1.一种基于最大局部边界准则的轴承故障诊断方法,包括:其特征在于,包括:步骤1:原始特征集提取,采用双树复小波包变换对轴承振动信号分析,构建原始特征集;
步骤2:敏感特征提取,采用基于K最近邻分类算法的敏感特征选取方法FSKNN,分析步骤1原始特征集中每一种特征对故障状态的敏感度,来筛选故障状态敏感度高的统计特征,构建敏感特征集;
步骤3:特征降维,采用改进的MMC算法即特征降维方法MLMC,利用提出的MLMC处理敏感特征集,对步骤2得到的敏感特征集进行降维,输出低维特征集;
步骤4:故障模式识别,构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM完成轴承故障状态识别,其中OFS代表获取原始数据集的过程,FSKNN为敏感特征选取方法,MLMC为最大局部边界准则,SVM为支持向量机。
2.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于:在步骤1中,原始特征集构建,具体如下:将采集到振动信号分为训练阶段样本数据和测试阶段样本数据,训练阶段样本代表已有数据,用于训练模型;测试阶段样本代表未知数据,用于测试模型的故障诊断准确率。
3.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于:在步骤2中,利用敏感特征选取方法FSKNN完成敏感特征集的构建,具体如下:设在原始数据集中,有M种轴承故障类型,每种故障类型有N个振动信号样本,每种振动1
信号样本有K种统计特征,经过EMD分析获得故障训练阶段数据样本的原始特征集[CS ,
2 K k
CS ,...,CS],其中CS为所有样本的第k种特征集合,可表示为:其中, 表示第i个故障类型的第j个样本的第k个统计特征。
4.根据权利要求3所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于:
1 2 K
步骤2.1:利用KNN分类器分别对CS ,CS ,...,CS 进行分类,这里将分类结果记为,knn_r={knn_r(1),knn_r(2),…,knn_r(K)};
k
步骤2.2:计算相同轴承状态样本信号的第k种特征的标准差,即矩阵CS的行元素的标准差,其中:
计算各轴承状态下样本信号第k种统计特征的标准差 的和SSTD,即SSTD={SSTD(1),SSTD(2),…,SSTD(K)}用于表征每一种特征的离散程度;
步骤2.3:获得knn_std序列,其定义为knn_r(k)和SSTD(k)的比值,对knn_std进行降序排列,选取knn_std(k)值高的统计特征构建敏感特征集,根据knn_std选取敏感度较高的v个特征值。
5.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于:在步骤3中,利用MLMC方法构建特征空间映射矩阵W,得到敏感特征集的低维表达,具体如下:
通过步骤2得到的训练阶段数据敏感特征集,利用MLMC方法对训练阶段的敏感特征集进行分析,获取能够保留敏感特征集局部流行结构和类别信息的低维特征表达,并得到从敏感特征样本到低维特征向量的空间映射的矩阵W(v*h维);将训练和测试阶段数据的敏感特征集中的每一个特征样本(v维)和W矩阵相乘后,得到映射后的h维的低维特征向量(h<=v)。
6.根据权利要求5所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于:通过MLMC降维方法计算W的具体步骤包含:步骤3.1,(1)输入训练阶段的敏感特征集X,X中每一个样本xi是v维,输入降维目标维数h,
v
假设输入数据集为X={x1,x2,…,xN}∈R ,并且li∈L={C1,C2,C3,…,Cc}是相关的类别标签集,xi(i=1,2,3,…,N)是v维样本,N是样本数,c是类别总数。以最小化类内距离度量,最大化类间距离度量为目标来求解映射矩阵W步骤3.2,最大化Sb‑Sw的轨迹,J=max tr(Sb‑Sw) (2)其中,Sb为X的类间散度矩阵,Sw为X的类内散度矩阵;
与 的定义分别为:
式(3)与(4)中 与 为权值矩阵,其定义分别为:式(3)与(4)中 和 为对角矩阵, 矩阵的第i个对角线元素 是 的第i行元素之和, 矩阵的第i个对角线元素 是 的第i行元素之和, 与 为权值矩阵,Aij的定义为:
式中, 为xi的第k个近邻点
步骤3.3,求解映射矩阵W,W可以完成高维数据x(v维)映射到低维表示y(h维),高维x映射到低维表示y可表示为:
T
y=Wx (8)v×h h
式中,W称为映射矩阵,W满足条件W∈R ,y满足条件y∈R (h≤v),低维空间的类间散度矩阵 和类内样本散度矩阵 为:优化目标可以用映射矩阵W和低维空间的类间散度矩阵 和类内样本散度矩阵 表示:
W=[w1,w2,w3,…,wh]中 则约束优化:步骤3.4特征值的求解进行等价转化:(Sb‑Sw)wk=λkwk,k=1,2,…,h (12)式(13)可以用wk和Sb‑Sw的特征值λk表示:步骤3.4,输出高维特征集的低维映射与映射矩阵W;
步骤3.5,这里将训练和测试阶段数据的敏感特征集中的每一个特征样本(v维)和W矩阵相乘后,得到映射后的h维特征向量(h<=v)。
7.根据权利要求1所述的一种基于最大局部边界准则的滚动轴承故障诊断方法,其特征在于,在步骤4中,轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM构建,具体如下:将步骤2得到的训练和测试阶段数据的敏感特征集中的每一个样本v维与步骤3得到的映射矩阵W相乘,得到低维特征集即每一个样本是h维,训练阶段,利用训练阶段样本数据的低维特征集作为模式识别分类器的输入,训练轴承故障诊断模型,测试阶段,则直接使用训练好的模型,实现对测试样本的故障诊断。