基于双重组合模式的多层相关向量机的轴承故障诊断系统的制作方法
【专利摘要】本发明涉及一种基于双重组合模式的多层相关向量机的轴承故障诊断系统，包括加速度传感器、数据采集模块、特征提取模块和推理机，加速度传感器用于将轴承的振动信号转换为电信号；数据采集模块用于将加速度传感器所采集的信号进行预处理；特征提取模块用于提取经过数据采集模块预处理后的信号的特征，以供推理机中诊断模型的使用；推理机中的诊断模型包括“二叉树”模式和“一对一”模式，其中，“二叉树”模式用于区分轴承的故障状态与正常状态，“一对一”模式用于识别具体的轴承故障类型；当“二叉树”模式得出轴承处于故障状态时，再由“一对一”模式对轴承故障类型进行判断。本发明即能满足诊断系统的实时诊断的需要，又能保证其诊断精度。
【专利说明】基于双重组合模式的多层相关向量机的轴承故障诊断系统
【技术领域】
[0001]本发明涉及轴承故障诊断【技术领域】，特别是涉及一种基于双重组合模式的多层相关向量机的轴承故障诊断系统。
【背景技术】
[0002]轴承是工程机械中重要的基础部件，其运行状态的好坏直接影响工程机械工作状况，因此，对轴承的故障进行准确、高效的诊断，对于确保工程机械及时恢复正常工作状态有着非常重要的意义。相关向量机是基于贝叶斯框架构建的机器学习方法，在故障诊断中有着较好的应用前景，它解决了人工神经网络的过拟合和训练速度慢等问题；并与支持向量机相比，相关向量机具有更好的稀疏性，从而测试时间更短，更适用于在线检测，且相关向量机中惩罚参数是自动赋值的，解决了支持向量机中惩罚参数选取困难的难题。由于相关向量机是一个二值分类器，而轴承故障类型较多，所以必须使用多个相关向量机分类器以某种特定的方式组合，以构建适合于轴承故障诊断的模型。如何在保证诊断精度的同时，提高诊断模型训练和使用的效率，进而确保诊断系统的实时诊断性能是当前的难题。
【发明内容】
[0003]本发明所要解决的技术问题是提供一种多层相关向量机的轴承故障诊断系统，SP能满足诊断系统的实时诊断的需要，又能保证其诊断精度。
[0004]本发明解决其技术问题所采用的技术方案是:提供一种基于双重组合模式的多层相关向量机的轴承故障诊断系统，包括加速度传感器、数据采集模块、特征提取模块和推理机，所述加速度传感器用于将轴承的振动信号转换为电信号；所述数据采集模块用于将所述加速度传感器所采集的信号进行预处理；所述特征提取模块用于提取经过所述数据采集模块预处理后的信号的特征，以供所述推理机中诊断模型的使用；所述推理机包括诊断模型和推理策略，其中诊断模型包括“二叉树”模式和“一对一”模式，其中，“二叉树”模式用于区分轴承的故障状态与正常状态，“一对一”模式用于识别具体的轴承故障类型；所述推理策略为首先通过“二叉树”模式判别轴承是否处于故障状态，当“二叉树”模式得出轴承处于故障状态时，再由“一对一”模式对轴承故障类型进行判断。
[0005]所述“一对一”模式为每次只选取其中的两类样本，对所有可能的两类组合构造相关向量机，共构造M(M-1) /2个相关向量机，其中，M表示轴承故障类型的数目。
[0006]所述相关向量机采用特征子集进行训练和测试。
[0007]所述“二叉树”模式中，当二值分类器输出大于阈值时，则该轴承处于正常状态，否贝U，该轴承处于故障状态。
[0008]所述“一对一”模式采用投票法识别轴承的故障类型，即样本每经过一个相关向量机都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有的相关向量机后，对获得票数进行统计，得票数最高的故障类型即为该样本属于的故障类型。
[0009]当几个故障类型获得相同票数时，再将样本输入与所述几个故障类型相关的相关向量机，再以投票法进行识别，最终统计得到票数最多的为该样本属于的故障类型。
[0010]有益效果
[0011]由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果:本发明采用‘二叉树’和‘一对一’两种模式组合的方式构建轴承故障诊断模型，使其即能提高诊断模型训练和使用的效率，满足诊断系统的实时诊断的需要，又能保证其诊断精度。
【专利附图】
【附图说明】
[0012]图1是基于双重组合模式的多层相关向量机的轴承故障诊断系统示意图；
[0013]图2是基于双重组合模式的多层相关向量机的轴承故障诊断流程图；
[0014]图3是一对一组合模式中单元相关向量机的训练与测试图。
【具体实施方式】
[0015]下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0016]本发明的实施方式涉及一种基于双重组合模式的多层相关向量机的轴承故障诊断系统，如图1所示，包括加速度传感器、数据采集模块、特征提取模块、推理机和显示模块，所述加速度传感器用于将轴承的振动信号转换为电信号；所述数据采集模块用于将所述加速度传感器所采集的信号进行预处理；所述特征提取模块用于提取经过所述数据采集模块预处理后的信号的特征，以供所述推理机中诊断模型的使用；所述推理机包括诊断模型和推理策略，其中诊断模型包括“二叉树”模式和“一对一”模式，其中，“二叉树”模式用于区分轴承的故障状态与正常状态，“一对一”模式用于识别具体的轴承故障类型；而推理策略描述为:首先通过“二叉树”模式判别轴承是否处于故障状态，当“二叉树”模式得出轴承处于故障状态时，再由“一对一”模式对轴承故障类型进行判断。所述显示模块用于诊断结果显示以及便于人机交互的界面。
[0017]“一对一”模式主要是指每次只选取其中的两类样本，对所有可能的两类组合构造相关向量机(Relevance Vector Machine,简称“RVM”),总共需要构造M(M-1) /2个RVM,诊断模型中M表示轴承故障类型的数目。“一对一”模式中每个相关向量机采用各自特定的特征子集进行训练和测试。图3为“一对一”模式中单元相关向量机训练与测试图，每个单元相关向量机在投入使用前必须进行训练和测试，以满足诊断精度的要求，“一对一”模式中的每个单元相关向量机都采用了特定的特征子集对其进行训练和测试，图3左边为该相关向量机的训练过程图，其中RVs表示相关向量，图3右边为该相关向量机的测试过程图。从图3可以看出，该相关向量机采用了特征56和特征5组成了其训练和测试的特征子集，那是因为该两个特征对滚珠故障(III类)C4和滚珠故障(II类)C9故障的区分度最高。
[0018]如图2所示，基于双重组合模式的多层相关向量机的轴承故障诊断流程包含了“二叉树”和“一对一”两种模式，其中，“二叉树”模式用于区分轴承的故障状态与正常状态，“一对一”模式用于识别具体的轴承故障类型。本诊断模型中采用了凯斯西储大学轴承振动数据集中所涉及的轴承状态类型，轴承状态类型及表示如表1所示，其中，轴承的正常状态记为Cl ;轴承缺陷尺寸为0.018mm的滚珠故障记为滚珠故障(I类)，以C2表示；轴承缺陷尺寸为0.036mm的滚珠故障记为滚珠故障(II类)，以C3表示；轴承缺陷尺寸为0.053mm的滚珠故障记为滚珠故障(III类)，以C4表示；轴承缺陷尺寸为0.018mm的内圈故障记为滚珠故障(I类)，以C5表示；轴承缺陷尺寸为0.036mm的内圈故障记为滚珠故障(II类)，以C6表示；轴承缺陷尺寸为0.053mm的内圈故障记为滚珠故障(III类)，以C7表示；轴承缺陷尺寸为0.018mm的外圈故障记为滚珠故障(I类)，以C8表示；轴承缺陷尺寸为0.036mm的外圈故障记为滚珠故障(II类)，以C9表示；轴承缺陷尺寸为0.053mm的外圈故障记为滚珠故障(III类)，以ClO表示。“二叉树”模式中，当二值分类器输出大于0.5，则该轴承处于正常状态，否则，该轴承处于故障状态。当轴承处于故障状态时，启用“一对一”模式以识别轴承具体故障类型，“一对一”模式采用的是投票法，样本每经过一个二分类RVM都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有二分类RVM后，对获得票数进行统计，得票数最高的故障类型即为该样本最可能属于的故障类型。当某几个故障类型获得相同票数时，再将样本输入与这几个故障类型相关的二分类RVM，如此循环，直至最终出现票数胜出的故障类型。如当RVM2[1]输出大于0.5，则该轴承可能处于I类的滚珠故障，即I类的滚珠故障获得I票，否则，则该轴承可能处于II类的滚珠故障，即II类的滚珠故障获得I票。
[0019]表1轴承状态类型及表示
[0020]
【权利要求】
1.一种基于双重组合模式的多层相关向量机的轴承故障诊断系统，包括加速度传感器、数据采集模块、特征提取模块和推理机，其特征在于，所述加速度传感器用于将轴承的振动信号转换为电信号；所述数据采集模块用于将所述加速度传感器所采集的信号进行预处理；所述特征提取模块用于提取经过所述数据采集模块预处理后的信号的特征，以供所述推理机中诊断模型的使用；所述推理机包括诊断模型和推理策略，其中诊断模型包括“二叉树”模式和“一对一”模式，其中，“二叉树”模式用于区分轴承的故障状态与正常状态，“一对一”模式用于识别具体的轴承故障类型；所述推理策略为首先通过“二叉树”模式判别轴承是否处于故障状态，当“二叉树”模式得出轴承处于故障状态时，再由“一对一”模式对轴承故障类型进行判断。
2.根据权利要求1所述的基于双重组合模式的多层相关向量机的轴承故障诊断系统，其特征在于，所述“一对一”模式为每次只选取其中的两类样本，对所有可能的两类组合构造相关向量机，共构造Μ(Μ-1)/2个相关向量机，其中，M表示轴承故障类型的数目。
3.根据权利要求2所述的基于双重组合模式的多层相关向量机的轴承故障诊断系统，其特征在于，所述相关向量机采用特征子集进行训练和测试。
4.根据权利要求1-3中任一权利要求所述的基于双重组合模式的多层相关向量机的轴承故障诊断系统，其特征在于，所述“二叉树”模式中，当二值分类器输出大于阈值时，则该轴承处于正常状态，否则，该轴承处于故障状态。
5.根据权利要求1-3中任一权利要求所述的基于双重组合模式的多层相关向量机的轴承故障诊断系统，其特征在于，所述“一对一”模式采用投票法识别轴承的故障类型，即样本每经过一个相关向量机都会获得一个可能的故障类型，则该故障类型获得一票，当样本经过所有的相关向量机后，对获得票数进行统计，得票数最高的故障类型即为该样本属于的故障类型。
6.根据权利要求5所述的基于双重组合模式的多层相关向量机的轴承故障诊断系统，其特征在于，当几个故障类型获得相同票数时，再将样本输入与所述几个故障类型相关的相关向量机，再以投票法进行识别，最终统计得到票数最多的为该样本属于的故障类型。
【文档编号】G01M13/04GK103471849SQ201310442453
【公开日】2013年12月25日 申请日期:2013年9月25日 优先权日:2013年9月25日
【发明者】费胜巍, 何创新 申请人:东华大学