[发明专利]一种基于正则化稀疏模型的滚动轴承智能故障诊断方法

权利要求书

1.一种基于正则化稀疏模型的滚动轴承智能故障诊断方法，其特征在于，包括以下步骤：

步骤1，计算滚动轴承前N组正常状态下振动信号的包络谱；

步骤2，自滚动轴承故障起始时刻后实时采集振动信号并计算包络谱；

步骤3，构建并求解最小绝对收缩和选择算子LASSO(Least absolute shrinkage andselection operator)回归模型；

步骤4，求解故障敏感频率；

步骤5，基于滚动轴承故障诊断理论知识获得故障类型诊断结果；

步骤6，融合多通道信息获得最终故障类型诊断结果。

2.根据权利要求1所述的一种基于正则化稀疏模型的滚动轴承智能故障诊断方法，其特征在于，所述的步骤1具体为：获取滚动轴承正常状态下所采集的单一通道前N组振动信号数据集X＝{x₁,x₂,...,x_i,...,x_N}，其中表示第i组正常状态下的振动信号，每组振动信号包含n个数据点，即x_i＝[x_i,1,x_i,2,...,x_i,n]^T，其中n＝T·f_s，T表示采样时长，f_s表示采样频率；分别对每组振动信号进行包络分析，得到N组包络谱E＝{e₁,e₂,...,e_i,...,e_N}，其中表示第i组正常状态下的振动信号对应的包络谱，每组包络谱包含个数据点，即e_i＝[e_i,1,e_i,2,...,e_i,m]^T。

3.根据权利要求2所述的一种基于正则化稀疏模型的滚动轴承智能故障诊断方法，其特征在于，所述的步骤2具体为：记故障起始时刻为t₀，则t₀时刻之后采集的振动信号为故障状态下的振动信号，自t₀时刻之后实时采集振动信号，记当前采集的故障状态下的振动信号向量表达为：根据包络分析得到其包络谱为：

4.根据权利要求3所述的一种基于正则化稀疏模型的滚动轴承智能故障诊断方法，其特征在于，所述的步骤3具体为：

3.1)LASSO回归模型简化表达为：

Y＝AX+ε (1)

其中，表示前N组正常状态下的振动信号的包络谱与当前采集的故障状态下的振动信号的包络谱结合所得到的矩阵，A表示模型待求解的权重向量，包络谱长度为m，则A＝[a₁,a₂,...,a_m]，a_i表示权重向量中第i权值，Y表示滚动轴承的健康状态向量，正常状态对应用0来表示，故障状态对应用1来表示，即，Y＝[0,0,...,1]，显然，向量长度为N+1，ε是一组服从正态分布的随机误差序列ε＝[ε₁,ε₂,...,ε_N+1]；

3.2)通过优化下式目标函数求解LASSO回归模型中的权重矩阵A，即：

其中，argmin(·)表示对目标函数取最小值，λ表示正则项系数，也被称为惩罚项系数，||·||₂表示Y-AX向量的L₂范数，||A||₁表示A权重向量的L₁范数。

5.根据权利要求4所述的一种基于正则化稀疏模型的滚动轴承智能故障诊断方法，其特征在于，所述的步骤4具体为：选取使得求解到的A权重向量非零元素个数小于等于L的最大λ值，L为可调参数，由模型表达式Y＝AX+ε知，若A权重向量的第i权值a_i＞0，则在故障包络谱中的位置序号i便是当前采集的故障状态下的振动信号求解出的故障敏感频率f_t。