申请/专利权人：安徽理工大学

申请日：2023-05-15

公开（公告）日：2023-08-25

公开（公告）号：CN116644356A

主分类号：G06F18/2413

分类号：G06F18/2413;G06F18/214;G06F18/2136;G06F17/15

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.09.12#实质审查的生效;2023.08.25#公开

摘要：本发明公开了一种基于复流形嵌入学习的滚动轴承故障诊断方法，解决了传统数据驱动的故障诊断方法无法充分揭示故障样本间复杂高阶关系的问题，从而有效提高了故障诊断的准确性。实现过程为：1提取原始故障振动信号的时频域特征，构建高维特征故障集；2根据超图理论，利用样本的监督信息和类内类间近邻关系提出类内超图和类间超图，并使用基于稀疏的仿射切向结构组合构建了流形切向结构图。构建复流形嵌入模型后通过迭代求解方法获得该模型的优化投影方向，从而获得高维故障数据的低维故障特征；3将低维故障特征输入分类器中进行故障辨识，从而获得最终的故障诊断结果。实验结果表明本发明方法是一种有效的故障诊断方法。

主权项：1.本发明公布了一种基于复流形嵌入学习的滚动轴承故障诊断方法，其特征在于该方法包括如下步骤:1通过传感器采集机械设备故障的运行数据,分别从时域、频域和时频域角度提取多个故障数据相关统计特征，以构建高维特征数据集X＝[x1,x2,…,xN]∈RM×N，其中N为样本个数，M为样本维数；按比例将故障数据划分为高维训练特征集Xtrain和高维测试特征集Xtest；2通过复流形嵌入学习模型的构建和优化求解，获得高维故障特征的低维表示，具体实现方式如下：2a构建类内超图、类间超图和流形切向图，并进一步给对应于三种不同图结构的目标函数，具体实现过程如下：①类内超图Ghw定义为：Ghw＝{Vhw,Ehw,Whw}；其中，Vhw为类内超图的顶点集合，Ehw为超边集合，Whw为权重矩阵；类内超图的目标函数为： 其中，·-1表示求逆操作，Lhw＝Dhvw-HhwwhwDhew-1HhwT为类内超图拉普拉斯矩阵；Dhvw为类内顶点的度矩阵，Dhew为类内超边的度矩阵，分别定义为： Hhw为类内点边关系矩阵，定义为： Whw为类内超边的权重矩阵，定义为： ②类内超图Ghb定义为：Ghb＝{Vhb,Whb,Whb}；其中，Vhb为类内超图的顶点集合，Whb为超边集合，Whb为权重矩阵；类间超图的目标函数为： 其中，Lhb＝Dhvb-HhbWhbDheb-1HhbT为类间超图拉普拉斯矩阵；Dhvb为类间顶点的度矩阵，Dheb为类间超边的度矩阵，分别定义为： Hhb为类内点边关系矩阵，定义为： Whb为类内超边的权重矩阵，定义为： ③流形切向图定义为：Gt＝{Vtl,Wtl}，其中为原始故障样本的切向量顶点集，为顶点间的相似权重；样本间的切向结构fxic定义为： 其中，lxi为xi的标签信息，表示xi的k个近邻，sij为xi和k个近邻的仿射系数，并且在切向结构fxic中，仿射系数sj可以根据稀疏表示的思想进行求解；根据稀疏表示，可以通过一个约束进行自适应的表达切向结构；并且在求解sij时使用一种稀疏加权范数表示模型，加权范数可以通过向每个近邻向量施加不一样的权重获得更加准确的切向结构，因此切向图的优化函数表示如下： 其中，Λ＝diagd1,d2,…,dn为对角矩阵，其对角线上为样本与近邻间的权重信息；s＝[sj]j为切向量的稀疏系数，反应了两切向量间的相似性关系；Ti为样本的归一化切向量结构表示；为了进一步均衡选择的近邻样本，通过使用局部样本进行构造来得到局部稀疏系数，因此流形切向图的优化函数如下： 其中，局部归一化的切向结构和权重系数Λl表示如下： 流形切向结构图嵌入的目标函数表示如下： 其中，Ltl＝Dtl-Wtl为流形切向图拉普拉斯矩阵，为对角度矩阵；Wtl为流形切向图的边权重信息，定义如下： 2b构建复流形嵌入的统一目标模型： s.t.ATβXLhbXT+QLtlQTA＝I该目标模型统一了三种不同结构的目标函数，其中，β表示平衡参数用于控制类内超图结构信息和类间结构信息的相对权重；2c迭代求解复流形嵌入目标模型的相关投影方向：根据拉格朗日乘子法可以得到如下等式： 其中，λ为拉格朗日乘子；LA,λ对λ求偏导可以得到： 令将式37中的λβXLhbXT+QLtlQTA移到新等式右侧，并在新等式左侧乘以βXLhbXT+QLtlQT-1，则可以得到如下广义特征方程：βXLhbXT+QLtlQT-1XLhwXTA＝λA其中，λ为特征值，A为其对应的特征向量；2d通过Y＝ATX获得高维特征的低维表示Ytrin和Ytest。

全文数据：

权利要求：

百度查询： 安徽理工大学 基于复流形嵌入学习的滚动轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD