[发明专利]一种基于增量学习的轴承故障诊断方法

权利要求书

1.一种基于增量学习的轴承故障诊断方法，其特征在于，包括以下步骤：

(1)、轴承振动信号采集

使用振动数据采集仪采集轴承单一故障模式下的振动信号，得到轴承在每一类故障模式下的故障数据d_k，其中，k表示故障模式编号；

(2)、振动信号特征提取

首先对故障数据d_k进行分割，得到N个数据段，然后提取每个数据段的特征，并将每个数据段的特征信息作为一个训练样本s_{k_n}，n＝1,2,…,N，最后，将所有的训练样本进行归一化处理，所有归一化后的训练样本构成的集合为S_k；

(3)、利用样本集合S_k训练支持向量数据描述即SVDD模型，训练SVDD模型等效于求解公式(1)，求解结束后得到一系列模型参数值α_{k_n}，n＝1,2,…,N，即其数目等于训练样本个数N并且一一对应；

其中，κ为给定的核函数，x_{k_i}、x_{k_j}分别为第i、j个训练样本，C是给定的惩罚参数；

(4)、SVDD模型为一个超球体，根据公式(2)计算每个训练样本x_{k_n}到第k类超球体中心的距离d_{k_n}：

(5)、根据距离d_{k_n}，n＝1,2,…,N，利用核密度估计方法估计距离的概率密度，并进一步转换得到距离的累积概率分布F_k(d)，其中，d表示距离；

(6)、当轴承出现新的故障模式时，重复步骤(1)～(5)，得到一个新的累积概率分布，这样故障模式有K个，即有K个累积概率分布F_k(d)，k＝1,2,…,K；

(7)、轴承的故障诊断过程包含以下步骤：

7.1)、按照步骤(1)和步骤(2)的方法，获取轴承测试样本y；

7.2)、按照步骤(4)的方法，根据公式(3)计算测试样本y距第k类故障模式分类超球体中心的距离d_{k_y}：

7.3)、将距离d_{k_y}作为距离代入第k个累积概率分布F_k(d)中，按照公式(4)计算测试样本属于第k类故障模式的概率P_k：

P_k＝1-F_k(d_{k_y})，k＝1,2,…,K (4)

7.4)、在K个概率P_k，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式。

2.根据权利要求1所述的轴承故障诊断方法，其特征在于，振动数据采集仪采用三个加速度传感器对振动信号进行采集，三个加速度分别垂向安装在驱动端、风扇端和支撑台；

步骤(2)具体为：

步骤2.1)、将每个加速度传感器同时采集的振动数据进行分割，分割长度为t个数据点，t＝100，得到N个数据段；

步骤2.2)、计算每个数据段的均值、方差、均方根和峭度值四个状态特征变量，然后拼接成在一起构成一个特征单元；

步骤2.3)、将三个加速度传感器采集振动数据相同数据段的特征单元再进行拼接作为数据段的特征信息，然后再将其作为一个训练样本s_{k_n}，n＝1,2,…,N；这样得到每个训练样本都包含3个均值、3个方差、3个均方根和3个峭度值共12个特征值{c_{k_m_n}，m＝1,2,…,12}；

步骤2.4)、将N个训练样本的12个特征值c_{k_m_n}，m＝1,2,…,12；按照公式(5)归一到[0,1]区间，所有归一化后的训练样本构成的集合为S_k；

其中，是样本第m个特征归一化后的值，c_{k_m_max}和c_{k_m_min}分别表示N个训练样本第m个特征中的最大值和最小值。

3.根据权利要求1所述的轴承故障诊断方法，其特征在于，所述核函数κ为高斯径向基函数：

其中，γ＝1/12；

所述惩罚参数C取值0.5。