本发明涉及一种故障诊断方法，尤其涉及一种基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法。
背景技术：
滚动轴承作为旋转机械的核心部件，已广泛应用于风电机组、运输车辆和精密机床等设备的传动系统中。然而，由于长期运行在高速重载等复杂恶劣工况，滚动轴承的内圈、外圈和滚动体等部位极易发生裂纹、点蚀或剥落等故障；从而降低设备精度，甚至造成人员伤亡等严重后果。因此，滚动轴承的故障诊断研究具有十分重要的意义。
近年来，人工智能技术已广泛应用于滚动轴承的故障诊断方法中，如深度神经网络(deepneuralnetwork,dnn)、支持向量机(supportvectormachine,svm)和模糊逻辑(fuzzylogic,fl)等。作为一种新颖的机器学习工具，dnn能够自动地从原始数据中获得有价值的特征，并且其具有简单的结构和极强的表示能力。dnn虽能准确地诊断滚动轴承的故障类型和故障程度，但其模型结构和参数的获取需要大量的训练样本。而且，较高的计算成本和较低的适应能力仍然没有解决。svm是一种基于统计学原理的监督式机器学习方法，它具有突出的泛化特性和较强的容错能力。与其它方法相比，svm具有较高的模式识别精度。但svm较难确定最优超平面，依据反复试验和操作经验确定。而且，基于svm的模式识别方法难于实现动态特征下的故障诊断。fl是对二值逻辑的扩展，它将模糊或不确定的数据转换成数值项，用隶属度衡量部分肯定或部分否定。然而，fl的核心是将输入空间映射到输出空间，是通过决策规则的描述来实现的。模糊规则的生成需耗费大量时间，一些来自专家的规则并不可靠。
qian等人提出了一种多层次数据挖掘工具，即多粒度粗糙集。它采用一个属性集序列而非一个属性集来对论域进行多层次划分，构造多粒度论域空间，从而在多粒度论域空间上实现目标概念的近似逼近。作为一种新的多源信息的融合模型，多粒度粗糙集从不同粒度层面去观察和处理数据信息，获取可靠的决策知识和选择恰当的模式类别，从而增强了多源信息融合模型处理不完备或不确定性问题的能力。因此，多粒度粗糙集已成功应用于滚动轴承的故障诊断领域。然而，采用求同排异思想的悲观多粒度粗糙集是一种规避风险的决策策略，其限制条件过于苛刻，导致约简后的征兆属性集维数过低，难于对滚动轴承的状态做出准确判断。
技术实现要素：
本发明的目的是为了解决基于多粒度粗糙集的轴承故障诊断过程中限制条件选择不恰当的问题，为滚动轴承的故障诊断提供一种新颖的解决思路，而提出了基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法。
基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法，其特征在于该方法包括以下步骤：
步骤一、提取训练样本中滚动轴承的故障诊断特征，用于构建故障征兆属性集；
步骤二、采用基于平均多粒度决策粗糙集的属性约简算法，降低训练样本中征兆属性集的维数；
步骤三、根据约简后的训练样本构建nnbc，采用基于nnbc的模式识别算法判断待诊样本的滚动轴承状态。
所述步骤二中基于平均多粒度决策粗糙集的属性约简算法；具体步骤为：
步骤二一、根据风险代价λp,q(p,q＝1,2,3)，计算阈值α；
步骤二二、计算征兆属性集c关于决策属性d的分类质量sc(d)；
步骤二三、依次对每一个征兆属性ci,i＝1,2,...,n进行如下操作；
步骤二四、计算征兆属性ci在征兆属性集c中关于决策属性d的重要度sig(ci,c,d)；
步骤二五、如果征兆属性ci的重要度sig(ci,c,d)＝0，那么征兆属性ci是冗余的，否则是必不可少的；
步骤二六、对其它征兆属性重复步骤二四和步骤二五，直至最后一个征兆属性cn；
步骤二七、删除所有冗余的征兆属性，获得低维征兆属性集。
所述步骤三中基于nnbc的模式识别算法；具体步骤为：
步骤三一、分别计算约简后训练样本的最优带宽hk和高斯核函数k(x)；
步骤三二、计算待诊样本
步骤三三、根据待诊样本
发明效果
采用本发明的基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法，与其它轴承故障诊断方法相比，本发明的有益效果为：
1.平均多粒度决策粗糙集不但保留了决策粗糙集容错性和灵活性的特点，还具有多层次数据挖掘特性，可通过多粒度结构的融合描述目标概念，并克服了悲观多粒度粗糙集限制条件过于苛刻的不足。因此，该方法非常适用于滚动轴承多种故障的诊断；
2.基于平均多粒度决策粗糙集的属性约简算法，可用于删除训练样本中冗余的征兆属性，获取敏感征兆属性，并降低训练样本征兆属性集的维数，从而改善同一滚动轴承状态的聚类效果，并减少模式识别过程中输入变量个数，降低计算复杂度；
3.基于nnbc的模式识别算法可准确地判断滚动轴承的故障类型及故障程度。
附图说明
图1为本发明基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法的流程图；
图2为基于平均多粒度决策粗糙集的属性约简算法的流程图；
图3为基于nnbc的模式识别算法的流程图；
图4为六种滚动轴承状态的声发射信号；
图5为约简前后训练样本的主成分散点图；
图6为平均准确率与阈值之间的关系曲线。
具体实施方式
具体实施方式一：结合图1说明本实施方式，基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法，其特征在于该方法包括以下步骤：
步骤一、提取训练样本中滚动轴承的故障诊断特征，用于构建故障征兆属性集；
步骤二、采用基于平均多粒度决策粗糙集的属性约简算法，降低训练样本中征兆属性集的维数；
步骤三、根据约简后的训练样本构建nnbc，采用基于nnbc的模式识别算法判断待诊样本的滚动轴承状态。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中基于平均多粒度决策粗糙集的属性约简算法，结合图2说明本实施方式：
步骤二一、根据风险代价λp,q(p,q＝1,2,3)，计算阈值α；其中
步骤二二、计算征兆属性集c关于决策属性d的分类质量sc(d)；
步骤二三、依次对每一个征兆属性ci,i＝1,2,...,n进行如下操作；
步骤二四、计算征兆属性ci在征兆属性集c中关于决策属性d的重要度sig(ci,c,d)；
步骤二五、如果征兆属性ci的重要度sig(ci,c,d)＝0，那么征兆属性ci是冗余的，否则是必不可少的；
步骤二六、对其它征兆属性重复步骤二四和步骤二五，直至最后一个征兆属性cn；
步骤二七、删除所有冗余的征兆属性，获得低维征兆属性集。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二二中征兆属性集c关于决策属性d的分类质量sc(d)的定义如下：
对于信息系统s＝(u,a＝c∪d,v,f)，u为实例集合，a为属性集，c为征兆属性集，d为决策属性集，v为a的值域，f为映射函数，令b＝{b1,b2,...,bm}是征兆属性集c的m个属性子集，则征兆属性集c关于决策属性d的分类质量为：
其中，
具体实施方式四：本实施方式与具体实施方式一、二或三不同的是：所述步骤二四中征兆属性ci在征兆属性集c中关于决策属性d重要度sig(ci,c,d)的定义如下：
对于信息系统s＝(u,a＝c∪d,v,f)，u为实例集合，a为属性集，c为征兆属性集，d为决策属性集，v为a的值域，f为映射函数，令征兆属性集c＝{c1,c2,...,cn}，
具体实施方式五：本实施方式与具体实施方式一、二、三或四不同的是：所述步骤二五中征兆属性ci在征兆属性集c中关于决策属性d是下近似冗余的，当且仅当sig(ci,c,d)＝0。
具体实施方式六：本实施方式与具体实施方式一、二、三、四或五不同的是：所述步骤三中基于nnbc的模式识别算法；结合图3说明本实施方式：
步骤三一、分别计算约简后训练样本的最优带宽hk和高斯核函数k(x)；最优带宽hk和高斯核函数k(x)的计算公式分别为：
其中，
步骤三二、计算待诊样本
其中，x1,x2,...,xd为d维随机变量；训练样本集合
步骤三三、根据待诊样本
采用以下实施例验证本发明的有益效果：
实施例：
本实施例基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法步骤如下：
步骤一、提取训练样本中滚动轴承的故障特征，用于构建故障征兆属性集。本实施例在本实验室所研发的滚动轴承实验组件上进行，滚动轴承为6205深沟球轴承，采用电火花加工轴承内圈故障(irf)、外圈故障(orf)和滚动体故障(ref)。其中，内外圈故障孔径分别为0.4mm和0.8mm，滚动体裂纹宽为0.2mm。实验中将电机的输出转速分别调为400r/min、800r/min、1200r/min，并通过悬挂不同个数的砝码模拟3种轴承径向负载，所以共模拟9种滚动轴承运行工况。通过安装在轴承座上的声发射传感器采集滚动轴承的声发射信号，采样频率为98khz。滚动轴承的每种运行工况采集10组样本，每种滚动轴承状态可获得90组样本，6种滚动轴承状态一共可获得540组样本，图4为六种滚动轴承状态的声发射信号。本实施例将获得的540组样本分成训练样本和待诊样本，样本数之比为5:1。采用总体平均经验模式分解(ensembleempiricalmodedecomposition,eemd)方法提取滚动轴承声发射信号本征模式函数(intrinsicmodefunction,imf)的时域特征和频域特征，用于刻画滚动轴承状态。时域特征包括标准偏差、峭度、波形指标和脉冲指标。频域特征包括平均频率、均方根频率、标准偏差频率和谱峰值比。将每个特征的前3个最大imf值看作滚动轴承故障特征，所以一共可提取24个故障特征，用于构建故障征兆属性集。
步骤二、采用基于平均多粒度决策粗糙集的属性约简算法，降低训练样本中征兆属性集的维数，设阈值α＝0.7。然后，利用主元分析法(principlecomponentanalysis,pca)绘制约简前后训练样本的主成分散点图，如图5所示。可以看出，约简后的低维征兆属性集将同一类滚动轴承状态很好地聚集在一起，而使不同的状态有效地分开。这是由于低维征兆属性集中包含的是核心且敏感的征兆属性，从而避免了冗余或不相关征兆属性的干扰。
步骤三、根据约简后的训练样本构建nnbc，采用基于nnbc的模式识别算法判断待诊样本的滚动轴承状态，诊断结果如表1所示。从表1可以看出，每种滚动轴承状态的待诊样本准确率超过93％，平均准确率接近100％。因此，本文提出的故障诊断方法能够准确地判断滚动轴承的故障类型及故障程度。
表1滚动轴承状态诊断准确率
为了分析阈值对故障诊断平均准确率的影响，分别将决策粗糙集和平均多粒度决策粗糙集用于属性约简，降低训练样本征兆属性集的维数。然后，计算不同阈值下滚动轴承故障诊断的平均准确率，图6为平均准确率与阈值之间的关系曲线。从图6中可以看出，平均准确率随阈值变大，先上升后下降。这是由于较小的阈值会导致属性约简的约束条件过于宽松，一些冗余或不必要的征兆属性被保留下来；而较大的阈值会导致属性约简的约束条件过于苛刻，一些敏感且核心的征兆属性被去掉。因此，在实际应用中，合理的阈值选择能获得最佳的故障诊断效果。从两种粗糙集下的故障诊断平均准确率可以看出，尽管平均准确率受阈值影响，但本文提出的故障诊断方法仍具有较高的平均准确率。原因在于平均多粒度决策粗糙集可从多层次的角度实现数据分析，而且它通过多粒度结构的融合描述目标概念。因此，该方法非常适用于滚动轴承多种故障的诊断。