[发明专利]多传感器驱动柔性支持张量机的轴承故障诊断方法及装置

说明书

本申请公开了一种多传感器驱动柔性支持张量机的轴承故障诊断方法及装置。该方法对多传感器信号进行分解依次提取时域特征参数设计“频段分量‑统计参数‑多传感器”三阶特征张量；引入柔性因子和置换因子构造柔性支持张量机用于三阶特征张量的训练和测试；最后将三阶特征张量输入柔性可支持张量机智能故障诊断模型进行轴承故障诊断。轴承故障诊断实验验证了该方法可充分利用多传感器信号的高阶关联信息，提高了模型的鲁棒性以及诊断精度，在旋转机械智能故障诊断中具有显著效果，优于现有技术。

技术领域

本申请属于故障诊断技术领域，具体涉及一种多传感器驱动柔性支持张量机的轴承故障诊断方法、装置及电子设备。

背景技术

随着旋转机械设备趋于系统集成化、高度智能化，各部件之间的耦合程度更高，仅靠单个传感器很难表示旋转机械的运行状态，而且单个传感器得到的智能诊断结果具有不稳定性和不确定性。因此当设备发生不同类型的故障时，仅依靠某一种状态信号难以识别各种不同故障，通常需要更多的状态信号来反映其工作状态，探索基于多源信号的旋转机械智能故障诊断方法非常有必要。

信号融合是目前基于多源信号故障诊断的主要研究方法是信号融合，而信号融合本质上还是依据多源信号的特征向量来进行智能诊断，却忽略了多源信号的空间结构以及相关内在信息。相反，多源信号的特征张量能包含更丰富的数据结构信息。

张量凸包类似向量空间凸包同样是对张量样本的一个欠估计，同时容易受到离群点的干扰。因此，如何改善上述张量凸包模型使之对应的多分类器具有更好的鲁棒性，同时对提高对旋转机械多故障状态智能诊断的识别精度具有重大实际意义。

发明内容

本申请实施例的目的是提供一种多传感器驱动柔性支持张量机的轴承故障诊断方法、装置及电子设备，其受仿射包的启发在凸包模型上引入柔性因子进而增加其弹性使模型更松散解决张量凸包欠估计的问题；同时为降低离群点对模型的干扰引入置换因子，进而增加模型的鲁棒性，因而可以解决背景技术中涉及的技术问题。

为了解决上述技术问题，本申请是这样实现的：

第一方面，本申请实施例提供了一种多传感器驱动柔性支持张量机的轴承故障诊断方法及装置，包括：

S1、采集轴承不同健康状态下的多源信号，得到每种健康状态下对应的样本的多源信号；

S2、对采集得到的每个样本的多源信号按多源信号张量特征构造方法获得每个样本的三阶特征张量；

S3、在凸包几何模型的基础上，引入柔性因子和置换因子打造柔性支持张量机模型；

S4、分别从每种健康状态中随机选取少量样本的三阶特征张量作为张量训练样本训练柔性支持张量机模型，获得智能故障诊断决策函数；

S5、将每种健康状态剩下的样本构成测试样本，检验已训练的智能故障诊断决策函数的可行性。

作为本申请的一种改进，步骤S1中，通过声音传感器和振动传感器采集多源信号。

作为本申请的一种改进，步骤S2中，所述三阶特征张量为频段分量-统计参数-多传感器三阶特征张量。

作为本申请的一种改进，步骤S2具体包括：

对于采集得到的每个样本的多源信号，利用集合经验模态分解把多源信号中的每个信号分解为M个分量成分；

提取统计特征参数，对每个信号分解得到的分量成分提取H个时域参数，其中，样本中每个信号的特征表示为F＝[f₁,f₂,……，f_H]^T∈R^M×H；