基于半监督流形学习的非线性故障检测方法技术

基于半监督流形学习的非线性故障检测方法，属于机电设备故障诊断领域。该方法包括：（1）对监测机电设备进行振动信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的初始样本集；（2）采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；（3）在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。本发明专利技术采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，判断设备运行状态的故障类别，提高了故障检测的针对性和准确性。本发明专利技术可广泛应用于各种机械设备的故障检测和诊断分析中。

【技术实现步骤摘要】

本专利技术涉及一种机电设备故障检测方法，尤其涉及一种机电设备非线性故障检测方法。
技术介绍
故障检测是保障机电设备安全运行的关键技术，是机械故障诊断领域的研究重点之一。随着现代设备结构和功能的日趋复杂，设备运行状态具有较强的非平稳及非线性特征，获取的诊断信息也更加丰富，使得故障检测与诊断过程十分困难和复杂。针对非线性数据分析的需要，一些非线性特征提取方法不断被提出。流形学习是近年来才发展起来的一类新的非线性特征提取方法，它以发现非线性高维数据的内在几何结构与规律性为目标，即从观测的现象中去寻找其本质，揭示嵌入在高维观测数据空间中的低维光滑流形，非常适合于数据分析和维数约简。将其用于高维非线性故障样本的学习，可有效发现数据的内在本质特征，利于下一步故障识别分析。目前已有将流形学习方法应用于踹振监测、冲击故障的特征提取和轴承故障的分类中。但它们都属于无监督的学习方式，没有充分利用已获取的标签样本的类别信息。在实际应用中，更多的是仅有少量有标签样本和大量的无标签样本，如何更有效地利用这些有标签数据成为一个备受关注的问题。半监督流形学习方法可以解决上述问题。它是将半监督学习与流形学习相结合，用大量无标签的样本和少量有标签的样本学习数据与标签之间的对应关系，试图利用数据提供的有效信息来提高学习算法的能力。如果高维数据采样于一个低维流形且样本的标签在流形上具有某种比较好的性质，就可以用大量的无标签样本学习出数据中的内在几何结构，然后利用这种结构和它的标签性质，通过少量的标签样本学习出整个流形上的标签信息。
技术实现思路
针对上述问题，本专利技术的目的是提供一种能实现对机电设备运行状态故障分析的非线性故障检测方法。为实现上述目的，本专利技术采用的技术方案为:一种，其步骤如下:步骤1:对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2:采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的低维本质流形特征；步骤3:在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。所述步骤I中，所述初始特征样本集的构建，通过以下方式实现:(I)采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理；(2)对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下:X'时域特征12个:均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标；:1::频域特征4个:重心频率、均方频率、频率方差、频率标准差；S时频域特征16个:对时域信号进行四层小波包频带分解构成的16个归一化能量特征。(3)由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。所述步骤2中，所述半监督拉普拉斯特征映射算法，通过以下方式实现:(1)对初始样本集X，包括m个有标签样本 X,} I1和u个无标签样本(样本总数B = * + U )，给定低维流形的维数d和邻域参数k。(2)对于每一个样本点X ,利用k近邻构造其邻域图，并计算其相似性矩阵s权利要求1.，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，其特征在于，该方法按以下步骤进行:步骤1:对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2:采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；步骤3:在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。2.根据权利要求1所述的故障检测方法，其特征在于，所述步骤I中的初始样本集通过以下方式实现: (1)采集反映设备运行状态的工艺量时间序列多通道振动信号数据，进行小波降噪预处理； (2)对采集样本进行混合域特征提取，分别提取时域、频域、时频域中各类具有显著类别差异信息的非平稳统计特征，其中特征组成如下: X时域特征12个:均值、平均幅值、均方幅值、峰值、方差、标准差、峭度、偏度、脉冲指标、峰值指标、波形指标、裕度指标； %频域特征4个:重心频率、均方频率、频率方差、频率标准差； I时频域特征16个:对时域信号进行四层小波包频带分解构成的16个归一化能量特征； (3)由提取的32个混合域特征，构成代表设备运行状态原始特征的初始样本集，建立原始特征空间。3.(I)对初始样本集X,包括m个有标签样本{ XiI Zi和u个无标签样本(样本总数》= ^ + )，给定低维流形的维数d和邻域参数k ； (2)对于每一个样本点X,利用k近邻构造其邻域图，并计算其相似性矩阵S:4.根据权利要求1所述的故障检测方法，其特征在于，所述步骤3中的智能诊断模型实现方式如下:在低维流形特征空间中，通过建立基于LS-SVM多分类器的智能诊断模型，将半监督流形学习算法提取的低维流形特征向量作为LS-SVM分类器的输入，以LS-SVM 的输出来确定设备的故障类别 ，实现对设备故障运行状态的模式识别与诊断决策。全文摘要，属于机电设备故障诊断领域。该方法包括(1)对监测机电设备进行振动信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的初始样本集；(2)采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；(3)在低维流形特征空间中建立基于LS-SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。本专利技术采用的半监督流形学习算法，能够有效地提取振动信号样本的非线性几何流形特征，判断设备运行状态的故障类别，提高了故障检测的针对性和准确性。本专利技术可广泛应用于各种机械设备的故障检测和诊断分析中。文档编号G01M99/00GK103234767SQ201310137829公开日2013年8月7日 申请日期2013年4月21日 优先权日2013年4月21日专利技术者蒋全胜, 李华荣, 黄鹏 申请人:蒋全胜本文档来自技高网...

【技术保护点】
基于半监督流形学习的非线性故障检测方法，通过提取设备采集信号数据的非线性几何流形特征，检测设备运行状态的故障类别，其特征在于，该方法按以下步骤进行：步骤1：对监测机电设备进行运行状态信号数据采集与预处理，经过混合域特征提取，获取代表设备运行状态的样本集，构成初始特征空间；步骤2：采用半监督拉普拉斯特征映射算法，对设备样本进行流形特征提取，获取故障敏感的本质流形特征；步骤3：在低维流形特征空间中建立基于LS?SVM的智能诊断模型，实现对设备故障运行状态的模式识别与诊断决策。

【技术特征摘要】

【专利技术属性】
技术研发人员：蒋全胜，李华荣，黄鹏，
申请(专利权)人：蒋全胜，
类型：发明
国别省市：