[发明专利]基于线性判别分析与粒子群优化支持向量机的故障诊断方法

说明书

本发明公开一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法，属于故障诊断技术领域。该方法首先采集待诊断部件的原始正常状态振动信号与故障状态振动信号，然后基于时域、频域与时频域的信号处理方法，提取能表征部件状态信息的特征指标，构建高维混合域特征集；对训练样本高维混合域特征集和测试样本高维混合域特征集进行线性判别分析降维技术处理，得到训练样本低维特征集和测试样本低维特征集，然后将训练样本低维特征集输入到粒子群优化支持向量机中进行模型训练，再用训练好的PSO‑SVM模型对降维处理后的测试样本低维特征集进行模式识别，最后根据分类结果识别该部件的故障类型。本发明方法具有较高的诊断精度。

技术领域：

本发明属于故障诊断技术领域，具体涉及一种基于线性判别分析与粒子群优化支持向量机的故障诊断方法。

背景技术：

随着我国科学技术水平的提高以及现代工业生产发展的需要，机械设备越来越朝着大型化、精密化、智能化等方向发展，这使得机械设备结构日趋复杂且各部件之间关联越加紧密，无形中影响设备安全运行的不确定因素也随之增多。减速器是实现机械设备运动转化和功率传递的重要机构，做为冶金、运输、石化等领域大型机械设备中的“心脏”，其性能的好坏直接影响着设备的可靠性与安全性，而其中齿轮是最关键，也最易出现故障的部件。对齿轮的故障诊断研究，在保证设备的安全高效运行、通过视情维修消除零部件的续发损坏以及避免重大事故发生等方面有着非常重要的意义。针对单一或单域特征难以全面反映设备零部件的运行状态，本文将时域、频域以及时频域特征指标量有机结合起来，构建混合域特征集。鉴于庞大的混合域特征信息可能会导特征维数过大的问题，而且彼此间会相互有所干扰，不利于特征有效的分类和识别。线性判别分析(LDA)作为一种监督学习的降维技术，还可以很好地将各个类别的信息进行有效的分类。支持向量机(SVM)是一种有坚实理论基础的新颖的学习方法，有很好的泛化能力，同时它能够较好地解决小样本学习问题，针对其核函数参数以及惩罚因子影响识别精度的问题，通过粒子群算法(PSO)进行优化，用以提高支持向量机的分类性能。

发明内容：

本发明针对单一或单域特征难以全面反映设备零部件的运行状态的接事故问题，提出基于线性判别分析与粒子群优化支持向量机的故障诊断方法。本发明提供的基于线性判别分析与粒子群优化支持向量机的故障诊断方法包括以下具体步骤：

(1)采集待诊断部件的原始正常状态振动信号与故障状态振动信号，对于采集的每种状态振动信号通过Matlab软件处理，各取M组样本，随机选取m组样本作为训练样本，剩余s组作为测试样本。

(2)基于时域、频域与时频域的信号处理方法，提取能表征部件状态信息的特征指标，构建训练样本高维混合域特征集与测试样本高维混合域特征集。

(3)对训练样本高维混合域特征集与测试样本高维混合域特征集采用线性判别分析降维技术(LDA)进行维数约简处理，得到训练样本低维特征集及测试样本低维特征集。

(4)将训练样本低维特征集输入到粒子群优化支持向量机模型中进行训练得到训练好的粒子群优化支持向量机(PSO-SVM)模型。

(5)用训练好的粒子群优化支持向量机模型对测试样本低维特征集进行模式识别，得到待诊断部件不同故障类型的分类结果。

(6)根据得到待诊断部件不同故障类型的分类结果，识别该部件的故障类型。

步骤(2)中所述高维混合域特征集的构建过程具体如下：

(S21)对训练样本和测试样本进行时域分析，提取的时域特征指标包括最大值、标准差、均方根值、均值、歪度、峭度、峰值指标、裕度指标以及脉冲指标。

(S22)对训练样本和测试样本进行频域分析，提取的频域特征指标包括均值频率，频率标准差，均方根频率以及其他一些能反映频谱集散程度与主频带位置的指标。