[发明专利]一种不均衡数据SVM轴承故障检测方法

说明书

技术领域

本发明涉及的是一种轴承故障的检测方法。

背景技术

在工业领域中，滚动轴承对整体机械设备的影响是至关重要的，机械运行过程中对滚动轴承的工作状态进行实时监测，能够有效地确保整体机械设备运行的安全性。

目前，轴承故障检测最常用的方法是神经网络方法，但是神经网络方法容易出现维数灾难、局部极值等问题，检测效果往往不是很理想。支持向量机(support vector machine：SVM)是建立在基于统计学习理论和结构风险最小化基础上的一种新型学习方法。相对于传统的智能学习方法，SVM能够较好地解决维数灾难、小样本学习、非线性和局部极值等问题，特别是由于SVM在小样本学习方面展现的良好的泛化性能，使得SVM在滚动轴承故障检测领域中具有广泛的应用。

SVM是有监督学习方法，对均衡数据的检测效果最为理想。但由于滚动轴承的故障数据难以获得，训练数据集往往是不均衡的，故障样本为SVM检测器提供的信息较少，导致故障样本容易被错分，从而增加了故障的漏检率。因此，目前多采用将不均衡数据转化为均衡数据的方法来训练SVM检测器。实现数据均衡的方法有以下几种：第一种方法是故障样本过采样法，目前使用最多的是该方法，但该方法增加了故障样本数的同时容易产生大量的重复信息，并且在正常样本中存在着大量的冗余信息和噪声会对SVM检测器产生负面影响；第二种方法是正常样本欠采样法，目前常用的欠采样法是随机欠采样法，但该方法减少正常样本数的同时存在较大的随机性，容易丢失正常样本中的有用信息，并且去除冗余信息和噪声并不彻底。

发明内容

本发明的目的在于提供具有较强的去除正常状态样本中的冗余信息和噪声能力的一种不均衡数据SVM轴承故障检测方法。

本发明的目的是这样实现的：

本发明一种不均衡数据SVM轴承故障检测方法，其特征是：

(1)利用安装在感应电动机输出轴的传感器收集振动信号；

(2)利用互信息函数指标和虚假最近邻点法来确定嵌入维数和延迟的时间间隔，采用时间延迟技术重构正常样本相空间，故障类型的样本在所述的正常样本空间的投影系数为故障特征；

(3)α表示需要删除的正常类样本的个数和正常类样本数与故障类样本数间差值的比值，取α初值为0.3，利用α的初定值与训练样本中正常类样本数目和故障类样本数目之间的差值分别确定需删除和增加的样本数目，分别利用ODR算法和BSMOTE算法删除正常类样本，增加人工故障类样本，达到训练数据集均衡；

(4)利用步骤(3)均衡后的训练数据集对SVM检测器进行训练，调整α值进行均衡数据的处理再放入SVM检测器进行训练，直至检测性能指标达到0.6，所述的检测性能指标为几何平均率G：其中P是正常样本检测正确率，N是故障样本检测正确率；

(5)对于待测试的轴承数据样本，将其输入到训练好的SVM检测器中，得到滚动轴承的工作状态，实现滚动轴承故障检测。

本发明的优势在于：本发明将ODR和BSMOTE方法相结合对数据样本采样进行改进，具有较强的去除正常状态样本中的冗余信息和噪声能力，进而提高不均衡数据SVM轴承故障检测器的检测性能。

附图说明

图1为本发明的流程图；

图2为BSMOTE算法的流程图；

图3为ODR算法的流程图；

图4为不同比例内圈故障数据各种方法G性能比较图；

图5为不同比例外圈故障数据各种方法G性能比较图；

图6为不同比例滚动体故障数据各种方法G性能比较图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～6，本发明一种不均衡数据SVM轴承故障检测方法，包括以下步骤：

(1)利用安装在感应电动机输出轴的传感器收集振动信号；

(2)利用互信息函数指标和虚假最近邻点法来确定嵌入维数和延迟的时间间隔，采用时间延迟技术重构正常样本相空间，故障类型的样本在所述的正常样本空间的投影系数为故障特征；

(3)α表示需要删除的正常类样本的个数和正常类样本数与故障类样本数间差值的比值，取α初值为0.3，利用α的初定值与训练样本中正常类样本数目和故障类样本数目之间的差值分别确定需删除和增加的样本数目，分别利用ODR算法和BSMOTE算法删除正常类样本，增加人工故障类样本，达到训练数据集均衡；