System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断的,特别涉及一种基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法。
技术介绍
1、滚动轴承是一种常见的机械组件,通常被用于支撑各类旋转装置,如电机、发动机和风力涡轮机等。它们的基本构造包括内圈、外圈、滚珠以及保持架,通过滚动元素在内外圈之间的运动来减少摩擦和支持旋转。然而,滚动轴承也容易受到各种因素的影响,包括振动、温度、污染物和不适当的润滑,易发生磨损、裂纹、断裂等损伤或故障,造成能量损耗增加、设备寿命降低、影响生产效率和效益等影响。因此,开展滚动轴承状况智能诊断的具有十足的必要性及工程意义。
2、在实际工业应用场景下,滚动轴承通常在正常状态下运行,仅在较短的时间内出现故障状态,这导致所采集的故障数据呈现出不平衡的趋势,给故障诊断带来了严峻挑战。此外,采集到的数据还具有不平衡、非线性、强耦合等多种特点。近年来,支持矩阵机(support matrix machine,smm)由于其出色的泛化性能和矩阵数据全局信息处理能力,已在故障诊断领域得到广泛重视和研究。然而,smm在非均衡数据的故障诊断中,依然存在以下缺陷:(1)需要在建模时提取各监测信号的矩阵特征数据中具有的空间结构关联性,而smm在无法去除矩阵数据中的冗余低秩信息,这易造成关键结构信息淹没于噪声信息中;(2)实际采集到的各类监测信号的数量往往是不平衡的,易造成smm模型的超平面偏移,这将严重影响故障诊断结果的精度。
技术实现思路
1、本专利技术旨在解决现有技术中存在的问题之一。
2、为此,本专利技术提供一种基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法。
3、本专利技术解决其技术问题所采用的技术方案是:
4、一种基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,包括以下步骤,
5、采集滚动轴承在不同健康状态下的振动信号原始数据;
6、将原始数据按照矩阵特征构造方法获取各样本的二维特征矩阵;
7、在低秩矩阵学习模型的基础上,引入稀疏正则化和模糊加权因子构建模糊稀疏增强矩阵机模型;
8、分别从不同健康状况的数据中随机选择不同数量的样本构造不平衡训练样本集,利用训练集建立基于模糊稀疏增强矩阵机的智能诊断模型;
9、利用剩余不同健康状态的数据构造测试集,验证建立的智能诊断模型的可行性并输出结果。
10、进一步地,特征构造方法为辛几何相似变换方法,对原始信号进行降噪和相空间重构。
11、进一步地,在低秩矩阵学习模型的基础上定义模糊稀疏增强矩阵机模型:
12、
13、其中,g∈rm×n表示包含分类超平面的权重矩阵,b表示分类超平面的阈值,τ表示控制低秩程度的低秩系数,λ表示控制拟合度的正则化系数,该模型构造分类超平面f=tr(gtx)+b,‖g‖1为稀疏正则化,si为模糊加权因子,λ1表示低秩系数,λ2表示控制稀疏度的稀疏系数,λ3表示控制拟合度的正则化系数。
14、进一步地,模糊加权因子的计算公式为:
15、
16、其中ir表示通过负类样本数量与正类样本数量的比值,正类样本和负类样本表示不同状态数据的任意两类,具有不同的状态标签;r1表示每个正类样本与正类样本的中心之间的欧几里得距离,r2表示每个负类样本与负类样本的中心间的欧几里德距离,r表示两个类的中心间欧几里得距离,r表示负类样本与正类样本中心之间的最大距离。
17、进一步地,构造分解后的模糊稀疏增强矩阵机模型,由以下公式表示:
18、
19、进一步地,使用huber损失函数表示f(zi),
20、
21、并用梯度下降方法分别计算f(zi)关于g和b的梯度和
22、进一步地,引入辅助变量λ1和λ2建立迭代优化问题,得到第t次λ1和λ2的更新结果,由以下公式表示:
23、
24、
25、其中表示奇异值收缩算子,s(·)表示分量收缩算子。
26、进一步地,构建权重矩阵和阈值对,权重矩阵为阈值为通过对模糊稀疏增强矩阵机模型迭代更新,得到模糊稀疏增强矩阵机模型的最终结果。
27、进一步地,构建决策函数以确定待矩阵数据x的标签由以下公式表示:
28、
29、即tr(gtx)+b>0时,待决策样本的标签为正类,tr(gtx)+b<0时,待决策样本的标签为负类。
30、进一步地,模糊稀疏增强矩阵机模型的低秩系数λ1、稀疏系数λ2以及正则化系数λ3均在候选集u中选取,并采用五折交叉验证实验进行模型参数微调寻优。
31、本专利技术的有益效果在于:
32、(1)不同于过去的向量式特征构建流程,本专利技术采用了辛几何相似变换技术来提取和构建监测振动信号的单分量信号,可以实现故障特征矩阵的生成。采用这种矩阵式特征构建方法,可以有效去除不相关的噪声信息,并充分保留结构信息,从而获得高质量的特征样本。
33、(2)本专利技术提供的模糊稀疏增强矩阵机可以利用矩阵式特征作为直接建模元素,消除了向量式特征易引起维度爆炸和结构信息丢失的问题,显著提升模型的故障诊断性能。
34、(3)本专利技术的模糊稀疏增强矩阵机利用模糊隶属函数构造模糊加权惩罚,在非理想数据情况下,尤其是对于类不平衡数据具有良好的泛化性。
本文档来自技高网...【技术保护点】
1.一种基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,特征构造方法为辛几何相似变换方法,对原始信号进行降噪和相空间重构。
3.根据权利要求1所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,在低秩矩阵学习模型的基础上定义模糊稀疏增强矩阵机模型:
4.根据权利要求3所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,模糊加权因子的计算公式为:
5.根据权利要求4所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,构造分解后的模糊稀疏增强矩阵机模型,由以下公式表示:
6.根据权利要求5所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,使用Huber损失函数表示f(zi),
7.根据权利要求6所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,引入辅助变量Λ1和Λ2建立迭代优化问题,得到第t次Λ1和Λ2
8.根据权利要求7所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,构建权重矩阵和阈值对,权重矩阵为阈值为通过对模糊稀疏增强矩阵机模型迭代更新,得到模糊稀疏增强矩阵机模型的最终结果。
9.根据权利要求3所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,构建决策函数以确定待矩阵数据x的标签由以下公式表示:
10.根据权利要求3所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,模糊稀疏增强矩阵机模型的低秩系数λ1、稀疏系数λ2以及正则化系数λ3均在候选集U中选取,并采用五折交叉验证实验进行模型参数微调寻优。
...【技术特征摘要】
1.一种基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,包括以下步骤,
2.根据权利要求1所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,特征构造方法为辛几何相似变换方法,对原始信号进行降噪和相空间重构。
3.根据权利要求1所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,在低秩矩阵学习模型的基础上定义模糊稀疏增强矩阵机模型:
4.根据权利要求3所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,模糊加权因子的计算公式为:
5.根据权利要求4所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,构造分解后的模糊稀疏增强矩阵机模型,由以下公式表示:
6.根据权利要求5所述的基于模糊稀疏增强矩阵机的滚动轴承不平衡数据诊断方法,其特征在于,使用huber损失函...
【专利技术属性】
技术研发人员:张飞斌,徐海锋,宋雨,杨博淙,孟力,
申请(专利权)人:赛腾机电科技常州有限公司,
类型:发明
国别省市:
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。