[发明专利]基于自适应MRVM的滚动轴承故障概率性智能诊断方法

说明书

本发明公开了一种基于自适应MRVM的滚动轴承概率性智能故障诊断方法，包括以下步骤：利用加速度传感器测得滚动轴承原始故障数据，对振动信号分段并提取小波包能量特征，并利用主成分分析降维同时进行归一化处理，通过处理划分训练样本集和测试样本集，利用一种算法自适应选择核参数，利用训练样本集对多分类相关向量机进行训练和测试，将测试结果与实际故障类型比较，得到诊断模型的有效性。本发明方法克服了传统智能故障诊断方法无法输出故障发生概率值的缺陷，提高了滚动轴承故障诊断的准确率，且提供了更多滚动轴承故障类型判别的信息，通过本发明提供的故障类型发生概率值可以对滚动轴承状态进行进一步评估，具有较好的工程价值和应用前景。

技术领域

本发明属于滚动轴承智能故障诊断领域，具体涉及一种基于自适应多分类相关向量机模型(MRVM)的滚动轴承故障智能诊断方法。

背景技术

滚动轴承是旋转机械设备必不可少的重要组件，一旦滚动轴承出现问题，轻者造成经济损失，重者危害生命，因此了解滚动轴承实时的工作状态对监控大型机械设备是否正常运行具有重要的意义。

智能故障诊断是滚动轴承故障诊断的重要技术之一，主要通过故障特征提取结合故障识别器进行故障识别，本质上属于模式识别范畴，故障识别器设计的优劣直接影响到最终的故障识别准确率。

基于模式识别的机械智能故障诊断方法主要通过已有故障样本的学习对未知的故障类型进行预测，其中支持向量机(Support Vector Machine，SVM)在故障诊断领域得到广泛应用。基于统计学习理论的支持向量机(SVM)能够较好地解决小样本学习问题，具有应用于机械智能故障诊断的潜力。但是SVM存在着支持向量会随着训练样本集的增大线性增加、核函数必须满足Mercer条件、预测结果必须对折中系数C进行人为设置，并且只能输出准确率无法输出更多参考信息(如概率信息)等缺点。

基于稀疏贝叶斯理论的相关向量机(Relevance Vector Machine，RVM)克服了SVM的固有缺陷。与SVM相比，RVM通过贝叶斯学习增加了模型的稀疏度，提高了训练速度并且可输出诊断结果的后验概率分布。RVM作为故障识别器的独特潜力是可以输出诊断结果的概率，即可以对各种故障的可能性进行评估，非常符合实际的故障诊断及维修。然而，针对多故障诊断问题，目前研究采用“一对一”、“一对多”等组合学习方法实现相关向量机的多故障诊断，本质上却抛弃了相关向量机的概率输出特性，其原因是此类实现多类型分类相关向量机的机制决定了其无法输出故障诊断结果的概率，丧失了相关向量机作为故障识别器的重要特性。理想的故障识别器应该对各种故障发生的可能性给出具体的概率值。

实际上，传统智能故障诊断方法目前还不能完全精确地识别故障类型。如果技术人员根据诊断结果检测后发现机械某个部位未发生故障，可以根据发生故障概率值大小次序对另一概率值次之的故障类型进行进一步检测。这样的诊断策略才比较符合实际的诊断过程。因此，采用概率输出型的智能识别器更加适合于机械故障诊断领域。

多分类相关向量机(MRVM，Multi-classification of Relevance VectorMachine)可以直接实现多故障诊断，更重要的是该方法可以直接输出各故障类型的概率信息，便于实际维修人员对诊断结果依据概率大小进行故障评估，非常符合实际的故障诊断及维修。但其在核参数选择方面，核参数需预先设定，存在很大的不确定性。

多分类相关向量机的学习原理如下：

首先给定训练集x∈R^D，D为样本维数，t∈{1,2...3}是样本各自的类别标签。通过样本集得到训练模型的核函数集K＝[k₁,k₂...k_N]，K∈R^N×N。通过引入权重参数W和辅助变量Y得到标准噪声模型

其次将回归目标转化成为类别标签，引入多项式概率模型：

由此产生多项概率似然函数