专利名称：基于局部切空间和支持向量机的机电系统故障诊断方法
技术领域：
本发明涉及一种机电系统故障诊断方法，特别是关于一种基于流形学习局部切空 间和支持向量机的机电系统故障诊断方法。
背景技术：
近年来，流形学习方法作为一种新的非线性维数约简的方法，在数据挖掘和特征 提取等领域中被广泛应用。将非线性高维数据映射到低维流形结构中，能有效获得嵌入在 高维空间中的内在低维流形结构。机电系统在运行过程中，各部件相互关联相互影响，在工 作过程中产生的碰撞、摩擦变化、结构变形、速度突变等，具有强烈的非线性、非平稳特性。 将流形学习用于高维非线性故障样本的学习，可以有效发现数据的内在本质特征，为故障 诊断提供新的途径。
瓦普尼克(Vapnik)提出的支持向量机(Support Vector Machine, SVM)算法，在 解决小样本、非线性及高维模式识别中具有独特优势，又能很好的限制过学习，特别适合于 小样本集的数据处理，广泛应用于模式识别、回归分析等领域，并在故障诊断和故障预测方 面得到应用。然而，目前尚未有将流形学习和支持向量机结合的方法，并且没有对其参数进 行寻优的分析研究。单独采用流形学习方法或是支持向量机的方法对机电设备进行故障诊 断，其诊断精度和诊断范围都有局限性，无法达到实际使用中对故障诊断精度的要求。发明内容
针对上述问题，本发明的目的是提供一种能较好的解决非线性非平稳状态下高维 数据和局部极小点问题、操作简单的基于流形学习局部切空间和支持向量机的机电系统故 障诊断方法。
为实现上述目的，本发明采取以下技术方案一种基于局部切空间和支持向量机 的机电系统故障诊断方法，其包括以下步骤1)利用数据采集设备获得待诊断机电设备的 多类振动信号测量数据，并采用均值-方差标准化方法将多类振动信号测量数据进行归一 化处理，得到具有零均值和单位方差的振动信号，其中多类振动信号包括正常的振动信号 和各种故障的振动信号；2)在归一化处理后的振动信号测量数据中截取一段长度为t的振 动信号数据，先利用延迟重构方法将该振动信号数据均匀划分为N个子数据向量，然后分 别计算每个子数据向量的20维的特征值，构成一个NX 20的高维特征参数矩阵；并对高维 特征参数矩阵每一维度数据归一化；其中20维的特征值由13个时域特征和7个频域特征 构成；N为特征空间的样本点数,共20种表征机械振动特性的特征参数构建高维特征空 间；3)采用LTSA提取NX 20高维特征参数矩阵的低维矩阵，得到主轴系统敏感稳定的故障 特征低维流形；LTSA通过逼近每一样本点的切空间来构建低维流形的局部几何空间，然后 利用局部切空间排列求出整体低维嵌入坐标，得到小样本数据；其中LTSA为局部切空间排 列算法；4)对小样本数据采用网格搜索算法进行LTSA参数(d，k)寻优，得到所有数据维数 d和邻域点数k的排列组合，选择70%的小样本数据为训练集，剩下的为测试集；其中，d为数据维数，k为邻域点数，参数d网格搜索寻优范围小于数据维数且大于等于I，参数k寻优范围不小于数据维数，寻优步长为I ;5)利用SVM对降维后的小样本数据进行故障诊断的故障分类，并采用交叉验证选择最优SVM参数(C，Y )，采用在LTSA最优参数(d，k)和SVM最优参数(c，Y)的取值范围插值，分别构成二维网格P和Q，二维网格P中每个(d，k)参数组合对应二维网格Q中所有(c，y)参数组合，构建SVM模型，保留准确率最高的(d，k)和 (c，Y)组合为最终的寻优参数组合；其中SVM为基于径向基核函数的支持向量机，c为惩罚参数，Y为核函数参数；6)根据寻优参数组合，利用LTSA提取训练集和测试集的高维特征空间的低维特征流形，训练SVM故障分类器，实现对机电系统的故障诊断。
所述步骤I)中，采用均值-方差标准化方法将所测得的多类振动信号进行归一化预处理如下首先，计算所测系统振动信号的离散数据样本X= Ix1, X2,..., XnI的均值f和方差σ，然后对该离散数据样本X进行归一化处理，即
所述步骤3)中，采用LTSA提取NX 20高维特征参数矩阵的低维矩阵，其降维步骤为(I)假设一个高维数据集为X= [Xl，X2，…，XN]，Xi e Rm，从中提取出一个d维的主流形， m > d，N为样本点数，Xi是样本X第i列的向量，Rm是m维空间；首先采用k近邻分类器标准找出每个样本点Xi的邻近点，选取包含该样本点Xi自身在内的k个最小距离近邻点作为邻域，并将该样本点Xi的近邻点组成一个领域矩阵XNi = (xn, xi2 …Xu)，进而用邻域中低维切空间的坐标近似表示局部的非线性几何特征；其中，i=l，2，···, N；j=l,2,…，N;(2) 通过变换矩阵X将各样本点邻域切空间的局部坐标映射到统一的全局坐标上，进行局部线性拟合计算每个样本点Xi处d维切空间的正交基Qi,根据正交基Qi得到邻域矩阵XNi中每一个点Xij在切空间上的正交投影0 =tf {xy- )，进而得到邻域矩阵XNi的局部坐标矩阵为Θ,=[贫，名,…,幻，则Xi邻域内的几何结构则由其邻域数据在切空间的正交投影所构成_ k的局部坐标。描述；其中， =，即为k个邻域的均值，正交基％取
权利要求
1.一种基于局部切空间和支持向量机的机电系统故障诊断方法，其包括以下步骤 1)利用数据采集设备获得待诊断机电设备的多类振动信号测量数据，并采用均值-方差标准化方法将多类振动信号测量数据进行归一化处理，得到具有零均值和单位方差的振动信号，其中多类振动信号包括正常的振动信号和各种故障的振动信号； 2)在归一化处理后的振动信号测量数据中截取一段长度为t的振动信号数据，先利用延迟重构方法将该振动信号数据均匀划分为N个子数据向量，然后分别计算每个子数据向量的20维的特征值，构成一个NX 20的高维特征参数矩阵；并对高维特征参数矩阵每一维度数据归一化；其中20维的特征值由13个时域特征和7个频域特征构成；N为特征空间的样本点数，共20种表征机械振动特性的特征参数构建高维特征空间； 3)采用LTSA提取NX20高维特征参数矩阵的低维矩阵，得到主轴系统敏感稳定的故障特征低维流形；LTSA通过逼近每一样本点的切空间来构建低维流形的局部几何空间，然后利用局部切空间排列求出整体低维嵌入坐标，得到小样本数据；其中LTSA为局部切空间排列算法； 4)对小样本数据采用网格搜索算法进行LTSA参数(d，k)寻优，得到所有数据维数d和邻域点数k的排列组合，选择70%的小样本数据为训练集，剩下的为测试集；其中，d为数据维数,k为邻域点数,参数d网格搜索寻优范围小于数据维数且大于等于I,参数k寻优范围不小于数据维数，寻优步长为I ; 5)利用SVM对降维后的小样本数据进行故障诊断的故障分类，并采用交叉验证选择最优SVM参数(C，Y)，采用在LTSA最优参数(d，k)和SVM最优参数(c，y)的取值范围插值，分别构成二维网格P和Q，二维网格P中每个(d，k)参数组合对应二维网格Q中所有(c, y)参数组合，构建SVM模型，保留准确率最高的(d，k)和(c，Y)组合为最终的寻优参数组合；其中SVM为基于径向基核函数的支持向量机，c为惩罚参数，Y为核函数参数； 6)根据寻优参数组合，利用LTSA提取训练集和测试集的高维特征空间的低维特征流形，训练SVM故障分类器，实现对机电系统的故障诊断。
2.如权利要求1所述的基于局部切空间和支持向量机的机电系统故障诊断方法，其特征在于所述步骤I)中，采用均值-方差标准化方法将所测得的多类振动信号进行归一化预处理如下首先，计算所测系统振动信号的离散数据样本X = Ix1, X2,, xn}的均值I和方差σ，然后对该离散数据样本X进行归一化处理，SP
3.如权利要求1所述的基于局部切空间和支持向量机的机电系统故障诊断方法，其特征在于所述步骤3)中，采用LTSA提取ΝΧ20高维特征参数矩阵的低维矩阵，其降维步骤为 (1)假设一个高维数据集为X= [X1, X2,…，XN]，Xi e Rm,从中提取出一个d维的主流形，m > d，N为样本点数，Xi是样本X第i列的向量，Rm是m维空间；首先采用k近邻分类器标准找出每个样本点Xi的邻近点，选取包含该样本点Xi自身在内的k个最小距离近邻点作为邻域，并将该样本点Xi的近邻点组成一个领域矩阵XNi = (xn, Xi2,…Xij),进而用邻域中低维切空间的坐标近似表示局部的非线性几何特征；其中，i=l，2，…，N;j=l，2，…，N; (2)通过变换矩阵X将各样本点邻域切空间的局部坐标映射到统一的全局坐标上，进行局部线性拟合计算每个样本点Xi处d维切空间的正交基Qi,根据正交基Qi得到邻域矩阵XNi中每ー个点在切空间上的正交投影$ =ば( -X1)，进而得到邻域矩阵XNi的局部坐标矩阵为 , =\01A,-A1，则Xi邻域内的几何结构则由其邻域数据在切空间的正交投影所构成的局部坐行^ =[e, nlダ]描述；其中，
4.如权利要求1或2或3所述的基于局部切空间和支持向量机的机电系统故障诊断方法，其特征在于所述步骤5)中，采用网格捜索算法进行參数(c，y)寻优，网格捜索寻优范围为2_4 24或2_8 28，步长为0. 5。
5.如权利要求1或2或3所述的基于局部切空间和支持向量机的机电系统故障诊断方法，其特征在于所述步骤5)中，采用交叉验证优化SVM故障分类器的步骤如下 ①将降维后的小样本数据分成K组，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，得到K个模型，用这K个模型最終验证集的分类准确率的平均数作为交叉验证下分类器的性能指标；K大于等于2 ； ②通过ー对一法，组合多个二分类器实现多分类器的构造在任意两类样本之间设置ー个SVM，k个类别的样本设置k(k-l)/2个SVM，当对ー个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。
全文摘要
本发明涉及一种基于局部切空间和支持向量机的机电系统故障诊断方法，其基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间，利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形，网格搜索算法进行维数和邻域点参数的优化，实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征。利用交叉验证和一对一法构造支持向量机多类故障分类器，采用径向基核函数支持向量机进行机电系统的故障诊断。本发明适合非线性小样本的设备异常状态识别，能较好的解决高维数据和局部极小点等实际问题，操作简单，分类的准确率高，有利于进一步建立智能化故障诊断系统。本发明可以广泛应用于机电系统故障诊断中。
文档编号G06K9/62GK103048041SQ20121055916
公开日2013年4月17日 申请日期2012年12月20日 优先权日2012年12月20日
发明者王红军, 徐小力, 韩秋实, 马超 申请人:北京信息科技大学