【技术实现步骤摘要】
本专利技术属于滚动轴承故障诊断的，具体涉及基于改进smote和改进蜂群算法的轴承故障诊断方法及系统。
技术介绍
1、工业4.0的背景下，随着社会的发展，机械设备正逐步向自动化、复杂化、智能化和精密化迈进，对设备稳定性和可靠性提出更高要求，对于故障的准确识别和判断成为保证生产安全和人民生命财产安全的重点。但是在实际当中，存在故障样本数据不平均的问题，当某一类故障样本数量少时，如何设计小样本故障诊断方法成了解决问题的关键。本专利技术就提出一种基于改进smote和蜂群算法的不均衡样本轴承故障诊断策略。
技术实现思路
1、针对现有技术的不足，本专利技术提出了基于改进smote和改进蜂群算法的轴承故障诊断方法及系统，所提出的故障诊断策略，有效提升了样本数据不均衡条件下轴承故障诊断能力。
2、为实现上述目的，本专利技术提供了如下方案：
3、基于改进smote和改进蜂群算法的轴承故障诊断方法，包括以下步骤：
4、s1：采用三轴加速度传感器对轴承故障信号数据进行采集，对采集后的轴承故障信号数据进行分段处理，获得样本集；
5、s2：将基于密度比的共享最近邻聚类算法结合到合成少数类过采样技术smote算法中，对样本的轴承故障信号数据进行平衡，获得平衡后的数据集；
6、s3：对所述平衡后的数据集进行降解变分模态分解，提取轴承故障信号数据的时频域特征；
7、s4：利用relief-f算法对所述时频域特征进行权重排序，选择符合预设要求的
8、s5：构建基于改进蜂群算法的随机森林故障诊断模型；
9、s6：利用所述随机森林故障诊断模型对所述轴承故障特征进行分类识别。
10、优选的，所述s2中，将基于密度比的共享最近邻聚类算法结合到合成少数类过采样技术smote算法中，对样本的轴承故障信号数据进行平衡的方法包括：
11、引入合成少数类过采样技术smote对样本进行数据平衡，获得初级样本；
12、基于初级样本的共享最近邻相似度，生成样本的k个最近邻，并结合平均密度比和密度比阈值，对生成的最近邻进行筛选，获得平衡数据集。
13、优选的，样本xi和k个最近邻的平均密度之比计算公式为：
14、
15、其中，x为所生成的样本，k为新生成的样本数，snk(xi)为xi根据相似度得到的k个最近邻，dr(xi)为新生成样本的密度与其最邻近的平均密度之比，de(xi)为新生成样本xi的密度；
16、其中，de(xi)获得的方法为：
17、
18、其中，snn代表smote生成的样本xi和原始样本xj之间的共享最近邻相似度；
19、其中，snn获得的方法为：
20、snn(xi,xi)＝|nk(xi)∩nj(xj)|，
21、其中，nk(xi)和nk(xj)代表xi和xj的最近邻。
22、优选的，所述s5中，构建基于改进蜂群算法的随机森林故障诊断模型的方法包括：
23、利用模拟二进制交叉改进的人工蜂群算法，优化原始随机森林分类模型中决策树的数量和构建决策树所需特征的数量，获得优化后的随机森林模型；
24、基于优化后的随机森林模型，得到随机森林故障诊断模型。
25、本专利技术还提供了基于改进smote和改进蜂群算法的轴承故障诊断系统，包括以下步骤：采集模块、数据平衡模块、特征提取模块、特征选择模块、分类策略模块和特征识别模块；
26、所述采集模块用于采用三轴加速度传感器对轴承故障信号数据进行采集，对采集后的轴承故障信号数据进行分段处理，获得样本集；
27、所述数据平衡模块用于将基于密度比的共享最近邻聚类算法结合到合成少数类过采样技术smote算法中，对样本的轴承故障信号数据进行平衡，获得平衡后的数据集；
28、所述特征提取模块用于对所述平衡后的数据集进行降解变分模态分解，提取轴承故障信号数据的时频域特征；
29、所述特征选择模块用于利用relief-f算法对所述时频域特征进行权重排序，选择符合预设要求的轴承故障特征；
30、所述分类策略模块用于构建基于改进蜂群算法的随机森林故障诊断模型；
31、所述特征识别模块用于利用所述随机森林故障诊断模型对所述轴承故障特征进行分类识别。
32、优选的，所述数据平衡模块包括：初级数据平衡单元和深度数据平衡单元；
33、所述初级数据平衡单元用于引入合成少数类过采样技术smote对样本进行数据平衡，获得初级样本；
34、所述深度数据平衡单元用于基于初级样本的共享最近邻相似度，生成样本的k个最近邻，并结合平均密度比和密度比阈值，对生成的最近邻进行筛选，获得平衡数据集。
35、优选的，样本xi和k个最近邻的平均密度之比计算公式为：
36、
37、其中，x为所生成的样本，k为新生成的样本数，snk(xi)为xi根据相似度得到的k个最近邻，dr(xi)为新生成样本的密度与其最邻近的平均密度之比，de(xi)为新生成样本xi的密度；
38、其中，de(xi)获得的过程为：
39、
40、其中，snn代表smote生成的样本xi和原始样本xj之间的共享最近邻相似度；
41、其中，snn获得的过程为：
42、snn(xi,xi)＝|nk(xi)∩nj(xj)|，
43、其中，nk(xi)和nk(xj)代表xi和xj的最近邻。
44、优选的，所述分类策略模块包括：优化单元和分类器单元；
45、所述优化单元用于利用模拟二进制交叉改进的人工蜂群算法，优化原始随机森林分类模型中决策树的数量和构建决策树所需特征的数量，获得优化后的随机森林模型；
46、所述分类器单元用于基于优化后的随机森林模型，得到随机森林故障诊断模型。
47、与现有技术相比，本专利技术的有益效果为：
48、本专利技术提出的基于改进smote和蜂群算法的不均衡样本轴承故障诊断策略，在处理不均衡故障数据集的分类时，引入基于密度比的共享最近邻聚类算法，在利用smote生成的初级样本基础上，找到少数样本的k个最近邻从而增强样本数量和质量。同时为提高随机森林的分类性能，提出的基于模拟二进制交叉的改进人工蜂群算法，实现随机森林关键参数的优化，从而有效提升故障诊断的精度。
本文档来自技高网...【技术保护点】
1.基于改进SMOTE和改进蜂群算法的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进SMOTE和改进蜂群算法的轴承故障诊断方法，其特征在于，所述S2中，将基于密度比的共享最近邻聚类算法结合到合成少数类过采样技术SMOTE算法中，对样本的轴承故障信号数据进行平衡的方法包括：
3.根据权利要求2所述的基于改进SMOTE和改进蜂群算法的轴承故障诊断方法，其特征在于，样本xi和k个最近邻的平均密度之比计算公式为：
4.根据权利要求1所述的基于改进SMOTE和改进蜂群算法的轴承故障诊断方法，其特征在于，所述S5中，构建基于改进蜂群算法的随机森林故障诊断模型的方法包括：
5.基于改进SMOTE和改进蜂群算法的轴承故障诊断系统，其特征在于，包括以下步骤：采集模块、数据平衡模块、特征提取模块、特征选择模块、分类策略模块和特征识别模块；
6.根据权利要求5所述的基于改进SMOTE和改进蜂群算法的轴承故障诊断系统，其特征在于，所述数据平衡模块包括：初级数据平衡单元和深度数据平衡单元；
7.根据权利
8.根据权利要求5所述的基于改进SMOTE和改进蜂群算法的轴承故障诊断系统，其特征在于，所述分类策略模块包括：优化单元和分类器单元；
...【技术特征摘要】
1.基于改进smote和改进蜂群算法的轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进smote和改进蜂群算法的轴承故障诊断方法，其特征在于，所述s2中，将基于密度比的共享最近邻聚类算法结合到合成少数类过采样技术smote算法中，对样本的轴承故障信号数据进行平衡的方法包括：
3.根据权利要求2所述的基于改进smote和改进蜂群算法的轴承故障诊断方法，其特征在于，样本xi和k个最近邻的平均密度之比计算公式为：
4.根据权利要求1所述的基于改进smote和改进蜂群算法的轴承故障诊断方法，其特征在于，所述s5中，构建基于改进蜂群算法的随机森林故障诊断模型的方法包括：...
【专利技术属性】
技术研发人员：王海泉，杨岳毅，王亚辉，郭修远，温盛军，
申请(专利权)人：中原工学院，
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。