基于集成学习增强型齿轮单故障类别诊断方法与流程

本发明属于故障诊断领域，具体涉及一种基于集成学习增强型齿轮单故障类别诊断方法。

背景技术：

支持向量数据描述是一种在支持向量机基础上发展起来的一种单分类方法。其可通过线性区分的方式利用线或者面将不同的两类样本进行区分，若某一类群体数据在低纬度空间内不可分，则可通过核函数的方式将其投影到高维空间中，转换成高维空间线性可分的样本群。

当前齿轮故障诊断方法常用的有隐马尔科夫模型、马氏距离以及神经网络，基本是基于数据概率分布模型完成齿轮故障类别的诊断，但对数据样本要求数据量较大，且并不能确保准确的诊断结果。

技术实现要素：

本发明公开了一种基于集成学习增强型齿轮单故障类别诊断方法。本发明利用集成学习的多样性特点，通过数据交叉训练的方式训练出对应的个体故障诊断学习器，再运用集成学习的方法，以投票法为集成规则，将一定数量的支持向量数据描述齿轮故障诊断学习器集成为增强型齿轮故障单分类诊断器，从而达到增强分类能力的目标。

实现本发明目的的技术方案如下：

步骤一，构建基于支持向量数据描述模的齿轮故障诊断学习器；

步骤二，采用k折交叉训练的方式，分别训练出k个支持向量数据描述的齿轮故障诊断学习器；

步骤三，通过投票法的规则将k个支持向量数据描述齿轮故障诊断学习器集成在一起，即可实现增强单分类齿轮故障诊断能力的目标。

本发明与现有技术相比，其显著优点为：通过多个单分类方法的集成学习，增强其分类能力，提高了故障诊断准确率。

附图说明

图1是本发明的训练集构建示意图。

图2是本发明的分类器训练示意图。

图3是本发明的分类器集成示意图。

图4是本发明基于集成学习增强型齿轮单故障类别诊断方法的技术框架图。

具体实施方式

本发明的技术方案可以概括为：

步骤一：支撑向量数据描述齿轮故障诊断学习器模型构建

引入核函数的方法构建支撑向量数据分类模型。

步骤二：训练齿轮故障特征样本集构建，支撑向量数据描述齿轮故障诊断单分类学习器训练

采用k折交叉训练法，对原始特征样本群进行切割。通过k折交叉训练的方式训练出k个支持向量数据描述的齿轮故障诊断学习器。

步骤三：支持向量数据描述的齿轮故障诊断学习器的集成

利用投票法的方式将k个支持向量数据描述的齿轮故障诊断学习器集成在一起形成增强型齿轮故障诊断单分类器。

下面结合附图对本发明作进一步说明。

步骤一：支撑向量数据描述齿轮故障诊断学习器模型构建

假定有n个齿轮故障特征数据样本点xi(i＝1,2,….,n)，存在一个超球体将所有的特征样本点包含在超球体内部，其中心为o半径为r。则超球体内的所有特征点距离球体中心o的距离满足

l(xi,o)＝||xi-o||²≤r²(1)

r为保证超球体内部全部为齿轮故障特征样本点的最大半径。以上条件为标准超球体条件下的距离约束规则，为提高该超球体的适应性和可行性，可对每一个齿轮故障特征点添加一个冗余度εi，即上述条件变更为l(xi,o)＝||xi-o||²≤r²+εi(2)

因此，为使超球体最小，即可使每一个特征点到超球体中心的距离满足如下条件：

对于一个样本群，其个体数n确定不变，则上述约束规则可更变为:

minl(x,o)＝r²+c∑εi(4)

c为常数。其约束条件为(2)式，根据拉格朗日乘子算法，可得到上式问题的拉格朗日函数：

l(xi,o,εi,r,α,β)＝r²+c-∑εi-∑αi(r²+εi-||xi-o||²)-∑βiεi(5)

根据其对各变量的偏导数为零，可知：

同时

将(6)式代入(5)式可得：

l(xi,o,εi,r,α,β)＝∑αi||xi-o||²(8)

即

l(xi,o,εi,r,α,β)＝∑αi(xi·xi)-∑αiαj(xi·xj)(9)

当齿轮故障特征样本点在样本空间内无法进行线性区分时，需要将特征样本点映射进高维空间，即其拉格朗日函数就变为l(xi,o,εi,r,α,β)＝∑αi(φ(xi)·φ(xi))-∑αiαj(φ(xi)·φ(xj))(10)

其映射关系只出现在内积运算中，将内积运算定义为一个核函数，即

κ(xi,xj)＝φ(xi)·φ(xj)(11)

则拉格朗日函数变为l(xi,o,εi,r,α,β)＝∑αiκ(xi,xi)-∑αiαjκ(xi,xj)(12)

要确保(4)式取最小值，则(5)式中αi(r²+εi-||xi-o||²)≥0且越大越好因此有||xi-o||²≥r²时，总有αi＝0；||xi-o||²＜r²时，位于超球体内部；||xi-o||²＝r²时，均成立，且位于超球体表面，该向量称为支撑向量。

根据支持向量xk就可以得出超球体半径

r²＝(xk·xk)-2∑αi(xi·xk)+∑αiαj(xi·xj)(13)

任意一样本xz，均可通过计算其道超球体中心o的距离来判断其是否位于超球体内。

步骤二：训练齿轮故障特征样本集构建，支撑向量数据描述齿轮故障诊断单分类学习器训练

如图1所示，某齿轮故障特征样本集中共计包含n个样本点，进行有放回采样m个特征值点，共计k次，采样结束后将采样的k个齿轮故障特征样本群作为一个训练集，原样特征样本中未被采样的特征作为测试特征样本；重复上述过程k次，即可得到k个特征训练集和对应的k个特征测试集。

如图2所示为支撑向量数据描述齿轮故障诊断学习器的训练过程，每一个训练集对应训练一个支撑向量数据描述齿轮故障诊断学习器；当支撑向量数据描述齿轮故障诊断学习器训练完成后，利用其对应的测试集进行测试，若结果符合要求，则支撑向量数据描述齿轮故障诊断单分类学习器训练完成；若结果不符合，则重新进行特征训练集构建和支撑向量数据描述齿轮故障诊断学习器训练。

步骤三：支持向量数据描述的齿轮故障诊断学习器的集成

支持向量数据描述齿轮故障诊断学习器为单分类方法，即不能实现故障类型的识别,但可以进行故障诊断；通过用正常状态的齿轮特征样本训练齿轮故障诊断学习器可计算出训练集样本的超球体半径r；当测试特征样本的超球体半径r’大于r时，则该特征样本不属于当前类别，表明该齿轮出现故障；反之则属于该特征所属的类别，表明该齿轮为正常类别。因此，支持向量数据描述齿轮故障诊断学习器进行分类为{0，1}问题。当输出类别属于该类别时，则标记为1；输出类别不属于该类别时，标记为0。因此，将k个支持向量数据描述齿轮故障诊断学习器进行投票法求和，即：

其中ti为第i个分类器的输出标记，t表示集成之后的输出结果。

若t>＝k/2，表明该样本属于正常状态样本的类别；若t<k/2，表明该样本属于故障状态样本的类别。

本发明通过集成学习的方式将单个分类模型集成在一起，提高了其单故障类别的诊断效果，将其应用于齿轮故障诊断领域中，能够提高故障诊断的准确率。