[发明专利]一种基于增量学习的轴承故障诊断方法

摘要

本发明公开了一种基于增量学习的轴承故障诊断方法，通过对轴承单一故障模式下振动信号的采集、特征提取，然后用提取的特征训练一个SVDD模型，得到相应的一系列模型参数值α_{k_n}，n＝1,2,…,N；通过每个训练样本到超球体中心的距离d_{k_n}，得到累积概率分布F_k(d)；对于轴承测试样本y，计算其到每类故障模式分类超球体中心的距离d_{k_y}，并代入累积概率分布F_k(d)中，计算出概率P_k，然后找到的最大值，其对应的故障模式则是测试样本所属的故障模式。本发明在有新的故障知识出现时，只需对新故障模式进行训练，这样可以保留之前学习的结果并且从不断出现的新数据中学习，可以提高效率和节省计算资源。

主权项

1.一种基于增量学习的轴承故障诊断方法，其特征在于，包括以下步骤：(1)、轴承振动信号采集使用振动数据采集仪采集轴承单一故障模式下的振动信号，得到轴承在每一类故障模式下的故障数据dk，其中，k表示故障模式编号；(2)、振动信号特征提取首先对故障数据dk进行分割，得到N个数据段，然后提取每个数据段的特征，并将每个数据段的特征信息作为一个训练样本sk_n，n＝1,2,…,N，最后，将所有的训练样本进行归一化处理，所有归一化后的训练样本构成的集合为Sk；(3)、利用样本集合Sk训练支持向量数据描述即SVDD模型，训练SVDD模型等效于求解公式(1)，求解结束后得到一系列模型参数值αk_n，n＝1,2,…,N，即其数目等于训练样本个数N并且一一对应；其中，κ为给定的核函数，xk_i、xk_j分别为第i、j个训练样本，C是给定的惩罚参数；(4)、SVDD模型为一个超球体，根据公式(2)计算每个训练样本xk_n到第k类超球体中心的距离dk_n：(5)、根据距离dk_n，n＝1,2,…,N，利用核密度估计方法估计距离的概率密度，并进一步转换得到距离的累积概率分布Fk(d)，其中，d表示距离；(6)、当轴承出现新的故障模式时，重复步骤(1)～(5)，得到一个新的累积概率分布，这样故障模式有K个，即有K个累积概率分布Fk(d)，k＝1,2,…,K；(7)、轴承的故障诊断过程包含以下步骤：7.1)、按照步骤(1)和步骤(2)的方法，获取轴承测试样本y；7.2)、按照步骤(4)的方法，根据公式(3)计算测试样本y距第k类故障模式分类超球体中心的距离dk_y：7.3)、将距离dk_y作为距离代入第k个累积概率分布Fk(d)中，按照公式(4)计算测试样本属于第k类故障模式的概率Pk：Pk＝1‑Fk(dk_y)，k＝1,2,…,K     (4)7.4)、在K个概率Pk，k＝1,2,…,K中找到的最大值，其对应的故障模式则是测试样本所属的故障模式。