[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

说明书

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)收集轴承在不同工状下的振动信号经分段处理后构成训练样本集合；(2)对步骤(1)获取的训练样本集合进行小波广义高斯分布特征和能量谱特征提取；(3)对步骤(2)获取的特征矩阵X^*利用z‑score法进行归一化处理，使其范围在[‑1，1]之间；(4)对步骤(3)得到特征矩阵进行增强型局部保持投影分析，最终确定W_EnLPP；(5)利用步骤(4)得到的投影向量W_EnLPP计算系数向量X＇_EnLPP＝X^*×W_EnLPP；(6)利用步骤(5)求得的X＇_EnLPP训练极限学习机模型M_elm，(7)对收集到的该轴承振动信号经步骤(1)、(3)和(5)处理后输入到M_elm根据输出结果确定最终工况。本发明申请应用于轴承设备的故障识别问题。

技术领域：

本发明申请涉及一种轴承设备故障检测领域，尤其涉及一种基于增强型 LPP算法和极限学习机快速轴承故障识别方法。

背景技术：

在工业领域中，为了增加设备性能的可靠性，降低由于机器故障原因导致产量下降的几率，机器运行状态的监控越来越受到人们的重视。旋转机械是工业部门中应用最为广泛的一类机械设备，汽轮机、压缩机、风机和轧机等诸多机械都属于这一类。然而，其核心部件轴承常常由于各种不同形式的故障影响其正常工作，有时甚至会由于某故障引发严重的机毁人亡事故，并造成重大的经济损失，因此开展故障检测的研究具有十分重要的现实意义。

机械设备故障检测就是对测取的含有故障信息的信号利用信号处理和分析技术，找出和故障有关的特征参数并利用这些特征参数对设备的实时技术状态进行判别。这里涉及到两个方面的问题，一是利用信号处理技术进行特征提取；二是利用模式识别技术进行故障检测。在信号特征提取方面，主要分为：信号的时域特征如信号的均值、均方值、峰值、峭度和歪度等；信号的频域特征如能量谱、AR功率谱等；以及信号的时频特征如小波分析，Hilbert变换和短时傅里叶变换等。为了能充分地表征不同类别的故障进而提高识别率，就需要多种不同特征进行融合，这也使得特征向量的维度大大增加，导致计算复杂度提高同时也延长了故障检测的时间。因此如何能实现合理的数据降维就显得尤为重要。主成分分析(Principal Components Analysis,PCA)作为数据降维的经典算法，因能有效去除特征间线性相关同时保持原始特征的主要信息而被广泛应用在故障检测领域。然而，现实当中各种不同类别的特征间可能存在非线性关系，此时传统的主成分分析无法得到满意的结果。另外主成分分析只考虑到全局分布特征，即只考虑到投影后的系数方差最大化，对局部信息的保持没能做充分考虑，因此通过PCA降维后得到的变量虽然能反映原有变量的绝大部分全局信息，但会打乱原有数据的局部邻域结构，导致不同类别间区分能力的丧失进而降低故障识别率。局部保持投影(Locality Preserving Projections，LPP) 是非线性方法Laplacian Eigenmap的线性近似，作为一种新的子空间分析方法，它既解决了主成分分析方法难以保持原始数据非线性流形局部结构的问题，又解决了其无法去除指标间非线性相关性的问题。现今LPP在人脸识别、图像检索等领域得到广泛应用。然而LPP需事先指定k紧邻个数以及热核函数的参数来确定相似度矩阵，而在现实应用中，由于事先对原始数据的空间分布未知，参数设置变得十分困难。受不当参数设置的影响，传统LPP算法的性能严重下降。为此，本发明通过采用熵规范化将相似度矩阵结合到优化函数中，与投影向量一并求解，进而解决了传统LPP算法需事先指定参数的不足，提升了算法的局部空间保持能力。