[发明专利]基于稀疏表示与集成学习的轴承故障分类诊断方法

摘要

本发明公开了一种基于稀疏表示与集成学习的轴承故障分类诊断方法，通过加速度传感器采集每种工况下滚动轴承在不同转速工作的振动加速度信号作为训练样本；选取m个训练样本构成m组训练数据，建立弱分类器—图正则化稀疏表示模型；对图正则化稀疏表示进行T次迭代运算；弱分类器得到分类函数序列，然后对每个分类函数分别赋予一个权重，最终强分类函数F由弱分类函数通过加权得到；通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据作为测试样本；将测试样本作为强分类函数的输入量带入强分类函数进行运算，即可得到待测滚动轴承的故障分类结果。本方法能够提高滚动轴承故障诊断的准确性和有效性。

主权项

基于稀疏表示与集成学习的轴承故障分类诊断方法，其特征在于：步骤如下：1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号作为训练样本；四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转；2)从训练样本中选取出m个训练样本构成m组训练数据，并给每组训练数据统一赋予权重1/m，建立弱分类器—图正则化稀疏表示模型；3)对图正则化稀疏表示进行T次迭代运算，每次迭代运算后都根据弱分类器的分类结果重新更新每组训练数据的权重；对于出现训练样本分类失败的情况，则对此类训练样本赋予较大权重，以在后面的迭代运算中更加注意这些训练样本；4)通过步骤3)T次迭代运算后，弱分类器得到f1，f2，...，fT这样的分类函数序列，然后对每个分类函数f1，f2，...，fT分别赋予一个权重，在此之前函数分类结果越好的，其赋予的权重越大；最终强分类函数F由弱分类函数f1，f2，...，fT通过加权得到；5)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据，并进行去噪预处理，作为测试样本；6)将测试样本作为强分类函数的输入量带入强分类函数进行运算，即可得到待测滚动轴承的故障分类结果；步骤3)中弱分类器的训练过程为：训练集合D＝{(x1；y1)，(x2；y2)，...，(xm；ym)}，其yi∈Y＝{1，2，3，4}，弱分类器—图正则化稀疏表示L，训练循环次数T；初始化D1(i)＝1/m，第一次迭代时每个样本的权重都为1/m，for t＝1到T；在Dt下训练，得到弱分类器ht，并计算ht的错误率：如果et＞1/2，则设T＝t‑1，退出循环；令αt＝et/(1‑et)，更新样本权重：Dt+1(i)=Dtzt·αt,ht(i)=yi1,ht(i)≠yi,(Zt=ΣiDt(i)exp(-αtyiht(xi)))---(17)]]>循环结束；调用给定的弱分类器图正则化稀疏表示时，将产生错误率为e1，...，eT的弱假设，根据上述过程，最后集成产生的强分类器为：H(X)=argmaxy⋐YΣt:ht(x)=ylog21αt---(18).]]>