[发明专利]基于激励机制的轴承故障诊断方法

说明书

本发明公开了一种基于激励机制的轴承故障诊断方法，包括下述步骤：（1）对轴承采集不同故障状态以及正常样本的振动信号，采用极点对称经验模态分解方法提取振动信号特征；（2）对得到的故障数据采用加权核主成分分析法进行特征提取；（3）将特征提取后的数据进行划分；（4）在将增量训练集不断输入的过程中，计算其与初步训练数据集中数据的Wasserstein距离，进而计算相似度值；（5）根据相似度值的大小进行激励机制的训练，生成合并、新增及暂存三种情况，并动态调整阈值、样本数据及权重值；（6）将激励机制训练得到的数据输入到BP神经网络中进行可靠分类诊断。

技术领域

本发明涉及轴承设备故障诊断技术领域，尤其涉及一种基于激励机制的轴承故障诊断方法。

背景技术

随着工业物联网的发展，对设备故障进行诊断和预测逐渐成为研究热点。目前，智能设备已应用于国防、工业、航空等很多重要领域，如果其中发生故障会造成严重的后果，因此如何进行可靠的故障诊断，并对故障进行准确的预测得到了越来越多的重视。

随着设备运行数据的增加，机器学习方法受到广泛关注，不断被应用于设备故障诊断领域，其中包括神经网络、随机森林和支持向量机等，都取得了较好的研究成果。文章[许磊等. 基于PSO神经网络的故障诊断方法研究[J].计算机工程与设计,2007,15: 3640-3641+3674.]提出了一种基于粒子群神经网络的方法进行故障诊断；文章[徐可等. 基于经验模态分解和支持向量机的滚动轴承故障诊断[J].控制理论与应用, 2019, 36(06):915-922.]提出了一种改进的经验模态分解和粒子群算法优化支持向量机的诊断方法在故障诊断中获得较高诊断准确率；文章[曹路等. 基于遗传算法的双子支持向量机的模型选择[J].现代电子技术, 2017(17): 113-116.]提出了一种基于遗传算法的双子支持向量机对轴承故障进行诊断。但在处理海量的高维数据带来的复杂问题时，模型效果无法满足要求，因此需要设计得到一个高效利用大量新增样本中包含的重要信息的模型训练方法。针对以上问题，首先可以采用特征提取方法减少数据的维度，然后采用增量学习的方法进行高效学习。其中针对特征提取方法，文章[赵建喆等. 质量预测及故障诊断建模过程中非线性特征提取[J].东北大学学报(自然科学版), 2012, 33(06): 793-796.]提出了一种基于核主成分分析法和粗糙集的特征提取方法，通过核主成分分析法进行特征提取后，再使用粗糙集对提取的特征进行约简，不仅为后续的分类减少了计算复杂度，同时提高了分类精度；文章[张伟等.基于一种自适应核学习的KECA子空间故障特征提取[J].北京理工大学学报,2017, 37(08): 863-868+874.]提出了一种基于自适应核函数优化学习的核熵成分分析特征提取方法，提高了分类精度；针对增量学习方法，文章[李世其等. 一种决策树增量学习算法在故障诊断中的应用[J].华中科技大学学报(自然科学版),2006(04):79-81.]提出了一种基于粗糙集的决策树增量式学习算法，大大地提高了学习效率。文章[李梦婷等. 基于增量贝叶斯学习模型的在线电路故障诊断[J].计算机应用与软件, 2018, 35(06): 70-75.]提出了一种基于贝叶斯增量学习的在线电路故障诊断方法，不仅减小了运算量和运算时间，同时满足了在线故障诊断的实时性要求。以上特征提取和增量学习模型在已有文献中都起到了减轻计算量、提高准确率、有效节约时间成本的作用。但在故障诊断领域，增量生成的数据流具有海量的特点，故障增量之间具有强关联性，且与原有数据具有强因果性，如不加以处理将会严重影响诊断效果。以上这些因素阻碍了传统增量学习方法在故障诊断领域的进一步应用。

发明内容

本发明的目的在于：