基于改进型lssvm迁移学习的轴承故障诊断方法和系统的制作方法
【技术领域】
[0001 ] 本发明属于轴承故障诊断领域，尤其是一种基于改进型LSSVM(Least Squares Support Vector Machine,最小二乘支持向量机)迁移学习的轴承故障诊断方法和系统。
【背景技术】
[0002] 轴承作为旋转机械的重要部件之一，在现代工业中应用广泛，对其故障诊断已成 为保障安全生产、防止重大事故发生的有效手段。目前轴承故障诊断主要包括数据采集、特 征提取W及故障分类等操作步骤。其中，故障分类可用传统机器学习算法实现，其实现有效 分类需要训练数据与测试数据分布相同，并且目标诊断数据量充足。
[0003] 然而实际工业系统中普遍存在的复杂工况环境，往往导致目标诊断数据无法直接 获取、训练数据与测试数据分布特性存在一定的差异，运些都会降低传统机器学习故障诊 断模型的泛化能力，甚至使得模型不再适用。
[0004] 当W上问题出现时，大多数传统机器学习算法采用重新标记目标轴承故障样本来 解决，但其需要大量实验及专业知识，而且工业环境中外在摩擦力、工况等因素的变化，并 不能保证采集到的标记数据和目标轴承故障数据分布一致，并且重新标记目标轴承故障样 本还需要额外时间和人力成本。如何在克服传统机器学习算法在轴承故障诊断领域的不 足，已成为目前需要解决的问题。
【发明内容】
[0005] 发明目的：一个目的是提供一种基于改进型LSSVM迁移学习的轴承故障诊断方法， W解决现有技术存在的上述问题。进一步的目的是提供一种基于改进型LSSVM迁移学习的 轴承故障诊断系统。
[0006] 技术方案:一种基于改进型LSSVM迁移学习的轴承故障诊断方法，包括如下步骤：
[0007] 步骤1、利用递归定量分析对目标数据和辅助数据进行处理，提取非线性特征并与 传统时域特征相结合，组成特征向量，构成训练集；
[000引步骤2、利用基于改进型LSSVM迁移学习算法构建故障分类模型：
[0009] 在LSSVM原优化问题中的目标函数和约束条件中，分别增加辅助集的惩罚函数和 约束条件，使LSSVM在迭代学习的过程中，受到辅助集的影响，从而提高其分类精度，构建基 于迁移学习的故障诊断模型；
[0010] 步骤3:将目标工况下目标轴承未标记故障振动数据利用递归定量分析提取非线 性特征并与传统时域特征相结合，组成特征向量，构成测试集，输入到步骤2中已训练好的 改进型LSSVM模型中，分析输出结果。
[0011] 进一步的，所述目标数据为目标工况下目标轴承振动数据，所述辅助数据为变工 况下目标轴承振动数据或临近轴承振动数据。
[0012] 进一步的，所述递归定量分析包括如下步骤：
[0013] 步骤la、采用坐标延迟的相空间重构方法进行相空间重构，其中延迟时间和嵌入 维数分别由互信息法和虚假临近点法求得；设长度N的轴承振动序列信号U(l)，x (2)，. . . .，x(N)}对应的重构相空间为：
[0014]
[001引其中，1 y 如-(m-l)T，X(l)，X(2)，. . . .，X(N-(m-l)T)为重构相空间向量，τ 为由 互信息法求得的延迟时间，m为由虚假临近点法求得的嵌入维数，x(i)表示长度Ν的轴承振 动序列信号第i时刻的观察值，x(iw)表示长度N的轴承振动序列信号第（iw)时刻的观察 值，N为轴承振动时间序列的长度；
[0016] 步骤化、构建相空间的递归矩阵：
[0017]
[001引其中：i，j = l，2，...，N-(m-l)τ;Θ(·)为单位阶跃函数；ε为递归阔值，对于固定 递归阔值ε，将空间中任意两个向量X(i)、X(j)代入上述公式，可得到NXN距离矩阵对应的 0-1矩阵；
[0019] 步骤1C、构建递归图：用黑点表示i-j坐标下Ru = l的值，构成递归图，W图形形式 直观描述时间序列的递归特性；
[0020] 步骤Id、从递归图点密度和线结构中提取递归率、确定性、递归赌和层流性运四个 有效特征参数。
[0021 ]进一步的，所述提取非线性特征并与传统时域特征相结合的步骤如下：
[0022] 步骤2a、采用时域统计分析方法从轴承振动信号中提取出峰峰值、有效值、方差和 峭度指标；
[0023] 步骤2b、采用坐标延迟的相空间重构方法对时域振动信号进行相空间重构，并构 建递归图，提取递归率、确定性、层流性和递归赌指标，并与步骤2a所提取的四个特征值相 结合，归一化后构成8维的特征向量。
[0024] 进一步的，所述训练数据集为：
[0025]
[0026] 其中，Τρ和Ta为目标和辅助训练数据集；xf和W分别为目标训练数据集中第i个样 本的特征向量和对应的故障标识，和y：·分别为辅助训练数据集中第i个样本的特征向量 和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非 线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数，a 表示辅助数据，P表示目标数据。
[0027] 进一步的，所述步骤2进一步为：
[002引 a)构建标准LSSVM的优化问题：
[0029]
[0030] 式中，J(Q，e)表示参数ω和e的函数，ω表示分类超平面的法方向，b表示偏置， W*嗦示将训练集中故障特征向量xi变换到Hilbed空间，e康示误差函数，丫 p为目标数据 的正则化系数，Np为目标数据集样本数
[0031] b)在标准LSSVM优化问题中的目标函数和约束条件中，分别增加辅助集的惩罚函 数和约束条件，可表示为：
[0032]
[0033] 其中，丫 P、丫 a分别为目标数据和辅助数据的正则化系数，均大于0，ei为误差函数；
[0034] C)对加入辅助集后的优化问题进行求解，求得参数a和b，具体求解步骤如下：
[0035] C-1)构建 Lagrange 函数
[0036]
[0037] 其中，aieR(i = l，2,......，（Np+Na))为 Lagrange因子，符号不受限制；
[0038] C-2)对L分别求（《，6,6，曰)的偏微分，并令其为零，如下式所示：
[0039]
[0040] C-3)整理并消去变量ω和61，最终得到如下矩阵形式：
[0041]
[0042] 式中；
[00创 y = レ，J?，'''，y,"·"。)]:y = [化''''リ,w。"。χ,;a = [α,，α2，'''，α,"·"。)]:Ω是一个（Np+Na ) X ( Np+Na )对称 矩阵，且A =邸口似卢h却.K为核函数/與吗A y i、y j分别表示训练集中第i 个、第j个样本对应的故障标识。
[0044] 求得参数a和b:
[0045]
[0046] C-4)得到加入辅助集的改进LSSVM函数估计表达式：
[0047]
[004引进一步的，所述步骤2还包括四种辅助集的使用方法，分别为：
[0049] 1):将目标函数中的丫遺为0，删除掉约束条件II;
[0050] 2):将目标函数中的γ遏为0,删除掉约束条件I，目标函数变为：
[0化1 ]
[0052] 3):置目标函数中丫 a= 丫 p，约束条件保持不变；
[0053] 4):通过交叉验证对目标函数中的丫 a和丫 P进行优化，约束条件保持不变。
[0054] 一种基于改进型LSSVM迁移学习的轴承故障诊断方法，包括如下步骤：
[0055] 步骤一、对目标数据和辅助数据进行处理，提取相关信息，构建训练集；
[0056] 步骤二、构建故障分类模型，
[0化7]
[0058] 式中，J(w，e)表示参数ω和e的函数，ω表示分类超平面的法方向，b表示偏置， 嗦示将训练集中故障特征向量XI变换到HHbed空间，e康示误差函数，丫 P、丫 a分别为 目标数据和辅助数据的正则化系数，Np、Na分别为目标数据和辅助数据的样本数，i为训练集 中第i个故障特征向量；
[0059] 步骤Ξ、构建测试集并输入到改进型LSSVM模型中，分析输出结果。
[0060] 进一步的实施例中，所述训练集为：
[0061]
[0062] 其中，Τρ和Ta为目标和辅助训练数据集；xf和yf分别为目标训练数据集中第i个样 本的特征向量和对应的故障标识，和y：·分别为辅助训练数据集中第i个样本的特征向量 和对应的故障标识;其中目标数据和辅助数据集中的特征向量均利用递归定量分析提取非 线性特征并与传统时域特征相结合的方法;Np和Na分别为目标和辅助振动数据集样本数，a 表示辅助数据，P表示目标数据。
[0063] 进一步的实施例中，在步骤一中，采用递归定量分析对目标数据和辅助数据进行 处理，具体如下：
[0064] 步骤la、采用坐标延迟的相空间重构方法进行相空间重构，其中延迟时间和嵌入 维数分别由互信息法和虚假临近点法求得；设长度N的轴承振动序列信号{x(l)，x (2)，. . . .，x(N)}对应的重构相空间为：
[00 化]
[0066] 其中，1 y 如-(m-l)T，X(l)，X(2)，. . . .，X(N-(m-l)T)为重构相空间向量，τ 为由 互信息法求得的延迟时间，m为由虚假临近点法求得的嵌入维数，x(i)