买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽工业大学

摘要：本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

主权项：1.一种基于非线性流形学习的滚动轴承故障诊断方法，其特征在于：包括以下步骤：S1：采集滚动轴承的各类工况信号，采集的工况信号具体为：利用振动加速度传感器对滚动轴承的正常状态、外圈故障状态、内圈故障状态以及滚动体故障状态下的径向振动加速度信号进行采集；S2：对采集的滚动轴承各工况信号利用深度置信网络进行特征提取并构建高维故障特征集，然后对高维故障特征集进行二次特征筛选和维数约减，获得低维样本数据；S3：利用低维样本数据构建可视化三维图，可视化三维图的具体构建过程为：利用作图软件构建三维坐标系并将低维样本数据导入坐标系中，在三维坐标系中使用正方形、三角形、六边形和菱形四种形状分别表示滚动轴承的正常工况、外圈故障、内圈故障和滚动体故障四类样本数据在三维坐标系中的分布情况；S4：对所构建的可视化三维图进行分析，利用类间散度和类内散度具体表示四类样本数据在坐标系中的离散度，即类间散度越大，不同故障样本之间的距离在坐标系中越分散；类内散度越小，同类故障样本之间在坐标系中聚集性越高；类间散度大、类内散度小，表示分类效果越好；S3中四类样本数据在三维坐标系中的分布情况为：不同类别样本之间的类间散度大，每一类样本之间的类内散度小，即四类样本在坐标系中可以被有效区分，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型；在邻域图构建过程中融入监督学习思想，能够提高对故障样本集中存在的奇异数据点的辨识能力，监督学习算法的具体步骤如下：1首先利用k近邻法构建邻域图G′V,E,ω，其中边界权重ωAi,Bi∈{0,1}用以衡量近邻点之间的强弱连接类型，其表达如下： 2当ωAi,Bi为1时，构建约束集Sml，当ωAi,Bi为0时，构建约束集Sll，如下所示：Sml＝{Ai,Bi＝1,lAi＝lBi}Sll＝{Ai,Bi＝0,lAi≠lBi}其中lAi表示样本点A的类别信息，lBi表示样本点B的类别信息；3基于以上分析，可对同类标签样本构建强连接型约束邻域图G′mlV,E,ω，对异类标签样本构建弱连接型约束邻域图Gl′lV,E,ω；对强连接型约束邻域图G′mlV,E,ω上两点Ai和Bi进行分析，其约束关系Ai,Bi∈Sml，对应的边长为： 式中，dMAi,Bi表示为Ai和Bi之间的马氏距离，μ为抑制类间距离增长的调节因子；4对弱连接型约束邻域图Gl′lV,E,ω上的Ai和Bi进行分析，其约束关系Ai,Bi∈Sll，对应边长为： 式中，为控制类间距离最小值和类内距离相近性的调节因子；5基于以上分析可得到监督距离矩阵定义为： 6根据上述步骤，充分利用监督学习思想和基于马氏距离的度量方式，对高维故障特征集进行二次特征筛选和维数约减，从而得到高维数据点整体拓扑的低维表示。

全文数据：

权利要求：

百度查询： 安徽工业大学 一种基于非线性流形学习的滚动轴承故障诊断方法