System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风机故障诊断,尤其涉及一种基于局部线性嵌入算法的风机故障诊断方法及诊断模块。
技术介绍
1、在风机故障诊断领域,传统的方法包括模型诊断、信号处理、深度学习等。然而,这些方法在处理高维数据时往往存在维数灾难和计算复杂度高等问题。局部线性嵌入算法是一种能够在高维空间中挖掘数据特征并映射到低维空间的流形学习技术,因为其计算复杂度低的特性在风机故障诊断领域受到了广泛应用和研究。然而,目前的应用和研究仍然存在以下问题:
2、(1)k邻域参数敏感问题:k邻域参数通常需要手动设置,不同数据集的最佳邻域参数取值也不同,这不仅给实际应用带来困难,还容易导致诊断结果的偏差和不准确性。
3、(2)挖掘局部几何结构单一问题:传统局部线性嵌入算法难以发现数据中全面准确的局部几何结构,而在风机故障诊断中,多种不同类型的故障同时存在,使用单一的局部几何结构难以满足诊断的需求。
技术实现思路
1、有鉴于此,本专利技术的目的在于提出一种基于局部线性嵌入算法的风机故障诊断方法及诊断模块,以解决现有方法诊断结果不准确的问题。
2、基于上述目的,本专利技术提供了一种基于局部线性嵌入算法的风机故障诊断方法,包括以下步骤:
3、s1、获取风机轴承故障数据,通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中di表示维度,q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据
4、s2、寻找每个样本的kmin-kmax近邻;
5、s3、求得每个样本点取k近邻时对应的逼近系数,其中;
6、s4、取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令ki=k,得到自适应邻域k,其中ki表示第i个样本的自适应邻域参数;
7、s5、根据自适应邻域k,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
8、s6、根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化,并利用降维结果进行风机故障诊断,输出风机故障诊断结果。
9、优选地,关键时频域统计特征为29个,包括:均值、标准差、均方根值、方根幅值、能量、峰度、峰度因子、裕度因子、组成因子、脉冲因子、最大值、最小值、峰峰值、绝对值、绝对峰值因子、二阶中心距、偏度、谱幅值均值、谱幅值标准差、谱幅值偏度、谱幅值峭度、谱频率重心、谱频率标准差、谱频率均方根、谱根4/2矩比、ft1、谱变异系数、谱频率峭度、谱频率偏度。
10、优选地,步骤s2进一步包括,通过以下公式寻找每个样本的kmin-kmax近邻:
11、;
12、其中,表示除样本外的另一样本,,该值越接近于1,两个样本点相似性就越高。
13、优选地,步骤s3中,求得逼近系数的公式为:
14、;
15、其中,n=2表示切空间标准正交基数量为2,是的奇异值,是由的k个近邻点构成的矩阵。
16、优选地,步骤s5进一步包括以下子步骤:
17、s51、根据自适应邻域k,利用如下公式求每个样本点的线性权重w:
18、;
19、s52、利用下式求得每个样本点的局部偏移信息:
20、;
21、其中,ki表示样本xi的自适应邻域,定义,表示到切空间的投影,ki表示样本的自适应邻域,表示与处切空间之间的夹角,处切空间之间的夹角,表示点与其邻域点之间的局部偏移量;
22、s53、将局部偏移量归一化,得到线性权重:
23、;
24、s54、利用下式求得集成权重系数:
25、;
26、其中α表示权衡系数,用于衡量两个权重的重要性,是第i个样本点与其第 j个近邻点之间的集成权重系数,表示第i个样本点与其第 j个近邻点之间的线性权重。
27、优选地,根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果包括:利用以下公式获得低维嵌入结果y:
28、;
29、其中,yi和yj是降维结果y的样本,ii表示单位矩阵,,n表示样本数量,w*是所有样本点与其所有近邻点的集合矩阵。
30、本专利技术还提供一种基于局部线性嵌入算法的风机故障诊断模块,包括fpga板及配置于该fpga板上的:
31、数据获取模块,用于获取风机轴承故障数据;
32、数据处理模块,用于通过时频域联合分析对风机轴承故障数据进行预处理,提取风机轴承故障数据的关键时频域统计特征,得到处理后的数据,其中di表示维度,q表示样本数量,风机轴承故障数据包括正常数据、内圈故障数据、外圈故障数据和滚珠故障数据;
33、计算模块,用于寻找每个样本的kmin-kmax近邻,并求得每个样本点取k近邻时对应的逼近系数,其中;
34、自适应邻域处理模块,用于取每个样本点最小的逼近系数对应的k值作为自适应邻域参数,并令ki=k,得到自适应邻域k,其中ki表示第i个样本的自适应邻域参数;
35、权重处理模块,用于根据自适应邻域k,通过多结构集成方法挖掘局部流形几何结构,得到样本点的集成权重系数;
36、降维处理模块,用于根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果,将低维嵌入结果可视化;
37、输出模块,用于利用降维结果进行风机故障诊断,输出风机故障诊断结果。
38、本专利技术的有益效果:
39、(1)、自适应选择邻域参数,解决了邻域参数选取的敏感问题;
40、(2)、将数据局部几何线性结构以及局部偏移信息相结合,挖掘了更全面准确的局部流形几何结构;
41、(3)、使用改进的局部线性嵌入算法对高维稀疏的风机数据进行降维,能够提取各类风机数据的关健特征,降维结果具有较高的聚类准确度,能够明显区分各类风机故障数据,而且算法受参数的影响较小具有较强的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述关键时频域统计特征为29个,包括:均值、标准差、均方根值、方根幅值、能量、峰度、峰度因子、裕度因子、组成因子、脉冲因子、最大值、最小值、峰峰值、绝对值、绝对峰值因子、二阶中心距、偏度、谱幅值均值、谱幅值标准差、谱幅值偏度、谱幅值峭度、谱频率重心、谱频率标准差、谱频率均方根、谱根4/2矩比、FT1、谱变异系数、谱频率峭度、谱频率偏度。
3.根据权利要求1所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,步骤S5进一步包括以下子步骤:
4.根据权利要求3所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,根据样本点的集成权重系数,通过最小化损失函数获得最优的低维嵌入结果包括:利用以下公式获得低维嵌入结果Y:
5.一种基于局部线性嵌入算法的风机故障诊断模块,其特征在于,包括FPGA板及配置于该FPGA板上的:
【技术特征摘要】
1.一种基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的基于局部线性嵌入算法的风机故障诊断方法,其特征在于,所述关键时频域统计特征为29个,包括:均值、标准差、均方根值、方根幅值、能量、峰度、峰度因子、裕度因子、组成因子、脉冲因子、最大值、最小值、峰峰值、绝对值、绝对峰值因子、二阶中心距、偏度、谱幅值均值、谱幅值标准差、谱幅值偏度、谱幅值峭度、谱频率重心、谱频率标准差、谱频率均方根、谱根4/2矩比、ft...
【专利技术属性】
技术研发人员:陈思宁,王佩林,
申请(专利权)人:傲拓科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。