1.一种多工况下轴承的状态监测与故障诊断方法,其特征在于,所述方法包括以下步骤:S100:通过扭矩传感器采集轴承的振动数据,对所述振动数据进行预处理,得到预处理后的振动数据;
S200:对所述预处理后的振动数据采取傅里叶变化和奇异值分解方法进行包括时域、频域、时频域在内的多域特征提取,得到多域特征数据集,将所述多域特征数据集按照预设故障类型和预设划分比例划分为测试集和训练集;
S300:采取核主成分分析法和线性判别分析相结合的方式,对所述多域特征数据集进行特征降维,对降维后的特征利用有监督线性判别分析进行特征融合得到融合后的特征;
S400:将所述融合后的特征输入支持向量机进行训练,并采用十折交叉验证与网格搜索相结合的方式优化参数训练模型,得到最优模型,把融合特征后的测试集输入所述最优模型中,得到轴承的状态与故障检测结果。
2.根据权利要求1所述的方法,其特征在于,S100包括:S110:对所述振动数据采取重叠采样的方法进行数据增强得到增强后的振动数据,样本表示为 ,每个样本长度为 ,总样本个数为 ;
S120:对所述增强后的振动数据用经验模态分解进行信号的去噪处理,得到一系列的固有模态分量函数IMF,采取主成分分析法PCA根据每个IMF的方差贡献率选择保留的IMF个数,得到去噪后的信号 。
3.根据权利要求2所述的方法,其特征在于,S110具体为:其中, 和 分别代表第 个样本和第 个样本,为第 个样本和第 个样本之间的重叠量,为第 个样本到第 个样本之间的偏移量。
4.根据权利要求3所述的方法,其特征在于,S120包括:S121:对所述增强后的振动数据用经验模态分解进行信号的去噪处理,得到一系列的固有模态分量函数 ;
S122:从所述固有模态分量函数中采取主成分分析法PCA计算每个IMF的方差贡献率,对每个IMF的方差贡献率按照从大到小进行排序,保留前预设数量的IMF个数,得到去噪后的信号 。
5.根据权利要求4所述的方法,其特征在于,S121中对信号进行经验模态分解得到IMF,具体为:其中, 为原始信号, 为分解得到的IMF,数量为 , 为分解得到的残差信号;
S122中采用主成分分析法计算每个IMF的方差贡献率,对每个IMF的方差贡献率按照从大到小进行排序,保留前预设数量的IMF个数,具体为:其中,为由经验模态分解得到的原始IMF个数, 为用主成分分析法筛选后得到的IMF个数,为由原始IMF组成的矩阵,维度为 维,矩阵 为由矩阵 去中心化后得到的矩阵,为 的协方差矩阵, 为协方差矩阵的特征值,且 , 为 所对应的特征向量, 为第 个主成分的方差贡献率,为由筛选后得到的IMF组成的矩阵。
6.根据权利要求5所述的方法,其特征在于,S200包括:步骤S210:对所述去噪后的信号进行时域特征提取,包括最大值、最小值、平均值、方差、标准差、中值、偏度和峰度:最大值:
最小值:
平均值:
方差:
标准差:
中值:
偏度:
峰度:
步骤S220:利用傅里叶变换方法进行频域特征提取,包括重心频率、均方频率、均方根频率、频率方差和频域标准差:重心频率:
均方频率:
均方根频率:
频率方差:
频率标准差:
其中, 为频率幅值大小, 为功率谱值;
步骤S230:利用奇异值分解方法进行时频域特征提取,包括功率谱熵、奇异谱熵和时域能量熵:功率谱熵:
奇异谱熵:
其中, 为 阶正交矩阵, 为 阶正交矩阵, 为 的转置, 为半正定的阶的对角矩阵, 对角线上的元素就是奇异值 ;
时域能量熵:
步骤S240:提取多域特征构造多域特征数据集,将所述多域特征数据集按照预设故障种类以及预设划分比例划分为测试集跟训练集。
7.根据权利要求6所述的方法,其特征在于,S300包括:步骤S310:对所述多域特征数据集采取核主成分分析进行初步降维,具体为:其中,为原始多域特征,共 个样本,每个样本 维, 将特征点 引入非线性映射 后的高维特征点, 为映射后特征的均值, 为核函数矩阵, 为核函数矩阵 的特征值,且 , 为 所对应的特征向量, 为累计主元贡献率, 为降维后的特征,维度为 ;
步骤S320:对 类样本的特征集 用有监督线性判别分析进行特征融合,具体为:
其中, 为第 类样本的第 个特征, 为样本类内散度矩阵, 为样本类间散度矩阵, 为最佳投影矩阵;
令 ,由拉格朗日乘法算子可得,最佳投影矩阵等价于:其中, 和 分别为矩阵 的特征值和特征向量,且 ;融合后的特征为 ,融合后特征为 维。
8.根据权利要求7所述的方法,其特征在于,S400包括:步骤S410:将融合得到的 维特征输入支持向量机SVM中进行训练,构建SVM算法:设置输入样本为 ,与其对应的输出样本为 ;
选取核函数 ;
设置约束条件 和 ,求解函数
的最大值,得到最优值 ;
计算 , 的第一分量用于表示最佳偏执 ,得到最优决策平面;
求解决策函数 来确定输入样本 的类型;
步骤S420:采用网格搜索法与十折交叉验证优化所述支持向量机的参数,得到最优模型,将融合特征后的测试集输入所述最优模型得出状态监测与故障检测结果,具体为:给所述支持向量机的参数设置一组候选参数,将参数两两组合组成一个二维网格,遍历网格中所有节点,选出最优解;
随机将训练集切分成10个互不相交、大小相同的子集,用9个子集的数据集训练优化参数后的模型,余下的子集测试模型,重复10次,选出平均测试误差最小的模型作为最优模型,将融合特征后的测试集输入所述最优模型,得到状态监测与故障检测的结果。