[发明专利]基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法

权利要求书

1.基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法，其特征在于：该方法包括以下步骤：

(1)利用安装在感应电动机输出轴的支撑轴承上端机壳上的振动加速传感器收集该轴承在不同工状下的振动信号，设共有四种工状：正常状态、内圈故障状态、外圈故障状态和滚动体故障状态，然后分别对各种工况下的信号进行长度为1024分段处理得到整个时域信号集合S_m∈R^1024×m，其中m表示整个时域信号训练样本集合的个数，S_n∈R^1024×n为有标签时域信号样本集合，其中n表示有标签时域信号训练样本集合的个数n＜＜m；

(2)对步骤(1)获取的训练样本信息进行特征提取，得到能有效反应各种工况下振动信号特征集合，设共有d个特征，则整个训练样本特征集合X^*_m∈R^d×m；有标签样本特征集合X^*_n∈R^d×n；

(3)对步骤(2)获取的特征训练样本集合进行标准化处理，使每个特征指标的数值范围确定在均值为0，方差为1的标准正态分布区间内；则归一化后整个训练样本特征集合X_m∈R^d×m；归一化后有标签样本特征集合X_n∈R^d×n；

(4)对步骤(3)获取的归一化后的整个训练样本特征集合X_m利用密度峰值聚类算法求得聚类标签集合以及是否为边界点的标识集合

(5)利用步骤(4)得到的聚类标签集合和标识集合构造局部聚类间散度S^ulb和局部聚类内散度S^ulw正则化项，并同局部Fisher判别分析中的有标签样本X_n所对应的局部类间散度S^lb和局部类内散度S^lw一起进行优化求解，确定最终投影向量T_ss-KLFDA∈R^m×r，其中降维维度为r＜＜d；

(6)利用步骤(5)中得到的投影向量T_ss-KLFDA求解X_m在r维降维子空间中的投影向量集合Z_m∈R^r×m，以及X_n的投影向量集合Z_n∈R^r×n；

(7)利用步骤(6)中求得的降维后投影向量集合Z_n∈R^r×n训练极限学习机模型M_elm；

(8)通过安装在感应电动机输出轴的支撑轴承上端机壳上的振动加速传感器收集该轴承的振动信号，经长度为1024分段处理根据步骤(2)的方法计算特征向量经过步骤(3)的方法归一化后得X_new∈R^d×1，利用步骤(5)得到的投影向量T_ss-KLFDA求解X_new在r维降维子空间中的投影向量集合Z_new∈R^r×1然后输入到训练好的模型M_elm中确定当前轴承最终的工作状态。

2.根据权利要求1所述的基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法，其特征在于，对步骤(2)中的特征提取所采用的方法是提取振动信号时域片段12个统计特征，其中包括平均值、均方根、方差、标准差、整流平均值、峰-峰值、峭度值、峰值因子、波形因子、峭度因子、脉冲因子、裕度因子，利用DB4小波对振动信号时域片段进行5层小波分解并提取5个细节分量和1个近似分量的能量谱和能量谱熵共12维故障特征，以及对振动信号时域片段进行5层经验模式分解并提取5个基本模式分量和1个余项的能量谱和能量谱熵共12维故障特征，组合后共计d＝32维特征。