一种基于压缩感知和相关向量机的轴承故障智能诊断方法技术

本发明专利技术公开了一种基于压缩感知和相关向量机的轴承故障智能诊断方法，该方法通过振动信号分析实现故障诊断。首先基于压缩感知理论，选取高斯随机矩阵作为测量矩阵实现信号的压缩采样，其次构造过完备冗余字典对信号进行稀疏表示，接着利用正交匹配追踪算法实现信号重构，并对重构后的信号选取对故障特征敏感的时域指标作为特征向量，最后选取高斯函数作为核函数，利用特征向量划分训练样本和测试样本，将训练样本导入相关向量机构造相关向量机模型的智能识别器，并将测试结果与实际故障类型和程度进行比较，得到诊断模型的有效性。本发明专利技术能解决海量数据传输处理困难以及轴承振动信号信噪比低的问题，较为准确地实现轴承故障的定性与定量识别。障的定性与定量识别。障的定性与定量识别。

【技术实现步骤摘要】
一种基于压缩感知和相关向量机的轴承故障智能诊断方法


[0001]本专利技术属于故障诊断
，具体涉及一种轴承故障智能诊断方法。

技术介绍

[0002]轴承是机械设备的核心部件，同时也是最易损伤的部件之一，大型旋转机械设备中滚动轴承的运行状况直接关系到设备的安全、经济运行，一旦滚动轴承出现故障，将会引起连锁反应，轻则造成传动系统失效，重则引发机毁人亡的严重事故。因此，对滚动轴承的运行状态监测及故障诊断具有重要意义。
[0003]然而，传统的对轴承振动信号的实时监测必然会产生海量数据，与此同时振动信号的采集还需要满足奈奎斯特采样定理的要求，造成海量数据的传输和处理困难；另一方面在实际工况中，由于外部工作环境的干扰，获取的机械设备振动信号中通常存在着一些噪声信号，采集得到的振动信号是非平稳、非线性的微弱信号，易受周围噪声干扰，信噪比较低，给特征提取和故障诊断带来了困难。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供了一种基于压缩感知和相关向量机的轴承故障智能诊断方法，该方法通过振动信号分析实现故障诊断。首先基于压缩感知理论，选取高斯随机矩阵作为测量矩阵实现信号的压缩采样，其次构造过完备冗余字典对信号进行稀疏表示，接着利用正交匹配追踪算法实现信号重构，并对重构后的信号选取对故障特征敏感的时域指标作为特征向量，最后选取高斯函数作为核函数，利用特征向量划分训练样本和测试样本，将训练样本导入相关向量机构造相关向量机模型的智能识别器，并将测试结果与实际故障类型和程度进行比较，得到诊断模型的有效性。本专利技术能解决海量数据传输处理困难以及轴承振动信号信噪比低的问题，较为准确地实现轴承故障的定性与定量识别。
[0005]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0006]步骤1：采用加速度传感器对轴承工作时的机械振动信号进行数据采集，将轴承的机械振动信号转化为电振动信号；
[0007]步骤2：将高斯随机矩阵作为测量矩阵，以压缩比a
r
对轴承电振动信号压缩采样；
[0008]选用正余弦原子库、离散余弦原子库、多项式原子库以及小波和小波包原子库组成过完备冗余字典实现对轴承电振动信号的稀疏表示；
[0009]采用正交匹配追踪算法对轴承电振动信号的稀疏表示求解得到重构信号；
[0010]步骤3：采用时域指标作为轴承的故障特征向量；
[0011]步骤4：按照步骤1到步骤3分别对正常状态、内圈故障、外圈故障和滚动体故障四种状态下轴承的机械振动信号进行处理，获得故障特征向量集，并将故障特征向量集划分为训练样本集及测试样本集；
[0012]步骤5：构造相关向量机，采用高斯径向基函数作为核函数；
[0013]步骤6：对故障特征向量集的所有故障特征向量设定标签，标签共有四种，分别为轴承的四种工作状态，即正常状态、外圈故障、内圈故障及滚动体故障；
[0014]步骤7：采用训练样本集训练相关向量机，训练完成得到基于相关向量机模型的轴承故障诊断识别器；将测试样本集输入到轴承故障诊断识别器中进行故障识别，获得轴承故障判断准确率；
[0015]步骤8：对待故障诊断轴承的机械振动信号按照步骤1到步骤3的方法进行处理，获得故障特征向量；将故障特征向量输入至步骤7所构建的轴承诊断识别器中进行识别，输出轴承故障类型。
[0016]优选地，所述时域指标为峰值、有效值、方差、峭度指标、脉冲指标、峰值指标、波形指标和裕度指标。
[0017]优选地，所述a
r
＝0.5。
[0018]优选地，所述对轴承电振动信号压缩采样的公式为：
[0019]y＝Φx＝ΦΨα＝Aα∈R
D
[0020]其中，y是观测向量，Φ是测量矩阵，x是机械振动信号，Ψ是过完备冗余字典，A＝ΦΨ是感知矩阵，α是稀疏向量，R表示实数集，D表示维度。
[0021]优选地，所述采用正交匹配追踪算法对轴承电振动信号的稀疏表示求解得到重构信号的方法为：
[0022]步骤2-1：设定感知矩阵A、观测向量y及稀疏度K；
[0023]步骤2-2：初始化迭代次数k＝1，残差r0＝y，索引集合原子库矩阵
[0024]步骤2-3：计算残差r
k-1
与感知矩阵A的最相关列a
i
对应的索引值λ
k
＝arg max
i＝1,2,
…
,M
|<r
k-1
,a
i
>|，更新索引集合Λ
k
＝Λ
k-1
∪λ
k
及原子库矩阵A
k
＝M为感知矩阵A的列数；
[0025]步骤2-4：利用最小二乘法更新稀疏向量α
k
＝arg min
α
‖y-Aα‖2；
[0026]步骤2-5：更新残差r
k
＝y-A
k
α
k
，令k加1，若k>K成立，得到重构信号，否则返回步骤2-3继续进行迭代过程。
[0027]优选地，所述构造相关向量机的步骤为：
[0028]步骤5-1：给定一组训练样本，为样本的特征向量，为样本的目标向量，N为训练样本总数；
[0029]步骤5-2：相关向量机的模型输出表示为式中K(x,x
i
)为核函数，ω
i
为模型权值，ω0为初始权值；
[0030]步骤5-3：假设样本的目标向量独立，且存在噪声t
i
＝y(x
i
,ω)+ε
i
，式中ε
i
为噪声，服从均值为0，方差为σ2的高斯分布；
[0031]步骤5-4：得到最大似然函数
[0032][0033]式中Φ为设计矩阵，表示为：
[0034]Φ＝[φ(x1),φ(x2),
…
,φ(x
N
)]T
,φ(x
i
)＝[1,K(x
i
,x1),K(x
i
,x2),
…
,K(x
i
,x
N
)]T
；
[0035]步骤5-5：求解ω和σ2，为了避免使用最大似然估计法求解时产生过拟合现象，对ω赋予先验的条件概率其中α＝[α0,α1,
…
α
n
]T
是N+1维的超参数向量，决定权值的先验分布；
[0036]步骤5-6：经过迭代计算得到所有ω
i
权值，其中非零权值对应的x
i
称为相关向量；将得到的所有ω
i
权值代入得到训练样本的概率预测值，确定训练样本所属类型。
[0037]优选地，所述采用轴承诊断识别器进行识别时，输出概率模式为P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩感知和相关向量机的轴承故障智能诊断方法，其特征在于，包括以下步骤：步骤1：采用加速度传感器对轴承工作时的机械振动信号进行数据采集，将轴承的机械振动信号转化为电振动信号；步骤2：将高斯随机矩阵作为测量矩阵，以压缩比a
r
对轴承电振动信号压缩采样；选用正余弦原子库、离散余弦原子库、多项式原子库以及小波和小波包原子库组成过完备冗余字典实现对轴承电振动信号的稀疏表示；采用正交匹配追踪算法对轴承电振动信号的稀疏表示求解得到重构信号；步骤3：采用时域指标作为轴承的故障特征向量；步骤4：按照步骤1到步骤3分别对正常状态、内圈故障、外圈故障和滚动体故障四种状态下轴承的机械振动信号进行处理，获得故障特征向量集，并将故障特征向量集划分为训练样本集及测试样本集；步骤5：构造相关向量机，采用高斯径向基函数作为核函数；步骤6：对故障特征向量集的所有故障特征向量设定标签，标签共有四种，分别为轴承的四种工作状态，即正常状态、外圈故障、内圈故障及滚动体故障；步骤7：采用训练样本集训练相关向量机，训练完成得到基于相关向量机模型的轴承故障诊断识别器；将测试样本集输入到轴承故障诊断识别器中进行故障识别，获得轴承故障判断准确率；步骤8：对待故障诊断轴承的机械振动信号按照步骤1到步骤3的方法进行处理，获得故障特征向量；将故障特征向量输入至步骤7所构建的轴承诊断识别器中进行识别，输出轴承故障类型。2.根据权利要求1所述的一种基于压缩感知和相关向量机的轴承故障智能诊断方法，其特征在于，所述时域指标为峰值、有效值、方差、峭度指标、脉冲指标、峰值指标、波形指标和裕度指标。3.根据权利要求1所述的一种基于压缩感知和相关向量机的轴承故障智能诊断方法，其特征在于，所述a
r
＝0.5。4.根据权利要求1所述的一种基于压缩感知和相关向量机的轴承故障智能诊断方法，其特征在于，所述对轴承电振动信号压缩采样的公式为：y＝Φx＝ΦΨα＝Aα∈R
D
其中，y是观测向量，Φ是测量矩阵，x是机械振动信号，Ψ是过完备冗余字典，A＝ΦΨ是感知矩阵，α是稀疏向量，R表示实数集，D表示维度。5.根据权利要求1所述的一种基于压缩感知和相关向量机的轴承故障智能诊断方法，其特征在于，所述采用正交匹配追踪算法对轴承电振动信号的稀疏表示求解得到重构信号的方法为：步骤2-1：设定感知矩阵A、观测向量y及稀疏度K；步骤2-2：初始化迭代次数k＝1，残差r0＝y，索引集合原子库矩阵步骤2-3：计算残差r
k-1
与感知矩阵A的最相关列a
i
对应的索引值λ
k
＝arg max
i＝1，2，
…
，M
|<r
k-1
，a
i
>|，更新索引集合Λ

【专利技术属性】
技术研发人员：甘忠，杨乐，薛超，凌子昊，石睿晋，石望兴，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：