[发明专利]基于自适应MRVM的滚动轴承故障概率性智能诊断方法

摘要

本发明公开了一种基于自适应MRVM的滚动轴承概率性智能故障诊断方法，包括以下步骤：利用加速度传感器测得滚动轴承原始故障数据，对振动信号分段并提取小波包能量特征，并利用主成分分析降维同时进行归一化处理，通过处理划分训练样本集和测试样本集，利用一种算法自适应选择核参数，利用训练样本集对多分类相关向量机进行训练和测试，将测试结果与实际故障类型比较，得到诊断模型的有效性。本发明方法克服了传统智能故障诊断方法无法输出故障发生概率值的缺陷，提高了滚动轴承故障诊断的准确率，且提供了更多滚动轴承故障类型判别的信息，通过本发明提供的故障类型发生概率值可以对滚动轴承状态进行进一步评估，具有较好的工程价值和应用前景。

主权项

1.一种滚动轴承概率性故障诊断方法，其特征在于，包括以下步骤：1)对于工作状态已确定的滚动轴承，采集其原始振动信号，所述滚动轴承的工作状态划分为正常状态、外圈故障、内圈故障和滚动体故障；2)将滚动轴承不同故障类型的原始振动信号进行分段处理，每个实验样本由设定数量的采样数据构成；3)提取滚动轴承每一段信号的小波包能量特征，并将提取后的小波包能量进行归一化处理，同时利用主成分分析对小波包能量特征进行降维处理；4)将每一段信号经过归一化处理和降维处理后的小波包能量特征值作为输入向量，构造故障样本集，并且设定四类样本标签，分别对应滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障；5)利用故障样本集推导得到多分类相关向量机的核参数集，并利用故障类型数量和故障样本总数初始化辅助变量，尺度矩阵及权重矩阵；6)将故障样本集划分为设定数量的训练样本集和测试样本集，选择高斯核作为多分类相关向量机核函数，并将训练样本输入到多分类相关向量机中进行训练，自适应地构造滚动轴承故障诊断模型；7)利用测试样本集输入多分类相关向量机中进行故障识别，以获得最终故障诊断准确率；以及8)采集待故障诊断的滚动轴承原始振动信号，并执行步骤(2)至步骤(4)对原始振动信号进行预处理，之后利用上述多分类相关向量机进行故障识别，其概率性输出模式为：其中，矩阵P中每一行，顺次表示滚动轴承工作状态为正常状态、外圈故障、内圈故障、滚动体故障的概率值大小，判定滚动轴承最后工作状态由每一行对应状态的最大概率值决定；若存在滚动轴承两种工作状态的概率值相近，则两者都有发生故障可能性，在所述步骤(6)中，还包括利用梯度下降求极值的方法优化多分类相关向量机模型，搜寻出最优的核参数值，其中，搜寻出最优的核参数值包括如下步骤：6‑1)初始化参数，包括第n次迭代的步长γ_n、核参数起始值β₁、允许误差δ；6‑2)计算梯度值其计算公式如下：其中，ω(β)是同类样本间的夹角函数，b(β)是不同类样本间的夹角函数，其计算公式如下：上式中引入标准化核函数将样本间的相似度转化为样本间的夹角，x,z是训练样本，L表示训练样本的类别，β是核参数，6‑3)通过步长γ_n、β_n和确定β_n+1，核参数值的迭代公式如下：6‑4)计算β_n和β_n+1的差值，并且与允许误差δ比较,若满足终止条件，则输出最优核参数，否则返回步骤(8‑2)继续迭代计算，直到搜寻出最优的核参数值，该终止条件的公式如下：β_n+1‑β_n≤δ‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑(5)上述中J(β)的复杂度取决于样本的训练个数及维度。