[发明专利]一种基于LS-SVM和D-S证据理论的轴承故障诊断方法

权利要求书

1.一种基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，可分为以下几部分：

1)信号预处理：加速度传感器采集振动信号，首先通过小波降噪的方法对所述振动信号进行降噪处理，然后引入特征参数用于提取振动信号的特征；将所述特征参数进行归一化处理；

2)特征层信息融合：利用LS-SVM对不同传感器信号的特征参数集进行融合，得出故障分类结果；

3)决策层信息融合：利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果；

其中，所述特征参数包括：时域参数和频域参数。

2.根据权利要求1所述的基于LS-SVM和D-S证据理论的轴承故障诊断，其特征在于，所述时域参数包括：峰值指标K_CF、脉冲指标K_IF、裕度系数L和峭度指标K_u；所述频域参数包括：频率均值u_mf、频率中心u_fc、频率均方根值u_rmsf和频率标准偏差u_stdf；

其中：

3.根据权利要求1所述的基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，所述第2)部分具体为：

S1、将归一化后的时域参数和频域参数分别分为训练集和测试集；

S2、利用训练集进行训练分别得到LS-SVM分类器；

S3、利用LS-SVM分类器对测试集进行预测；

S4、利用式计算得到LS-SVM的时域和频域的后验概率，得到LS-SVM时域后验概率输出和LS-SVM频域后验概率输出；

其中p_ij(i|j；x)表示第i类和第j类构成的两类分类器计算所得x属于第i类的后验概率。

4.根据权利要求3所述的基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，第3)部分具体为：将LS-SVM频域后验概率输出作为D-S证据理论的特征输入，最终得出的融合诊断结果。

5.根据权利要求1所述的基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，所述振动信号通过分布于轴承三个不同方向的PCB加速度传感器采集。

6.根据权利要求5所述的基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，所述三个不同方向分别为水平方向、竖直方向和轴向方向。