[发明专利]基于改进型LSSVM迁移学习的轴承故障诊断方法和系统

说明书

技术领域

本发明属于轴承故障诊断领域，尤其是一种基于改进型LSSVM(Least Squares Support Vector Machine，最小二乘支持向量机)迁移学习的轴承故障诊断方法和系统。

背景技术

轴承作为旋转机械的重要部件之一，在现代工业中应用广泛，对其故障诊断已成为保障安全生产、防止重大事故发生的有效手段。目前轴承故障诊断主要包括数据采集、特征提取以及故障分类等操作步骤。其中，故障分类可用传统机器学习算法实现，其实现有效分类需要训练数据与测试数据分布相同，并且目标诊断数据量充足。

然而实际工业系统中普遍存在的复杂工况环境，往往导致目标诊断数据无法直接获取、训练数据与测试数据分布特性存在一定的差异，这些都会降低传统机器学习故障诊断模型的泛化能力，甚至使得模型不再适用。

当以上问题出现时，大多数传统机器学习算法采用重新标记目标轴承故障样本来解决，但其需要大量实验及专业知识，而且工业环境中外在摩擦力、工况等因素的变化，并不能保证采集到的标记数据和目标轴承故障数据分布一致，并且重新标记目标轴承故障样本还需要额外时间和人力成本。如何在克服传统机器学习算法在轴承故障诊断领域的不足，已成为目前需要解决的问题。

发明内容

发明目的：一个目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断方法，以解决现有技术存在的上述问题。进一步的目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断系统。

技术方案：一种基于改进型LSSVM迁移学习的轴承故障诊断方法，包括如下步骤：

步骤1、利用递归定量分析对目标数据和辅助数据进行处理，提取非线性特征并与传统时域特征相结合，组成特征向量，构成训练集；

步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型：

在LSSVM原优化问题中的目标函数和约束条件中，分别增加辅助集的惩罚函数和约束条件，使LSSVM在迭代学习的过程中，受到辅助集的影响，从而提高其分类精度，构建基于迁移学习的故障诊断模型；

步骤3：将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线性特征并与传统时域特征相结合，组成特征向量，构成测试集，输入到步骤2中已训练好的改进型LSSVM模型中，分析输出结果。

进一步的，所述目标数据为目标工况下目标轴承振动数据，所述辅助数据为变工况下目标轴承振动数据或临近轴承振动数据。

进一步的，所述递归定量分析包括如下步骤：

步骤1a、采用坐标延迟的相空间重构方法进行相空间重构，其中延迟时间和嵌入维数分别由互信息法和虚假临近点法求得；设长度N的轴承振动序列信号{x(1)，x(2)，....，x(N)}对应的重构相空间为：

其中，1≤i≤N-(m-1)τ，X(1)，X(2)，....，X(N-(m-1)τ)为重构相空间向量，τ为由互信息法求得的延迟时间，m为由虚假临近点法求得的嵌入维数，x(i)表示长度N的轴承振动序列信号第i时刻的观察值，x(i+τ)表示长度N的轴承振动序列信号第(i+τ)时刻的观察值，N为轴承振动时间序列的长度；

步骤1b、构建相空间的递归矩阵：

其中：i，j＝1，2，...，N-(m-1)τ；Θ(·)为单位阶跃函数；ε为递归阈值，对于固定递归阈值ε，将空间中任意两个向量X(i)、X(j)代入上述公式，可得到N×N距离矩阵对应的0-1矩阵；

步骤1c、构建递归图：用黑点表示i-j坐标下R_ij＝1的值，构成递归图，以图形形式直观描述时间序列的递归特性；

步骤1d、从递归图点密度和线结构中提取递归率、确定性、递归熵和层流性这四个有效特征参数。

进一步的，所述提取非线性特征并与传统时域特征相结合的步骤如下：

步骤2a、采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和峭度指标；

步骤2b、采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构，并构建递归图，提取递归率、确定性、层流性和递归熵指标，并与步骤2a所提取的四个特征值相结合，归一化后构成8维的特征向量。

进一步的，所述训练数据集为：