差、峭度、均方根、偏度、波形因子、峰值因子、裕度因子、脉冲因子。
17、所述频域包括重心频率、均方频率、频率方差、频带能量。
18、所述步骤s3中，信息熵包括排列熵和模糊熵。
19、所述排列熵采用如下步骤提取：
20、s3.1.1、将重构信号嵌入m维度进行向量化，得到m维向量；
21、s3.1.2、将每个m维向量的元素进行全排列，得到所有可能排列；
22、s3.1.3、以如下方式使用排列的概率分布计算排列熵，
23、
24、式中，pi为每一种排序出现的概率值。
25、所述模糊熵采用如下步骤提取：
26、s3.2.1、将重构信号嵌入m维度进行向量化，得到m维向量；
27、s3.2.2、计算每对m维向量之间的相似度；
28、s3.2.3、适用相似度计算每个m维向量的模糊度；
29、s3.2.4、以如下方式根据模糊度和模糊度的概率计算模糊熵，
30、f21＝lnφm(n,r)-lnφm+1(n,r)，
31、式中，φm(n,r)表示平均相似度，n和r为边界的梯度和宽度。
32、本专利技术的有益效果在于：通过组稀疏学习算法对对轴承振动信号进行重构，以有效降低噪声水平，并更精确地描述故障脉冲；随后，对重构后的信号进行时域、频域和信息熵特征的提取，构建特征集以全面分析振动信号的特性。最后随机森林模型对轴承振动信号进行分类识别。
本文档来自技高网...【技术保护点】
1.一种基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤S1中，加速度传感器连接到具有磁性基底的壳体上，并放置于电机驱动端位置进行采集。
3.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤S2具体包括以下步骤：
4.如权利要求3所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤S2.2中，还通过Gamma先验约束故障脉冲信号的稀疏性。
5.如权利要求3所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤S2.4中，迭代计算后验分布的KL散度值。
6.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述时域特征包括最大值、最小值、平均值、峰-峰值、整流平均值、有效值、方差、标准差、峭度、均方根、偏度、波形因子、峰值因子、裕度因子、脉冲因子。
7.如权利要求1所述的基于组稀疏学习算法
8.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤S3中，信息熵包括排列熵和模糊熵。
9.如权利要求8所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述排列熵采用如下步骤提取：
10.如权利要求8所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述模糊熵采用如下步骤提取：
...【技术特征摘要】
1.一种基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤s1中，加速度传感器连接到具有磁性基底的壳体上，并放置于电机驱动端位置进行采集。
3.如权利要求1所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤s2具体包括以下步骤：
4.如权利要求3所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤s2.2中，还通过gamma先验约束故障脉冲信号的稀疏性。
5.如权利要求3所述的基于组稀疏学习算法与随机森林的轴承故障诊断方法，其特征在于，所述步骤s2.4中，迭代计算后验分布的kl散度值。
6.如权利要求1所述的基...
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。