[发明专利]一种基于故障特征融合的轴承健康监测方法

权利要求书

1.一种基于故障特征融合的轴承健康监测方法，其特征在于，包括：

S1、通过N个加速度传感器采集轴承运行过程中的振动信号；

S2、提取振动信号的时域、频域、时频域特征，获得共N个原始特征集；

S3、将N个原始特征集分别输入N个多测度分层模型，所述多测度分层模型采用Pearson相关系数、信息增益以及互信息作为评价准则，依次进行特征筛选，获得最佳特征子集与对应的敏感度权重矩阵w_ij；

S4、通过神经网络训练每个加速度传感器对应的最佳特征子集，获得信息量指标p_i′，利用所述信息量指标重构获得优化的敏感度权重矩阵W_ij，W_ij＝w_ij×p_i′；

S5、利用WKPCA算法将各多测度分层模型得到的所述最佳特征子集进行加权融合：以所述优化的敏感度权重矩阵W_ij为依据进行加权，并通过QGA算法搜索WKPCA算法的最优核宽度参数；

S6、将S5加权融合后的最佳特征子集输入所述神经网络进行模型训练；

S7、提取待检测的轴承故障特征数据并输入到训练好的神经网络模型中，根据输出结果判断轴承的故障状态。

2.根据权利要求1所述的方法，其特征在于，步骤S3中，利用所述多测度分层模型进行特征筛选，具体包括：

S31、采用Pearson相关系数进行特征选择，满足松弛停止条件进入S32；

S32、采用信息增益进行特征选择，满足松弛停止条件进入S33；

S33、判断各个特征子集维度是否一致，一致则进入S4，不一致则以最少维度的特征子集为标准，提高或降低松弛停止条件，重复S31至S32对其余特征子集进行选择，直至满足停止条件；

S34、采用互信息验证筛选出特征的合理性，并输出最佳特征子集及其归一化后的敏感度权重矩阵w_ij；

其中，第j维特征的互信息和信息增益为：

式中，H(x_j)为样本集中第j列特征样本信息熵，H(Y)为类别标签向量的信息熵，H(Y|x_j)为条件熵。

3.根据权利要求1所述的方法，其特征在于，所述Pearson相关系数包括第j维特征对其余特征的平均Pearson相关系数与类别标签向量Y的Pearson相关系数以及综合Pearson相关系数

其中，

式中，M为样本类别数，N为每种类别的样本个数；x为输入样本，y为样本对应标签。

4.根据权利要求1所述的方法，其特征在于，步骤S5中，对最佳特征子集进行加权融合算法过程包括：

S51、初始化QGA算法的种群，由随机产生种群的初始染色体；

S52、评估WKPCA算法中各核函数宽度参数对应的适应度函数值，将适应度函数值的最优解作为种群下一步进化的目标值；

S53、判断算法是否满足终止条件，若满足，终止计算，转至S56；否则，转至S54；

S54、计算WKPCA算法中所有核宽度参数的确定解，并且评估各确定解对应的目标函数值；

S55、利用量子旋转门对个体进行调整，得到新的种群，记录最优个体和对应的目标函数值，返回S53；

S56、将满足终止条件的最优核宽度参数、以及所述优化的敏感度权重矩阵以及最佳特征子集作为输入量，通过WKPCA算法对最佳特征子集进行融合。

5.根据权利要求4所述的方法，其特征在于，WKPCA算法的核函数矩阵K：

式中，p_i为Φ(x_i)对K的权重，Φ表示非线性映射函数，Φ(x_i)^T为Φ(x_i)的转置，N为样本个数；

将p_i归一化后得测试样本x_new在高维特征向量上的投影为：

式中，α_i为相关系数，Φ(x_new)表示测试样本的高维映射，映射后的样本。

6.根据权利要求1所述的方法，其特征在于，所述神经网络为极限学习机分类器。