[发明专利]基于GRCMSE与流形学习的滚动轴承故障诊断方法

权利要求书

1.一种基于GRCMSE与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：

步骤S1:利用加速度传感器采集滚动轴承振动加速度信号；

步骤S2:利用GRCMSE算法对振动加速信号进行特征提取，得到滚动轴承故障特征信息；

步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理，并将降维后的滚动轴承故障特征信息，按比例分为训练样本低维特征集和测试样本低维特征集；

步骤S4:根据训练样本低维特征，训练PSO-SVM分类器，得到训练好的PSO-SVM分类器；

步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器，诊断得到故障类型。

2.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法，其特征在于：所述振动加速度信号包括正常状态，外圈故障状态，内圈故障状态和滚动体故障状态下传动轴径向振动加速度信号。

3.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法，其特征在于，所述GRCMSE算法具体为：

(1)对时间序列{x(i),i＝1,2,...,N}，采用下式计算出广义复合粗粒化序列

(2)对于尺度因子s，分别计算出该尺度因子下每个广义粗粒化序列的m维及m+1维空间向量个数，定义为

(3)在1≤h≤s范围内，计算与的平均值，分别为与即可得到时间序列x(i)在尺度因子为s下的GRCMSE熵值：

式中，

4.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法，其特征在于，所述DDMA流形学习方法具体为：

令(X,P,μ)为测量空间，数据集X∈R^D，P表示σ代数子集，μ表示X上的分布DDMA的具体过程如下：

(1)构建判别式的高斯内核：

式中，ρ(x,y)表示核宽，l(x)和l(y)分别表示样本点x和y的标签信息，ω表示判别常数，ρ_W为同类标签样本的核宽，ρ_B为异类标签样本的核宽，Ω为整个数据集的标签信息；

A＝min{N_A,N_L＝l(x),N_L＝l(y)} (7)

式中，N_A表示预先设定邻域大小，N_L表示相同标签L下的样本点数；

(2)任意数据点x均可视为加权图G上的顶点，然后在数据图上构建马尔可夫链，用于寻找复杂几何中的相关结构，权重图G中x的度：

则x至y的转移概率表达式如下：

(3)利用转移概率矩阵Q用以描述马尔可夫链，其中，Q包含所有q(x,y)；则x和y的转移距离定义为：

式中，γ，分别表示矩阵Q的左、右特征向量，λ表示特征值，d表示降维后的数据维数；特征值满足1＝λ₀＞λ₁≥…≥λ_d-1≥0；

扩散映射结果如下：

5.根据权利要求1所述的基于GRCMSE与流形学习的滚动轴承故障诊断方法，其特征在于，所述步骤S4具体为：

步骤S41:对训练样本低维特征进行行归一化处理；

步骤S42:根据SVM模型，选用径向基函数作为核函数，利用粒子群优化算法，将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值，确定出SVM模型的最佳惩罚因子和核函数参数。