[发明专利]一种基于有监督LLE算法的轴承故障诊断方法及装置

权利要求书

1.一种基于有监督LLE算法的轴承故障诊断方法，其特征在于，包括：

获取训练数据，所述训练数据为表征轴承振动信号的历史数据，提取所述训练数据的特征值和所述特征值对应的故障类型；

确定所述训练数据的优选降维训练数据，所述优选降维训练数据中，所有故障类型的类间离散度与类内离散度的比值最大；

计算所述优选降维训练数据中各个故障类型对应的均值和协方差矩阵；

对实时接收的测试数据进行降维，得到降维测试数据；

根据所述均值和协方差矩阵计算所述降维测试数据在各个故障类型下的概率值，将概率值最大的故障类型作为轴承故障诊断的故障类型；

其中，所述确定所述训练数据的优选降维训练数据，包括：

利用LLE算法对所述训练数据进行降维，得到降维训练数据，并确定所述降维训练数据的优选近邻数和优选故障维度；

将所述优选近邻数和优选故障维度对应的降维训练数据作为优选降维训练数据；

其中，所述利用LLE算法对所述训练数据进行降维，得到降维训练数据，并确定所述降维训练数据的优选近邻数和优选故障维度，包括：

步骤310、设置近邻数p的取值范围和故障维度q的取值范围；

步骤320、选择一个p值和一个q值作为一个参数组，将所有参数组形成参数集合，所述参数集合包括p值和q值的所有组合形式；

步骤330、依次选择一个参数组，作为所述训练数据的近邻数p和故障维度q；

步骤340、利用LLE算法对步骤330得到的训练样本数据进行降维，得到降维后的数据集Y和故障集φ,其中，数据集Y＝{y₁，y₂，...，y_N},Y为一个N×m的矩阵，N为样本个数，m为降维后的故障维度；故障集s为故障类别总数；

步骤350、利用所述降维后的数据集和故障集计算评价指标F，具体为：

通过以下公式计算每个故障类别的均值向量c_i：

通过以下公式计算所有类别的类内离散度矩阵S_i：

对所有类内离散度矩阵的求和，得到混合类内离散度矩阵Sw：

Sw＝S₁+S₂+...+Ss；

通过以下公式计算类间离散度矩阵：

通过以下公式计算评价指标F：

F＝S_b/S_w；

步骤360、判断所述参数集合中的所有参数组是否均计算出评价指标，若否，跳转到步骤330，若是，执行以下步骤；

步骤370、比较各个参数组中评价指标的大小，选择评价指标最大的参数组作为优选参数组，将该参数组的p值作为优选近邻数，将该参数组的q值作为优选故障维度。

2.根据权利要求1所述的一种基于有监督LLE算法的轴承故障诊断方法，其特征在于，所述特征值包括振动位移、振动速度、振动加速度、高频加速度，所述故障类型包括磨损失效、疲劳失效、腐蚀失效。

3.根据权利要求2所述的一种基于有监督LLE算法的轴承故障诊断方法，其特征在于，所述对实时接收的测试数据进行降维，得到降维测试数据，包括：

实时接收测试数据，将所述优选近邻数作为所述测试数据的近邻数，将所述优选故障维度作为所述测试数据的故障维度，利用LLE算法对所述测试数据进行降维，得到降维测试数据。