[发明专利]一种结合改进稀疏滤波器与KELM的轴承故障诊断方法

摘要

本发明公开了一种结合改进的稀疏滤波器与KELM的轴承故障诊断方法，在原始稀疏滤波器中嵌入一个Min‑Max正则项，得到改进的稀疏滤波器，Min‑Max正则项可以刻画原始数据的内在结构信息，它促使同类的样本相互靠近而不同类的样本相互分离，从而产生具有判别性的特征。特征的判别性主要由于在Min‑Max正则项的构建中使用了类标签信息，使用伪标签代替真实标签去指导Min‑Max正则项的构建。采集滚动轴承不同运行工况的振动信号作为训练集，用训练集训练改进的稀疏滤波器模型和核极限学习机模型，得到模型参数从而完成故障诊断分类模型的建立，诊断模型能够准确识别滚动轴承故障。

主权项

1.一种结合改进稀疏滤波器与KELM的轴承故障诊断方法，其特征在于：包括以下步骤：S1、采集滚动轴承不同运行工况下的时域振动信号；S2、构造含有N个样本的无标签的训练集以及含有M个样本的有标签的训练集其中，x_n为训练集T1中采集到的D维振动信号；a_m为训练集T2中是采集到的D维振动信号，是D维振动信号对应的工况标签编码，c为轴承的故障类型个数；S3、计算训练集T1每个振动信号x_n的时域统计参数，并得到振动信号x_n对应的统计特征向量t_n，n＝1,2,…,N；用模糊C均值聚类算法对整个统计特征向量的数据集进行聚类，得到每个统计特征向量t_n对应的伪标签S4、计算训练集T1中每个D维振动信号x_n的K个近邻样本，然后利用步骤S3中得到的伪标签和每个D维振动信号x_n的K个近邻样本共同构建Min‑Max正则项中的拉普拉斯矩阵L∈R^N×N，根据拉普拉斯矩阵L∈R^N×N建立Min‑Max正则项模型，同时利用训练集T1构建原始的稀疏滤波器模型，并将Min‑Max正则项模型和原始的稀疏滤波器模型结合，得到改进稀疏滤波器模型；S5、用训练集T1训练改进稀疏滤波器模型，训练完毕后，固定改进稀疏滤波器模型参数；将训练集中的每一个D维振动信号a_m输入训练好的改进稀疏滤波器模型中，得到D维振动信号a_m对应的特征表征b_m∈R^d，d为所学习的特征个数；根据特征表征和其对应的标签训练核极限学习机分类器，得到核极限学习机(KELM)分类器的参数并固定；S6、利用训练好的改进的稀疏滤波器模型对一个未知类别的原始振动信号提取其对应的特征表征，将提取的特征表征输入训练好的核极限学习机分类器中，确定该振动信号对应的故障类型。