[发明专利]一种基于增强型LPP算法和极限学习机快速轴承故障识别方法

权利要求书

1.一种基于增强型LPP算法和极限学习机快速轴承故障识别方法，其特征在于：该方法包括以下步骤：

(1)利用安装在轴承上的振动传感器收集该轴承在不同工状下的振动信号，设共有四种工状：正常状态、内圈故障状态、外圈故障状态和滚动体故障状态，然后分别对各种工况下的信号进行长度为1024分段处理得到训练样本集合，其中N表示单个工况下训练样本集合的个数；

(2)对步骤(1)获取的训练样本信息进行特征提取，得到能有效反应各种工况下振动信号特征的集合，设共有M个特征，则X_normal^*，X_inner^*，X_outer^*，X_ball^*∈R^N×M；

(3)对步骤(2)获取的特征训练样本集合进行标准化处理，使每个特征指标的数值范围确定在均值为0，方差为1的标准正态分布区间内；

(4)将步骤(3)得到的标准化处理后的训练样本特征矩阵X^*∈R^(4N)×M进行增强型局部保持投影分析，其中局部保持投影的投影向量个数为P，最终确定W_EnLPP投影向量，W_EnLPP∈R^M×P；

(5)利用步骤(4)中得到的局部保持投影向量W_EnLPP求解降维后的投影系数向量，X′_{E nLPP}＝X^*×W_EnLPP，X′_EnLPP∈R^(4N)×P；

(6)利用步骤(5)中求得的降维后的投影系数向量X′_EnLPP训练极限学习机模型M_elm；

(7)通过安装在轴承上的振动传感器收集该轴承的振动信号，经长度为1024分段处理及标准化处理后，计算特征向量利用W _{E n L P P}计算投影系数向量然后输入到训练好的模型M_elm中确定当前轴承最终的工作状态；

对步骤(2)中的特征提取所采用的方法是提取振动信号片段在不同层下的小波域广义高斯分布特征及能量熵特征，其具体步骤如下：设xi∈R^N×1024，i＝1，2，…，N为来自任何一个工况下的样本集合，对其进行小波分解，设这里采用的小波为DB1，分解层数为L，然后对每一层小波利用广义高斯分布拟合它系数的分布特征，通过最大似然估计法得到对应模型的形状参数和尺度参数，广义高斯分布模型如下：

其中α控制着广义高斯分布模型的宽度，称作尺度参数；β控制着广义高斯分布模型的衰减程度，称作形状参数，同时分别计算每层系数的熵值，每层系数的熵值计算公式为：

其中d_ij为第i层小波系数的第j个小波系数值，令M＝15则形成最终的特征集合{α₁，β₁，α₂，β₂，α₃，β₃，α₄，β₄，α₅，β₅，E₁，E₂，E₃，E₄，E₅}，其中α_i，β_j分别是第i层小波系数的GGD模型特征的尺度参数和形状参数；

步骤(3)中对每个指标值进行标准化处理所采用的方法是z-score法，其具体步骤如下：设，对任意指标进行标准化处理所采用的方法如下：

同时记录μ_j，σ_j以备新样本的标准化处理；

步骤(4)中W_EnLPP计算方法如下所述：

根据标准化后的训练样本特征矩阵X^*构造邻接矩阵U⁽¹⁾∈R^(4N)×(4N)和度量矩阵D⁽¹⁾∈R^(4N)×(4N)，其中u_ij⁽¹⁾∈U⁽¹⁾的表达式如下：

i，j＝1，2，…，4N ,因本方法对热核参数σ和最近邻个数K的选取不敏感，因此

设置σ＝1或0 .5 ,设置K＝5；

构造度量矩阵D⁽¹⁾，d_ij⁽¹⁾＝0，i≠j，i，j＝1，2 ...，4N，并求得拉普拉斯矩阵L⁽¹⁾，其中L⁽¹⁾＝D⁽¹⁾-U⁽¹⁾；

构造A＝X^*L⁽¹⁾X^*T ,B＝X^*D⁽¹⁾X^*T并求解AV＝λBV广义特征值特征向量，其中前P个最小特征值λ_i，i＝1，…，P所对应的特征向量V_i，i＝1，…，P即为

设置最大循环次数MaxIter＝300，以及当前迭代次数iter＝2，当iter≤MaxIter时

重新构造U ^{( i t e r )} ，根据U ^{( i t e r )}构造度量矩阵D ^{( i t e r )} ,d _{i j}^{( i t e r )}＝ 0 ，i≠ j ，i，j＝1，2 ...，4N以及L^(iter)＝D^(iter)-U^(iter) ,构造A＝X^*L^(iter)X^*T ,B＝X^*D^(iter)X^*T并求解AV＝λBV广义特征值特征向量，其中前P个最小特征值λi，i＝1，…，P所对应的特征向量V_i，i＝1，…，P即为

iter＝iter+1，重复直到满足停止条件；W_EnLPP就等于最后得到的即；

步骤(6)中M_elm模型通过下列方法进行训练：首先确定隐层个数L，输出层的个数即为分类个数C，这里设置为4，即为4种工况，随机初始化输入权重和偏置矩阵，设为W_Input∈R^L×P ,B_input∈R^L×1，扩展B_input为B∈R^L×(4N) ,计算隐层输出矩阵H∈R^L×(4N)：

构造数据类别结果矩阵T∈R^(4N)×c，t_ij＝1当x_ij∈j类时，其他为-1，求得W_output∈R^L×C，H⁺为H的Moore-Penrose广义逆矩阵，最终得到训练后的极限学习机模型：

M_elm＝{W_Input，B_input，W_output}；

步骤(7)中的标准化处理方法利用的是步骤(3)存储的μ_j，σ_j，j＝1，2，…M进行zscore标准化，特征向量的确定采用的是步骤(2)中的特征提取方法，利用步骤(4)得到的W_EnLPP计算降维后的系数向量最终状态的确定由M_elm模型确定，

取max(H_test)所对应的下标即为当前轴承设备工况的输出。