[发明专利]一种基于非线性流形学习的滚动轴承故障诊断方法

说明书

本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

技术领域

本发明涉及故障诊断技术领域，特别涉及一种基于非线性流形学习的滚动轴承故障诊断方法。

背景技术

滚动轴承作为回转机械中的重要零部件，其运行状态对整个机器的综合性能有着重要影响。由于滚动轴承总是处于高速、重载荷和强冲击的工作环境下，因此会导致其极易发生损坏。如果滚动轴承出现故障而未能及时发现和解决，可能会降低整个机械设备的可靠性和寿命，甚至会造成严重事故，因此对滚动轴承进行故障诊断具有重要的理论和实际意义。

由于滚动轴承易受到工作环境的影响，其在传动过程中会产生非线性、非平稳的复合振动信号。滚动轴承故障诊断的关键在于对非线性、非平稳的振动信号进行特征提取，从而得到能够反映其运行状态的故障特征信息。然而经过特征提取方法所得到的故障特征集一般维数较高，且高维故障特征集往往是无序的，可能包含大量冗余信息，对故障诊断的精度会产生一定的影响，因此有必要对特征提取后的滚动轴承故障特征信号进行维数约减和二次特征筛选。常见的流形降维方法主要包括：t-分布邻域嵌入(t-SNE)、等度规映射(Isomap)、局部线性嵌入(LLE)和局部保持投影(LPP)等算法。但t-SNE、Isomap、LLE和LPP在处理大型数据集时，不能较好的保持原有高维数据集的敏感特征以及更多的全局拓扑结构。

发明内容

本发明的目的在于提供一种基于非线性流形学习的滚动轴承故障诊断方法，该方法融入了监督学习思想和基于马氏距离的度量方式，可以有效地、准确地判断出滚动轴承的各种故障类型，解决了对滚动轴承故障信号中存在的奇异数据点的辨识能力较差和维数约减过程中不能有效衡量故障特征之间的相关性关系的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于非线性流形学习的滚动轴承故障诊断方法，包括以下步骤：

S1：采集滚动轴承的各类工况信号，采集的工况信号具体为：利用振动加速度传感器对滚动轴承的正常状态、外圈故障状态、内圈故障状态以及滚动体故障状态下的径向振动加速度信号进行采集；

S2：对采集的滚动轴承的各工况信号利用深度置信网络进行特征提取并构建高维故障特征集，然后对高维故障特征集进行二次特征筛选和维数约减，获得低维样本数据；

S3：利用低维样本数据构建可视化三维图，可视化三维图的具体构建过程为：利用作图软件构建三维坐标系并将低维样本数据导入坐标系中，在三维坐标系中使用正方形、三角形、六边形和菱形四种形状分别表示滚动轴承的正常工况、外圈故障、内圈故障和滚动体故障四类样本数据在三维坐标系中的分布情况；

S4：对所构建的可视化三维图进行分析，利用类间散度和类内散度具体表示四类样本数据在坐标系中的离散度，即类间散度越大，不同故障样本之间的距离在坐标系中越分散；类内散度越小，同类故障样本之间在坐标系中聚集性越高；类间散度大、类内散度小，表示分类效果越好；S3中四类样本数据在三维坐标系中的分布情况为：不同类别样本之间的类间散度大，每一类样本之间的类内散度小，即四类样本在坐标系中可以被有效区分，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

进一步地，S2中维数约减过程中使用马氏距离构建邻域图，马氏距离算法的具体步骤如下：

(1)首先分别定义变量A＝{A_i|i＝1,...,n}和变量B＝{B_i|i＝1,...,n}，然后计算A和B的协方差矩阵为：