[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

说明书

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)收集轴承不同工状下振动信号经分段后构成训练样本；(2)对(1)获取的训练样本进行特征提取；(3)对(2)的特征归一化处理；(4)对(3)的全体特征集合利用密度峰值聚类求得聚类标签集；(5)用(4)的聚类伪标签构造局部聚类间散度和聚类内散度正则化项，并同FDA中有标签样本的类间散度和类内散度结合，确定最终投影向量；(6)利用(5)的投影向量求有标签特征集在降维空间中的投影集合；(7)利用(6)的投影集合训练极限学习机；(8)对收集的振动信号经(2)、(3)和(5)处理后输入到模型中确定工况。本发明申请应用于轴承设备的故障识别问题。

技术领域：

本发明申请涉及一种轴承设备故障诊断领域，尤其涉及一种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。

背景技术：

在工业领域中，为了增加设备性能的可靠性，降低由于机器故障原因导致产量下降的几率，机器运行状态的监控越来越受到人们的重视。旋转机械是工业部门中应用最为广泛的一类机械设备，汽轮机、压缩机、风机和轧机等诸多机械都属于这一类。然而，其核心部件轴承常常由于各种不同形式的故障影响其正常工作，有时甚至会由于某故障引发严重的机毁人亡事故，并造成重大的经济损失，因此开展故障诊断的研究具有十分重要的现实意义。

机械设备故障诊断就是对测取的含有故障信息的信号利用信号处理和分析技术，找出和故障有关的特征参数并利用这些特征参数对设备的实时技术状态进行判别。这里涉及到两个方面的问题，一是利用信号处理技术进行特征提取；二是利用模式识别技术进行故障诊断。在信号特征提取方面，主要分为：信号的时域特征如信号的均值、均方值、峰值、峭度和歪度等；信号的频域特征如能量谱、AR功率谱等；以及信号的时频特征如小波分析，Hilbert变换和短时傅里叶变换等。为了能充分地表征不同类别的故障进而提高识别率，就需要多种不同特征进行融合，这也使得特征向量的维度大大增加，导致计算复杂度提高同时也延长了故障诊断的时间。因此如何能实现合理的数据降维就显得尤为重要。主成分分析(Principal Components Analysis,PCA)作为数据降维的经典算法，因能有效去除特征间线性相关同时保持原始特征的主要信息而被广泛应用在故障诊断领域。局部保持投影(Locality Preserving Projections，LPP)是非线性方法LaplacianEigenmap的线性近似，作为一种新的子空间分析方法，因能解决主成分分析方法难以保持原始数据非线性流形局部结构的问题而得到广泛应用。然而，PCA和LPP均属于无监督降维算法，在降维学习过程中都没能利用已知的类别信息从而使降维后的特征不利于类别间的区分。Fisher判别分析作为一个有监督降维方法，因能利用已有的类别信息通过最大化类间散度和最小化类内散度的方式优化降维子空间，使得降维后的特征有利于类别间的区分进而广泛应用于各种分类领域。虽然经FDA算法降维后的特征有利于提高算法的分类性能，但由于它属于有监督降维方法，因此事先需要大量标签信息才能获得较好的泛化性能。然而在现实应用中，尤其是故障诊断领域，受各种条件所限要获取大量有标签的样本十分困难，因此常常出现只有少量有标签样本存在而大量无标签样本剩余的情况。由于缺少足够的有标签样本，FDA及其改进算法通常会出现过拟合现象进而导致泛化性能严重下降。因此，如何利用这些大量的无标签样本指导有监督降维学习成为了学者们关注的重点。鉴于此，为了能利用大量无标签样本提高算法判别性能，本发明首先采用基于密度峰值的聚类算法对样本进行聚类分析得到伪标签，然后通过增加规范化项到局部FDA算法的类内散度和类间散度来保持无标签样本的聚类结构一致性，最后通过与保持有标签样本类间散度最大化和类内散度最小化的局部FDA算法目标函数一并求解最佳投影向量。经本发明提出的基于伪标签半监督核局部Fisher判别分析方法降维后的系数向量具有更好的区分能力进而有利于后续分类器的判别，使得故障诊断性能得到很大提升。