[发明专利]一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法

权利要求书

1.一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

S1、数据处理阶段：对滚动轴承振动信号进行小波阈值去噪，将去噪后的小波系数进行小波逆变换得到重构信号；

S2、特征提取阶段：对步骤S1的重构信号，采用多特征融合的方法，进行时域和频域特征提取和进行时频域特征提取，并将其融合成故障特征向量；

S3、故障诊断阶段：建立LSSVM模型；IGWO算法；采用IGWO算法优化LSSVM模型；建立IGWO-LSSVM模型，将步骤S2的故障特征向量输入到IGWO-LSSVM模型中进行训练测试，对滚动轴承故障进行诊断。

2.根据权利要求1所述的一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，其特征在于，在步骤S1中，所述的对滚动轴承振动信号进行小波阈值去噪，具体过程包括：

对滚动轴承振动信号采用小波阈值去噪方法进行去噪处理：首先设置一个临界阈值λ，然后对振动信号进行小波变换，可以得到一组小波系数ω；若小波系数ω小于阈值λ，则将其置为0；若小波系数ω大于阈值λ，则采用软阈值函数将小波系数ω按一定比例收缩，可以得到一组新的小波系数ω_λ；软阈值函数表达式为:

其中sign为符号函数。

3.根据权利要求1所述的一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，其特征在于，在步骤S2中，所述的时域和频域特征提取，包括以下计算：

S2.1.1、计算振动信号X_i(t)的均方根值X_rms：

其中N为样本总量；

S2.1.2、计算振动信号X_i(t)的峭度K：

其中μ为均值，σ为方差；

S2.1.3、利用傅里叶变换将振动信号从时域转换到频域，然后计算其重心频率F_FC：

其中，s(k)表示第k条谱线的功率谱，f_k表示第k条谱线的频率值。

4.根据权利要求1所述的一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，其特征在于，在步骤S2中，所述的时频域特征提取，其过程包括：

S2.2.1、对振动信号进行三层小波包分解；

S2.2.2、将步骤S2.2.1中得到的第三层8个频段的小波包系数进行重构，并提取重构系数；

S2.2.3、根据重构系数计算小波包能量熵W_j：

其中p_j(k)为分解层数j下信号第k个频段的能量占比。

5.根据权利要求1所述的一种基于多特征融合和IGWO-LSSVM的滚动轴承故障诊断方法，其特征在于，在步骤S3中，所述的建立LSSVM模型的过程包括：

S3.1.1、建立最优决策函数：

y(x)＝ωφ(x)+b

其中ω是权重向量，b是相应的偏置向量，φ(x)是非线性映射函数；

S3.1.2、根据结构风险化最小值理论，得到优化后的最优决策函数：

其中γ是正则化参数，ξ_i是误差；

S3.1.3、引入拉格朗日乘子α_i，构造拉格朗日函数：

S3.1.4、对步骤S3.1.3的朗格朗日函数进行偏导数运算，结果置为0，化解后最终得到LSSVM模型：

其中k(x,x_i)是径向基核函数，σ是径向基核函数参数。