【技術實現步驟摘要】
本專利技術涉及軸承檢測，特別涉及一種基于寬度增量學習的軸承故障診斷方法。
技術介紹
1、由于軸承在現代機械設備中所扮演的重要角色，其被廣泛應用于各種旋轉機械，如風機、發電機、機床等設備中。一旦發生故障將會嚴重影響旋轉機械的正常運轉，與機械設備的安全性與可靠性息息相關。因此，研究如何診斷軸承故障和及時診斷軸承故障類型均已成為研究的熱點問題。
2、為適應機械設備智能化發展和大數據的特點，有效挖掘監測數據巨大的潛在價值，數據驅動的智能故障診斷技術得到越來越多的關注和研究。該技術基于大量的歷史數據來建立故障診斷模式，自動提取運行設備監測數據中隱含的故障信息，完成對設備健康狀態的智能識別，實現更高效的事前預測維護。
3、寬度學習結合隨機向量函數鏈網絡與前饋神經網絡的優勢，具有模型訓練簡單快速、計算資源需求低的特點，能滿足實際應用中快速準確地診斷軸承故障類型的要求。然而，傳統的寬度學習一般都是基于一次性學習方式開發的，而難以處理數據流中出現新的故障樣本和故障模式的問題。
技術實現思路
1、本專利技術的目的在于針對現有技術中如上所述的缺陷和改進需求，提出一種基于寬度增量學習的軸承故障診斷方法，目的在于利用svdd來對新數據進行初步的異常檢測；同時根據異常檢測結果，對寬度學習進行寬度堆疊來實現模型的樣本增量或者類增量的效果，滿足模型對新數據的高實時性和高準確率。
2、本專利技術的目的通過以下技術方案實現：
3、一種基于寬度增量學習的軸承故障診斷方法，
4、獲取寬度學習故障分類模型所需的軸承原始時域數據；
5、對軸承原始時域數據進行預處理并劃分為舊數據集d1和新數據集,所述新數據集包括新數據集d2和新數據集d3；
6、搭建寬度學習故障分類模型,并采用舊數據集訓練，得到初始寬度學習故障分類模型，采用新數據集測試初始寬度學習故障分類模型的故障準確率；
7、采用舊數據集訓練svdd模型，得到初始svdd異常檢測模型；
8、采用新數據集進行svdd異常檢測模型測試，判斷數據異常率是否達到異常檢測閾值，如果低于異常檢測閾值，則使用寬度樣本增量學習；如果高于異常檢測閾值，則使用寬度類增量學習；
9、采用增量學習后的寬度學習故障分類模型，對軸承的實時數據進行故障診斷，得到故障準確率。
10、進一步，對軸承原始時域數據進行預處理并劃分為舊數據集和新數據集，具體為：
11、對軸承原始時域數據依次進行去直流、包絡分析和降采樣處理后，生成采樣頻率為800hz數據集；
12、對800hz數據集進行新、舊數據集劃分，其中舊數據集d1的數據具有多個故障類型，新數據集d2即新樣本增量數據集中所有故障類型屬于舊數據集；新數據集d3即新類增量數據集只有一種故障類型不屬于舊數據集。
13、進一步，搭建寬度學習故障分類模型并采用舊數據集訓練，得到初始寬度學習模型，采用新數據集測試初始寬度學習故障分類模型的故障準確率，具體為：
14、所述初始寬度學習故障分類模型由特征層、增強層和輸出層構成；
15、將舊數據集中的數據作為寬度學習故障分類模型的輸入數據，得到映射特征及增強特征，然后根據映射特征及增強特征計算輸出層，結合舊數據集d1中的標簽y1，有：
16、w＝(λi+aat)-1aty1
17、其中，特征矩陣a＝[z∣h]，w是連接特征層和增強層到輸出層的權重，z和h分別表示網絡的映射特征和增強特征。算出w后，模型訓練完成；
18、對d2＝{x2,y2}和d3＝{x3,y3}進行相同操作得到特征矩陣a2和a3，并進一步得到預測標簽y2′和y3′：
19、y2′＝a2w
20、y3′＝a3w
21、將y2′和y′3與y2和y3比較即可求出新數據集d2和新數據集d3故障準確率。
22、進一步，所述采用舊數據集訓練svdd模型，得到初始svdd異常檢測模型，具體為：
23、用svdd模型構建一個能以最小體積容納所有訓練樣本的超球面，則超球面用球心c和半徑r表示，
24、其訓練過程，具體是對舊數據集進行邊界求解，得到邊界r；
25、
26、其中，x＝{xi,i＝1,2,...,i}為舊數據集數據。αi表示拉格朗日乘數，k(·,·)表示核函數。
27、進一步，還包括
28、對新數據集d2和新數據集d3中的樣本xnew進行異常檢測：
29、
30、如果||xnew-a||2≤r2，則接受新數據，否則，新數據就是異常值。
31、進一步，如果異常率低于異常檢測閾值，則使用寬度樣本增量學習；如果異常率高于異常檢測閾值，則使用寬度樣本類增量學習，具體為：
32、所述寬度樣本增量學習，是對新數據集d2＝{x2,y2}數據進行樣本增量，則：
33、
34、式中，
35、ut＝a2(a)+,st＝a2-uta
36、
37、至此，樣本增量模型更新完畢；
38、所述寬度類增量學習，是對新數據集d3＝{x3,y3}進行類增量；
39、
40、式中，
41、u＝a+a3,s＝a3-au
42、
43、wt＝a+[y|φ]＝[w|φ]
44、其中，φ是一個零矩陣，a+是輸入特征a的偽逆變換。
45、至此，類增量模型更新完畢。
46、進一步，基于寬度學習的故障分類模型預設初始映射特征節點和增強節點個數根據故障分類模型在舊數據集上的準確率調整。
47、進一步，初始映射特征產生的節點個數k為20，映射特征產生的節點個數n為200，增強特征產生的節點個數m為200。
48、進一步，設置svdd模型的正則化參數、二維可視化相應的統計特征和異常檢測閾值。
49、進一步，采用增量學習后的寬度學習故障分類模型，對軸承的實時數據進行故障診斷，得到故障準確率，具體為：
50、獲取軸承實時振動信號數據；
51、輸入svdd異常檢測模型進行是否異常值判斷，若異常值則進行對寬度學習故障分類模型進行增量，并使用增量后的寬度學習故障分類模型進行故障診斷；
52、否則直接采用寬度學習故障分類模型進行故障診斷。
53、與現有技術相比，本專利技術具有以下優點和有益效果：
54、(1)本專利技術采用去直流+包絡分析+降采樣的原始數據預處理操作，容易去除附加信號噪聲的影響，對于頻繁變載變速的軸承的故障特征具有良好的特征挖掘能力。
55、(2)本專利技術基于寬度增量學習的診斷模型，能很好處理數據流中出現新的故障樣本和故障模式的問題。同時，樣本增量的寬度增量學習的在更新模型只需要存儲舊模型而不需要存儲舊本文檔來自技高網...
【技術保護點】
1.一種基于寬度增量學習的軸承故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的軸承故障診斷方法，其特征在于，對軸承原始時域數據進行預處理并劃分為舊數據集和新數據集，具體為：
3.根據權利要求1所述的軸承故障診斷方法，其特征在于，搭建寬度學習故障分類模型并采用舊數據集訓練，得到初始寬度學習模型，采用新數據集測試初始寬度學習故障分類模型的故障準確率，具體為：
4.根據權利要求1所述的軸承故障診斷方法，其特征在于，所述采用舊數據集訓練SVDD模型，得到初始SVDD異常檢測模型，具體為：
5.根據權利要求4所述的軸承故障診斷方法，其特征在于，還包括對新數據集D2和新數據集D3中的樣本xnew進行異常檢測：
6.根據權利要求1所述的軸承故障診斷方法，其特征在于，如果異常率低于異常檢測閾值，則使用寬度樣本增量學習；如果異常率高于異常檢測閾值，則使用寬度樣本類增量學習，具體為：
7.根據權利要求1所述的軸承故障診斷方法，其特征在于，寬度學習故障分類模型預設初始映射特征節點和增強節點個數，且根據寬度學習故障分類模型
8.根據權利要求7所述的軸承故障診斷方法，其特征在于，初始映射特征產生的節點個數為20，映射特征產生的節點個數為200，增強特征產生的節點個數為200。
9.根據權利要求1所述的軸承故障診斷方法，其特征在于，寬度樣本增量學習和寬度樣本類增量學習都是在寬度學習故障分類模型的特征層上進行寬度堆疊。
10.根據權利要求1-9任一項所述的軸承故障診斷方法，其特征在于，采用增量學習后的寬度學習故障分類模型，對軸承的實時數據進行故障診斷，得到故障準確率，具體為：
...【技術特征摘要】
1.一種基于寬度增量學習的軸承故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的軸承故障診斷方法，其特征在于，對軸承原始時域數據進行預處理并劃分為舊數據集和新數據集，具體為：
3.根據權利要求1所述的軸承故障診斷方法，其特征在于，搭建寬度學習故障分類模型并采用舊數據集訓練，得到初始寬度學習模型，采用新數據集測試初始寬度學習故障分類模型的故障準確率，具體為：
4.根據權利要求1所述的軸承故障診斷方法，其特征在于，所述采用舊數據集訓練svdd模型，得到初始svdd異常檢測模型，具體為：
5.根據權利要求4所述的軸承故障診斷方法，其特征在于，還包括對新數據集d2和新數據集d3中的樣本xnew進行異常檢測：
6.根據權利要求1所述的軸承故障診斷方法，其特征在于，如果異常率低于異常檢測閾值...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。