本发明涉及轴承检测，特别涉及一种基于宽度增量学习的轴承故障诊断方法。
背景技术：
1、由于轴承在现代机械设备中所扮演的重要角色，其被广泛应用于各种旋转机械，如风机、发电机、机床等设备中。一旦发生故障将会严重影响旋转机械的正常运转，与机械设备的安全性与可靠性息息相关。因此，研究如何诊断轴承故障和及时诊断轴承故障类型均已成为研究的热点问题。
2、为适应机械设备智能化发展和大数据的特点，有效挖掘监测数据巨大的潜在价值，数据驱动的智能故障诊断技术得到越来越多的关注和研究。该技术基于大量的历史数据来建立故障诊断模式，自动提取运行设备监测数据中隐含的故障信息，完成对设备健康状态的智能识别，实现更高效的事前预测维护。
3、宽度学习结合随机向量函数链网络与前馈神经网络的优势，具有模型训练简单快速、计算资源需求低的特点，能满足实际应用中快速准确地诊断轴承故障类型的要求。然而，传统的宽度学习一般都是基于一次性学习方式开发的，而难以处理数据流中出现新的故障样本和故障模式的问题。
技术实现思路
1、本发明的目的在于针对现有技术中如上所述的缺陷和改进需求，提出一种基于宽度增量学习的轴承故障诊断方法，目的在于利用svdd来对新数据进行初步的异常检测；同时根据异常检测结果，对宽度学习进行宽度堆叠来实现模型的样本增量或者类增量的效果，满足模型对新数据的高实时性和高准确率。
2、本发明的目的通过以下技术方案实现：
3、一种基于宽度增量学习的轴承故障诊断方法，包括：
4、获取宽度学习故障分类模型所需的轴承原始时域数据；
5、对轴承原始时域数据进行预处理并划分为旧数据集d1和新数据集,所述新数据集包括新数据集d2和新数据集d3；
6、搭建宽度学习故障分类模型,并采用旧数据集训练，得到初始宽度学习故障分类模型，采用新数据集测试初始宽度学习故障分类模型的故障准确率；
7、采用旧数据集训练svdd模型，得到初始svdd异常检测模型；
8、采用新数据集进行svdd异常检测模型测试，判断数据异常率是否达到异常检测阈值，如果低于异常检测阈值，则使用宽度样本增量学习；如果高于异常检测阈值，则使用宽度类增量学习；
9、采用增量学习后的宽度学习故障分类模型，对轴承的实时数据进行故障诊断，得到故障准确率。
10、进一步，对轴承原始时域数据进行预处理并划分为旧数据集和新数据集，具体为：
11、对轴承原始时域数据依次进行去直流、包络分析和降采样处理后，生成采样频率为800hz数据集；
12、对800hz数据集进行新、旧数据集划分，其中旧数据集d1的数据具有多个故障类型，新数据集d2即新样本增量数据集中所有故障类型属于旧数据集；新数据集d3即新类增量数据集只有一种故障类型不属于旧数据集。
13、进一步，搭建宽度学习故障分类模型并采用旧数据集训练，得到初始宽度学习模型，采用新数据集测试初始宽度学习故障分类模型的故障准确率，具体为：
14、所述初始宽度学习故障分类模型由特征层、增强层和输出层构成；
15、将旧数据集中的数据作为宽度学习故障分类模型的输入数据，得到映射特征及增强特征，然后根据映射特征及增强特征计算输出层，结合旧数据集d1中的标签y1，有：
16、w＝(λi+aat)-1aty1
17、其中，特征矩阵a＝[z∣h]，w是连接特征层和增强层到输出层的权重，z和h分别表示网络的映射特征和增强特征。算出w后，模型训练完成；
18、对d2＝{x2,y2}和d3＝{x3,y3}进行相同操作得到特征矩阵a2和a3，并进一步得到预测标签y2′和y3′：
19、y2′＝a2w
20、y3′＝a3w
21、将y2′和y′3与y2和y3比较即可求出新数据集d2和新数据集d3故障准确率。
22、进一步，所述采用旧数据集训练svdd模型，得到初始svdd异常检测模型，具体为：
23、用svdd模型构建一个能以最小体积容纳所有训练样本的超球面，则超球面用球心c和半径r表示，
24、其训练过程，具体是对旧数据集进行边界求解，得到边界r；
25、
26、其中，x＝{xi,i＝1,2,...,i}为旧数据集数据。αi表示拉格朗日乘数，k(·,·)表示核函数。
27、进一步，还包括
28、对新数据集d2和新数据集d3中的样本xnew进行异常检测：
29、
30、如果||xnew-a||2≤r2，则接受新数据，否则，新数据就是异常值。
31、进一步，如果异常率低于异常检测阈值，则使用宽度样本增量学习；如果异常率高于异常检测阈值，则使用宽度样本类增量学习，具体为：
32、所述宽度样本增量学习，是对新数据集d2＝{x2,y2}数据进行样本增量，则：
33、
34、式中，
35、ut＝a2(a)+,st＝a2-uta
36、
37、至此，样本增量模型更新完毕；
38、所述宽度类增量学习，是对新数据集d3＝{x3,y3}进行类增量；
39、
40、式中，
41、u＝a+a3,s＝a3-au
42、
43、wt＝a+[y|φ]＝[w|φ]
44、其中，φ是一个零矩阵，a+是输入特征a的伪逆变换。
45、至此，类增量模型更新完毕。
46、进一步，基于宽度学习的故障分类模型预设初始映射特征节点和增强节点个数根据故障分类模型在旧数据集上的准确率调整。
47、进一步，初始映射特征产生的节点个数k为20，映射特征产生的节点个数n为200，增强特征产生的节点个数m为200。
48、进一步，设置svdd模型的正则化参数、二维可视化相应的统计特征和异常检测阈值。
49、进一步，采用增量学习后的宽度学习故障分类模型，对轴承的实时数据进行故障诊断，得到故障准确率，具体为：
50、获取轴承实时振动信号数据；
51、输入svdd异常检测模型进行是否异常值判断，若异常值则进行对宽度学习故障分类模型进行增量，并使用增量后的宽度学习故障分类模型进行故障诊断；
52、否则直接采用宽度学习故障分类模型进行故障诊断。
53、与现有技术相比，本发明具有以下优点和有益效果：
54、(1)本发明采用去直流+包络分析+降采样的原始数据预处理操作，容易去除附加信号噪声的影响，对于频繁变载变速的轴承的故障特征具有良好的特征挖掘能力。
55、(2)本发明基于宽度增量学习的诊断模型，能很好处理数据流中出现新的故障样本和故障模式的问题。同时，样本增量的宽度增量学习的在更新模型只需要存储旧模型而不需要存储旧数据；类增量的宽度增量学习的只需要存储旧模型和旧数据的标签信息，大大减少了计算机数据存储方面的压力，节约成本，具有实用价值。