[发明专利]一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法

说明书

技术领域

本发明涉及一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，它是一种用AdaBoost算法级联t个RBFNN，并用PSO对每个RBFNN的权值进行全局优化的方法，属于旋转机械故障诊断领域。

背景技术

滚动轴承广泛应用于工业、航空航天等领域中的各种旋转机械设备中，其运行状态是否健康往往直接影响到整台设备的性能。滚动轴承的寿命离散性大，同一批生产的轴承其寿命可能相差很大，因而对滚动轴承不适合采用定期检查更换的方法，另一方面，滚动轴承的故障发生率高，一旦发生故障，就有可能带来不可估量的经济损失，甚至造成机毁人亡的惨剧发生，因而对滚动轴承进行状态监测及故障诊断一直受到广泛的重视，具有十分重要的研究意义与实际应用价值。

近年来，随着故障诊断技术的不断发展，滚动轴承的故障诊断方法也越来越多，主要包括：基于故障机理的方法、基于信号处理的方法以及基于人工智能的方法等。由于滚动轴承的故障机理十分复杂，难以准确的建立其故障模型，因此，基于故障机理的方法在实际中应用较少。基于信号处理的方法易受噪声干扰，适用性较差，通常与其他智能故障诊断算法配合使用。基于人工智能的方法，是一种基于知识模型的信息处理技术，集信号处理、机器学习与模式识别于一体，克服了单一方法的不足，在故障诊断领域应用中具有较大优势，是未来发展的趋势。因而，本发明考虑采用径向基函数神经网络这种分类性能优秀的分类器进行故障诊断。为了克服普通方法中单一神经网络诊断算法的不足，提高故障诊断的准确性，本发明考虑采用多分类器集成方法，即采用AdaBoost算法级联t个RBFNN进行集成；为了提高集成分类器的性能，考虑用PSO算法对每个RBFNN的权值进行优化，使得分类器性能达到最优或接近最优，可以明显提高滚动轴承故障诊断的正确率。

发明内容

本发明提出了基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，将该方法应用于滚动轴承故障诊断领域，用AdaBoost算法级联t个RBFNN，用PSO对每个RBFNN进行权值优化，使得分类器的综合性能表现最优或接近最优，明显提高滚动轴承故障诊断的正确率。

本发明为实现上述目的，采用如下技术方案：

一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法，包括如下步骤：

步骤1：对待测滚动轴承进行分析，确定滚动轴承的故障类型、数目以及所需测量信号；

步骤2：数据采集和故障特征提取。用振动传感器分别采集轴承正常、内圈故障、外圈故障以及滚动体故障时的样本数据，导入计算机中，对振动信号进行傅里叶变换，提取能够反映各种故障模式的频域故障特征，形成故障特征样本集，并将样本集分为训练样本集和测试样本集；

步骤3：输入样本数据并进行初始化。从上述步骤2中得到的故障特征样本空间中选择m组样本数据作为训练样本，初始化第t次循环中第j个样本的权值为：D_t(j)＝1/m。其中，j＝1，2，...，m，t＝1，2，...，T，t为迭代次数(即分类器的个数)，T为最大的迭代次数。

步骤4：RBFNN弱分类器训练。RBFNN通常是一种两层前向网络，隐层中的基函数使用径向基函数，它对输入激励产生一个局部化的响应，即仅当输入落在输入空间中的一个很小的指定区域中时，隐层单元才作出有意义的非零响应。输出层的输出为各隐层单元的输出加权和。输入到隐层单元的权值固定为1，隐层单元到输出单元之间的权值可调。

本发明选取的RBF径向基函数为高斯函数，其具体公式为：