[发明专利]基于稀疏表示与集成学习的轴承故障分类诊断方法

说明书

技术领域

本发明涉及轴承机械故障诊断，尤其涉及一种基于稀疏表示与集成学习的轴承故障分类诊断方法，属于机械故障诊断和计算机人工智能技术领域。

背景技术

轴承是机械设备中应用最广泛的零部件之一，广泛应用于化工、冶金、电力、航空等各个重要部门，同时它也是最易损坏的元件之一。随着机械设备精密化和复杂化程度增加，对滚动轴承的精度和可靠性要求也越来越高。轴承的损伤，即使是微小的损伤，都有可能影响整个设备正常功能的实现。因此，对滚动轴承故障信息提取、轴承故障诊断，尤其对于早初期故障的分析，避免事故的发生，在生产实际中就显得尤为重要。

目前常用的机械故障特征提取方法主要有时域分析法、频域分析方法、时频域分析方法，而时频域分析方法又包括：快速傅立叶变换(FastFouriertransform，简称FFT)、小波变换和经验模态分解(Empirical modedecomposition，简称EMD)方法等。时域分析法受载荷大小、背景噪声的干扰很大；而频域分析方法频谱有时十分复杂，难以直观识别；FFT方法无法同时兼顾信号在时域和频域中的全貌和局部化问题，小波变换的诊断结果很大程度上取决于小波基的选择，选取的小波基不同，分解的结果也不同。EMD方法能将信号分解为多个IMF(Intrinsic mode function，本征模态函数)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。

信号的稀疏分解是20世纪90年代发展起来的一项新技术，它具有很强的噪声鲁棒性，分类精度较高、更灵活有效的稀疏表示等特点。它主要的核心思想是：通过获得测试样本用训练样本表示的近似稀疏解，得到残差的最小化，进而得到测试样本所属的类别。近些年，稀疏表示的应用也逐渐延伸到机械领域，为机械故障诊断的研究提供了新方法新思路。现有稀疏表示算法在机械领域中的应用主要是故障特征的提取。Haining Liu等在《Adaptive feature extraction using sparse coding for machinery fault diagnosis》中提出用小波函数表示每一类的故障信号，通过稀疏表示重构原信号，进而提取出故障特征实现故障的正确分类。欧伟光等在《基于过完备字典的基追踪法在轴承故障诊断中的应用》中提出通过构建一个对复合信号敏感的过完备字典，利用基追踪法对故障信号进行最优化的稀疏表示，获得简洁的故障冲击时频特征结构，实现故障的分类。H.Yang等在《Fault diagnosis of rolling element bearings using basis pursuit,Mechanical Systems and Signal Processing》中提出用小波包字典和匹配追踪算法提取轴承故障的时频特征，实现故障的分类。但是这些方法均是通过取FFT谱或包络谱的方法，计算所得的故障频率和求取频谱图进行分析，判断故障类型。但是在大多数情况下，谱分析法需要人工判断，所得频谱有时十分复杂，难以直观识别，需要分析者具有丰富的分析经验。

总之，现有机械故障诊断手段都存在一定的缺陷，采用现有的机械故障诊断手段都难以对轴承故障进行较为准确的识别和诊断。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提出一种基于稀疏表示与集成学习的轴承故障分类诊断方法，本方法能够提高滚动轴承故障诊断的准确性和有效性。

本发明的技术方案是这样实现的：

基于稀疏表示与集成学习的轴承故障分类诊断方法，步骤如下：

1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号作为训练样本；四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转；

2)从训练样本中选取出m个训练样本构成m组训练数据，并给每组训练数据统一赋予权重1/m，建立弱分类器—图正则化稀疏表示模型；

3)对图正则化稀疏表示进行T次迭代运算，每次迭代运算后都根据弱分类器的分类结果重新更新每组训练数据的权重；对于出现训练样本分类失败的情况，则对此类训练样本赋予较大权重，以在后面的迭代运算中更加注意这些训练样本；