[发明专利]一种基于UMAP降维算法的高速电主轴故障识别方法

说明书

本发明提供了一种UMAP降维算法，将其运用于高速电主轴故障的识别的方法，首先获取高速电主轴振动信号，同时遍历数据库中的高速电主轴振动数据，利用时域分析和频域分析来构造高速电主轴振动信号的初始特征集，利用均匀流形逼近与投影(uniform manifold approximation and projection，UMAP)算法进行降维，得到具有鉴别性和简捷性的故障特征，实现诊断模型数据质量的提升，最后将数据利用遗传算法(genetic algorithm,GA)优化支持向量机(support vector machine,SVM)的参数来进行智能故障识别，从而实现高速电主轴故障识别。

技术领域

本专利涉及高速电主轴故障识别领域，尤其涉及一种基于振动信号特征降维的高速电主轴故障识别。

背景技术

高速电主轴长时间的高速、高负荷运转，不可避免的会产生磨损或疲劳，如果不能及时的诊断，可能造成高端精密机床加工的产品不合格，甚至使得整个系统无法正常工作。因此及早发现故障，对于避免灾难性事故，确保机械安全运行具有重要意义。

故障识别技术主要可分为三大类：基于解析模型的方法，基于信号处理的方法和基于知识的智能故障诊断方法。伴随着计算机技术的飞速发展，智能故障识别技术的效率和识别正确率也不断的被提高，本专利提出的方法主要是降低数据的维度，从而使故障类型更易被区分。

发明内容

现有的智能故障识别技术，因其数据计算量大，为了提高数据的可鉴别性和简洁性，因此，本发明提出一种数据降维方法运用于高速电主轴故障识别，通过 UMAP降维算法实现对高速电主轴振动信号的降维处理，使数据更容易被区分。该方法可以使用在任何振动信号的降维处理场景，包括如下步骤：

步骤1：读取数据库中不同故障的振动信号的数据集生产训练集和验证集，获取待检测高速电主轴的振动信号生成测试集，将训练集和测试集生成初始数据集；

步骤2：利用时域分析和频域分析来处理初始数据集，得到初始特征集；

步骤3：将初始特征集进行归一化处理，通过UMAP降维算法对得到数据聚类；

步骤4：通过人工智能识别算法，识别聚类后的数据，从而实现高速电主轴的故障识别。

进一步的叙述步骤2，使用时域分析得到的时域特征包括：峰峰值、均方根、标准差、波形指数、峰值指数、脉冲指数、峭度指数、裕度因子等；使用频域分析得到的频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差等。将时域分析得到的特征值集与频域分析的特征值集组合起来，生成初始特征值集。

为简化初始特征值集，先将特征值集归一化，初始特征集归一化计算公式：

其中x^*为归一化后的值，x为特征值。

进一步叙述步骤3，UMAP降维算法具体步骤如下：

用找最近邻的算法，得到每个x_i的k最邻近集合{x_i1,x_i2，…，x_ik},利用k最邻近集合可以确定x_i的ρ_i和σ_i，ρ_i和σ_i的计算公式：

ρ_i＝min{d(x_i,x_ij)|1≤j≤k,d(x_i,x_ij)＞0}

设N个高维数据{x₁,x₂，…，x_N}，在高维空间中，相似度是基于平滑最近邻距离的局部模糊单纯集隶属关系v_i|j的计算公式: