申请/专利权人：盐城工学院;盐城工学院技术转移中心有限公司

申请日：2023-08-10

公开（公告）日：2024-04-16

公开（公告）号：CN117030264B

主分类号：G01M13/045

分类号：G01M13/045;G06F18/2113;G06F18/213;G06F18/2131;G06F18/2411;G06N20/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明提供了基于特征加权孪生支持向量机的滚动轴承故障诊断方法，属于机械轴承故障诊断技术领域，包括：利用加速度传感器采集不同运行状态的轴承振动信号；采用多角度的特征提取方法对振动信号分别从时域、频域和多尺度熵提取故障特征，构造高维特征集；利用费舍尔得分特征选择法对高维特征集进行初步筛选，获得预选特征子集；对预选特征子集进行最大相关最小冗余分析，获得最终特征集及各特征的评分；基于各特征的评分构建特征加权矩阵；基于特征加权矩阵和孪生支持向量机，构建特征加权孪生支持向量机；利用特征加权孪生支持向量机，实现滚动轴承故障的识别；用以提高分类器对不同特征的利用效率以及轴承故障的识别精度。

主权项：1.基于特征加权孪生支持向量机的滚动轴承故障诊断方法，其特征在于，包括：步骤一：搭建机械轴承数据采集平台，利用机械轴承数据采集平台中的加速度传感器采集不同运行状态的轴承振动信号；步骤二：采用多角度的特征提取方法对振动信号分别从时域、频域和多尺度熵提取故障特征，构造高维特征集；步骤三：利用费舍尔得分特征选择法对高维特征集进行初步筛选，获得预选特征子集；步骤四：对预选特征子集进行最大相关最小冗余分析，获得最终特征集及各特征的评分；步骤五：基于各特征的评分构建特征加权矩阵；步骤六：基于特征加权矩阵和孪生支持向量机，构建特征加权孪生支持向量机；步骤七：利用特征加权孪生支持向量机，实现滚动轴承故障的识别；其中，步骤二：采用多角度的特征提取方法对振动信号分别从时域、频域和多尺度熵提取故障特征，构造高维特征集，包括：利用统计方法在振动信号的时域图中提取出16个时域特征作为第一故障特征，其中，10个有量纲统计参数，分别是时域图中的均值、标准差、平方根振幅、绝对均值、偏度、峰度、方差、最大值、最小值、峰峰值，6个无量纲统计参数，分别是时域图中的波形指数、峰值指数、方差脉冲指数、边缘指数、偏度指数和峰度指数；基于傅里叶变换分析方法在振动信号的频域图中提取出13个频域特征作为第二故障特征，其中，13个频域特征为频域图中的频谱幅值均值、频谱幅值方差、频谱幅值偏度、频谱幅值峭度、重心频率、频谱幅值标准差、频谱均方根值、主频带位置、频率能量集中度、频率分散度、频率偏度、频率峭度、频谱标准化均值；将振动信号在不同时间尺度上进行分解，并计算每个时间尺度上的熵值，采用多尺度排列熵和多尺度样本熵提取30个多尺度熵特征作为第三故障特征；将第一故障特征、第二故障特征、第三故障特征合并获得高维特征集；其中，30个多尺度熵特征包括：15个多尺度排列熵特征和15个多尺度样本熵特征；其中，步骤四：对预选特征子集进行最大相关最小冗余分析，获得最终特征集及各特征的评分，包括：定义特征集空间F＝{f1,f2,..fL}，已选特征子集为S，其中，L为特征的个数，S为空集；根据评价函数遍历特征集F中的所有特征，找到与类别变量k之间具有最大互信息值的特征fi，并将其作为第一个特征加入特征子集S，其中Ifi,k为特征fi与类别变量k之间的互信息；根据评价函数选取与类别变量k具有最大相关性且与已选择特征fi具有最小冗余性的特征变量fj，并将其添加到特征子集S中，其中|S|为S中特征的个数；通过上述步骤逐步提取特征，当|S|＝r时，特征选择结束，输出最终特征集Sr，以及每个特征的评分q1,q2,…qr；其中，步骤五：基于各特征的评分构建特征加权矩阵，包括：将最终特征集Sr中的每个特征的评分作为特征权值；对特征权值进行归一化： 其中，qi表示为第i个特征的权值，di表示为第i个特征归一化以后的权值，r为特征的个数；采用对角矩阵的形式构造特征加权矩阵

全文数据：

权利要求：

百度查询： 盐城工学院;盐城工学院技术转移中心有限公司 基于特征加权孪生支持向量机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