[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

说明书

本发明涉及故障诊断技术领域，具体涉及一种基于有监督LLE算法的轴承故障诊断方法及装置，首先获取训练数据，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，接着确定所述训练数据的优选降维训练数据，进而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，通过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，本发明提高了轴承故障诊断的在线预测速率。

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于有监督LLE算法的轴承故障诊断方法及装置。

背景技术

作为新兴的综合性的边缘学科，轴承故障诊断技术已初步形成了比较完整的学科体系。就其技术手段而言，振动诊断技术已经成为轴承故障诊断的主流技术。而计算机技术与信号信息处理技术的飞速进步，极大地推动了轴承故障诊断和监测技术向着科学化和实用化的方向发展。

然而，在目前的轴承故障诊断领域，往往存在大规模数据并发的情况，对故障诊断的实时性要求带来极大的挑战，迫切需要提高轴承故障诊断的在线预测速率。

发明内容

本发明的目的在于提供一种基于有监督LLE算法的轴承故障诊断方法及装置，旨在提高轴承故障诊断的在线预测速率。

为了实现上述目的，本发明提供以下技术方案：

一种基于有监督LLE算法的轴承故障诊断方法，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。

进一步，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。

进一步，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。

进一步，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：