技术摘要：
本发明公开了一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方法。利用加速度传感器对滚动轴承的振动信号进行采集，在不同噪声强度下得到了各运行状态小波包能量特征向量，并引入新的基于类中心的隶属度计算法方法，在此基础上构建了基于多分类模糊相关向量机实  全部
背景技术：
大型旋转机械设备中滚动轴承的运行状况直接关系到设备的安全、经济运行，一 旦滚动轴承出现故障，将会引起连锁反应，轻则造成传动系统失效，重则引发机毁人亡的严 重事故。因此，对滚动轴承的运行状态监测及故障诊断具有重要意义。 由于滚动轴承的振动信号具有数据获取方便、适用性广等优点，现有的滚动轴承 智能故障诊断方法主要采集其振动信号进行故障特征提取，并将特征向量输入至故障识别 器中进行故障识别进而获得故障诊断结果。 在实际工况中，由于外部工作环境的干扰，获取的机械设备振动信号中其通常存 在着一些噪声信号，影响了智能故障诊断的精度。 目前现有的方法主要是通过信号处理、滤波等方法对采集的振动信号进行处理以 达到消除噪声数据的目的。然而，由于实际工程中振动信号的复杂性，通过信号处理预处理 的方法也极易误将部分有效信息消除，难度较大。如何更加有效的去除滚动轴承原始振动 信号的噪声是提高其故障诊断精度的关键技术之一。 基于稀疏贝叶斯理论下的新型机器学习算法，简称相关向量机(Relevance  Vector  Machine，RVM)，与同支持向量机(Support  Vector  Machine，SVM)相比，相关向量机 最大的优点就是极大地减少了核函数的计算量，并且也克服了所选核函数必须满足Mercer 条件的缺点。 RVM主要通过结合贝叶斯理论、最大边缘似然函数估计、马尔科夫性质以及自动相 关决定先验等几个关键理论步骤来实现稀疏贝叶斯模型，具有处理小样本能力强、稀疏度 好、泛化能力强、较好的非线性数据处理能力等优点，已经在滚动轴承故障诊断中得到了应 用，取得了良好的故障诊断效果。 在RVM的样本训练过程中，其决策函数通常由少许的几个样本(称之为相关向量) 所决定，由于滚动轴承振动信号中噪声的影响，极易将噪声误判为有效故障样本，影响了其 智能故障诊断模型的构建，从而导致了故障诊断准确度降低。 模糊相关向量机(Fuzzy  relevance  vector  machine，FRVM)将模糊数学与RVM相 结合，在对样本的训练过程中合理分析样本的特性，对各个样本点赋予计算出的隶属度，减 小噪声样本的影响，提高了分类的准确率。 模糊相关向量机(Fuzzy  Relevance  Vector  Machine，FRVM)的基本原理如下： 对于两类C1、C2分类问题，假设给定N个训练样本{x1,x2,...,xN}，对应的目标值为 t ,t D D1 2,...,tN，其中xi∈R ，R 为D维空间，ti∈{-1,1},i＝1,...,N。设当xi∈C1时，ti＝-1；xi ∈C2时，ti＝1。 设T为给定样本标签值和隶属度的一个训练样本集： 5 CN 111611867 A 说　明　书 2/9 页 T＝{(t1,x1,s1) ,(t2,x2,s2) ,...,(ti,xi,si)}---------------------(1-1) 式中si—样本xi属于该类的隶属度，0＜si≤1，i＝1,2,...,N。 FRVM的优化过程与传统的相关向量机类似。对于二分类问题，假设每个样本独立 同分布，并且每次的预测为独立事件，假设p(t|x)采用Bernoulli(伯努利)分布，此时后验 概率的似然函数为： 权重ωMP等价于求解式(1-3)： 式中yi＝σ{y(xi；ω)}，A＝diag(α0,α1,α2,...,αN)。当给予训练样本xi模糊隶属度 关系si后，式(1-4)则转化成如下形式： 为了求解ωMP，也需要对其进行不断的迭代求取最大值，同样可采用牛顿法来求 解。在求解的过程中，此时求得式(1-5)的后验分布的梯度向量g及Hessian矩阵H则转化为： g＝▽ωlog{p(t|ω)p(ω|α)}＝ΦTdiag(s)(t-y)-Aω-------------(1-6) H＝▽ω▽ωlog{p(t|ω)p(ω|α)}＝-(ΦTdiag(s)BΦ A)-----------(1-7) 其中B＝diag(β1,β2,...,βN)为对角矩阵，βn＝σ{y(xn)}[1-σ{y(xn)}],Φ为设计矩 阵。后验协方差则转化为式(1-8)： 由 可得ω TMP＝ΣΦ Bt。同样采用ωMP和后验协方差Σ'来 更新超参数α，其更新的机制与标准RVM相同。 合理设计隶属度计算函数是模糊相关向量机有效处理噪声点的关键之一，由于不 同数据的复杂性，隶属度计算法方法没有可遵循的准则，需要根据样本的特点以及模式识 别方法的特性设计出更加合理的隶属度计算方法以提高分类准确率。
技术实现要素：
本发明的目的在于提供一种基于多分类模糊相关向量机的滚动轴承智能故障诊 断方法，通过在故障样本在识别前进行隶属度计算，对噪声或异常样本赋予较小的隶属度 来减小其对故障诊断结果的影响，有效去除滚动轴承原始振动信号中的噪声，提高其故障 诊断准确率。 为此，本发明提供了一种基于多分类模糊相关向量机的滚动轴承智能故障诊断方 法，包括以下步骤：S1、采用加速度传感器对滚动轴承工作时的振动信号进行数据采集；S2、 对滚动轴承振动数据信号的数据样本进行分段处理，其中每一段都具有统计意义；S3、采取 小波包分析每段振动信号，提取其小波包能量特征并进行归一化处理，获得多维故障特征 6 CN 111611867 A 说　明　书 3/9 页 向量；S4、按照上述步骤S1-S3对不同故障状态下滚动轴承的振动信号进行处理，获得多维 故障特征向量集，将其划分为训练样本集Xtrain及测试样本集Xtest；S5、将多维故障特征向量 作为输入向量，设定样品标签为0、1、2及3，分别对应滚动轴承的4种单一的工作状态，即正 常状态、外圈故障、内圈故障及滚动体故障；S6、计算滚动轴承故障训练样本集Xtrain中各样 本的模糊隶属度Si，得到新的训练样本集X′train＝[Xtrain，Si]；S7、采用一对一分类方法构造 多分类模糊相关向量机模型，利用训练样本集X′train＝[Xtrain，Si]进行训练，以得到基于多 分类模糊相关向量机模型的滚动轴承故障诊断识别器，并且将测试样本集Xtest输入到该识 别器中进行故障识别，以获得滚动轴承故障判断准确率；以及S8、按照上述步骤S1至S3对待 故障诊断的滚动轴承的振动信号进行采集和处理，获得多维故障特征向量，将其输入至步 骤S7所构建的滚动轴承诊断识别器中进行识别，以输出滚动轴承故障类型。 本发明采用一对一方法实现了多分类模糊相关向量机，提供了一种新的样本隶属 度计算方法，在此基础上构建了基于多分类模糊相关向量机实现了滚动轴承的智能故障诊 断，与现有滚动轴承智能故障识别技术，其克服现有滚动轴承智能故障诊断方法对噪声点 或异常点比较敏感所导致的抗噪性差、诊断效果不理想的缺点，通过引入新的基于类中心 的隶属度计算法方法，在增强相关向量作用的同时减小了噪声点对分类的不利影响，同时 提取了滚动轴承振动信号小波包能量特征，提高了故障诊断准确率，高效地实现了对滚动 轴承故障类型的识别。 除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。 下面将参照图，对本发明作进一步详细的说明。 附图说明 构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示 意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中： 图1为根据本发明的构建滚动轴承故障诊断模型的流程图； 图2为构造OAO-FRVM分类器实现算法流程图； 图3为滚动轴承故障样本隶属度计算算法流程图； 图4为本发明的试验台结构示意图，其中，加速度传感器安装位置已在图中标注； 图5为滚动轴承振动信号图，其中，(a)信号对应滚动轴承的正常状态，(b)信号对 应滚动轴承的滚动体故障，(c)信号对应滚动轴承的内圈故障，(d)信号对应滚动轴承外圈 故障； 图6为滚动轴承各状态的小波包特征能量图。其中，提取滚动轴承原始振动数据 后，利用小波包变换提取滚动轴承小波包能量特征，利用db10小波将滚动轴承振动数据进 行小波包能量分解； 图7为基于类中心的隶属度计算方法原理示意图；以及 图8示出了根据本发明的基于多分类模糊相关向量机的滚动轴承智能故障诊断方 法的流程图。