专利名称：基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法
技术领域：
本发明涉及一种故障辨识技术领域，特别涉及一种基于有监督增量式局部线性嵌入(SILLE)维数化简的早期故障辨识方法。
背景技术：
旋转机械早期故障辨识技术是随着现代工业大生产的发展而发展起来的一项设备诊断技术，它是研究旋转机械在故障早期，即在旋转机械性能异常征兆还比较微弱以及还没有出现典型事故之前，就掌握旋转机械的运行现状，判定旋转机械早期故障的部位、原因或严重程度，预测设备可靠性和寿命，并提出相应的维修方案的技术，其研究的内容涉及信号处理技术、信息融合技术、维数化简理论、模式识别理论(包括人工智能、统计数学、模糊数学)、电子技术、计算机科学、现代控制理论等多个学科领域，是依据旋转机械早期故障动力学机理，利用信号处理技术、信息融合技术、维数化简理论和模式识别理论，对旋转机械的振动信号或其它源信号依次进行故障特征提取、故障特征融合、特征约简、故障分类等分析处理，来对旋转机械早期故障进行辨识。
目前，对旋转机械早期故障辨识的方法主要为以下两种
I)利用信号处理技术提取旋转机械早期故障特征。
2)结合信号处理技术和模式识别理论对旋转机械进行早期故障辨识。
但这两种方法因各自的局限性不能有效地辨识旋转机械早期故障。
对于第一种方法，由于旋转机械故障主要是以振动形式表现出来，并在众多的故障信息中，振动信号能够更迅速、更直接地反映转子系统的运行状态，因此基于信号处理技术(即振动分析技术)的早期故障辨识方法较为普遍，它是利用时域或频域信号分析方法来获取旋转机械振动信号的时域波形和频谱中能量的大小及分布等特征，并与已知的正常或故障时域或频域特征进行相似性比较，从而指示旋转机械是否发生故障。但信号处理技术对于分析复杂工况下的旋转机械早期故障仍存在诸多不足。如，多层自相关等时、频分析方法不可能在时、频域同时得到很高的辨识精度，混叠、交叉项干扰等问题难以解决；现在的盲源分离技术只能解决线性混叠问题，而用于处理非线性混叠、噪声混叠、源信号个数未知或动态变化等情况下的盲分离问题具有局限性；等等。另外，习惯孤立使用单一、单域的信号处理技术进行转机械早期故障特征选择与提取，这种方式普适性不强，难以全面、准确地获取旋转机械时变、非线性、多混叠振动信号中真实的早期故障特征。
对于第二种方法，结合信号处理和模式识别的早期故障辨识方法就是先利用信号处理技术及衍生的特征构造方法对早期故障信号进行故障特征选择与优化，再通过人工智能技术(如神经网络、支持向量机等)或决策融合机制对早期故障特征进行模式识别，可以将这类早期故障辨识方法概括为故障辨识模式“故障特征提取一模式识别”。但该故障辨识模式往往要借助人为分析才能完成故障特征的选择与优化，故障特征优选质量和模式识别精度取决于用户的专业知识和现场经验，自动化水平和计算效率低，诊断结果稳定性和可靠性差，不能满足旋转机械早期故障辨识技术机动化、精准化、快捷化的现实需求和发展趋势；另一方面，该故障辨识模式多采用单一、单域的故障特征提取方式，针对性强、通用性差，只适合单个零部件早期或典型故障的诊断问题，无法适应大型旋转机械早期故障辨识问题的多样性和复杂性。此外，现今常用的人工智能技术和决策融合机制其自身也存在不少的缺陷。如神经网络、支持向量机等主流人工智能技术都存在对训练样本的复杂的训练建模过程，原理复杂，给工程软件程序的编制带来相当大的难度；决策融合机制由于其模型结构的复杂性、知识储存的隐蔽性以及推理过程的不明确性，造成其决策过程对用户来说就是一个“黑箱”，不具有可解释性；等等。以上几方面不足决定了故障辨识模式“故障特征提取一模式识别”用于旋转机械早期故障辨识仍然具有很大的局限性。
综上所述，如何保证旋转机械早期故障辨识结果的准确性、可靠性以及如何提高旋转机械早期故障辨识方法的自动化水平、通用化程度和分析运算效率至今没有取得重大的进展，还有待深入研究。发明内容
本发明针对现有的旋转机械早期故障辨识方法难以实现自动化、高精度、快速性和通用性相统一的问题，提出了一种基于有监督增量式局部线性嵌入(SILLE)维数化简的早期故障辨识方法，该方法首先从时域和频域两个作用域来获取复杂旋转机械早期故障的特征信息，再利用有监督增量式局部线性嵌入(SILLE)将高维时频域特征集向量自动约简为区分度更好的低维特征向量，并输入到分类器中进行早期故障模式辨识。该方法实现了旋转机械早期故障辨识方法的自动化、高精度、快速性和通用性。
本发明的技术方案如下
一种旋转机械故障诊断领域的基于有监督增量式局部线性嵌入(SILLE)维数化简的早期故障辨识方法，其特征在于，包括如下具体步骤
A、对训练样本和测试样本均分别构造N个时域特征参数和N个频域特征参数，所述N > 10，并将N个时域特征参数和N个频域特征参数合并得到2N维的时频域特征集向
B、将作为训练样本的2N维时频域特征集向量输入有监督增量式局部线性嵌入 (SILLE)进行训练，求得训练好的SILLE和训练样本的d维特征向量，I < d〈k且d〈2N，d为 SILLE的最优约简维数，k为SILLE的近邻点数目；
C、训练好的SILLE再用局部线性投影对测试样本进行维数化简，得到测试样本的 d维特征向量；
D、将分别得到的训练样本和测试样本的d维特征向量同时输入分类器进行分类决策，得出各测试样本的识别结果。
在步骤B和C之间，还执行下述步骤
步骤B’、通过局部协方差矩阵特征值来估计d，并对SILLE的近邻点数目k和 SILLE的距离参数α进行估计。
由局部协方差矩阵特征值贡献率或神经网络来估计d，通过十折交叉验证法或迭代算法来估计SILLE的近邻点数目k和SILLE的距离参数α。
步骤D所述的分类器为K-近邻分类器(KNNC)或神经网络分类器或支持向量机。
所述时域特征参数是指在旋转机械的一个振动周期内反映时域信号的幅值、能量 大小以及时间序列分布情况的参数，所述频域特征参数是指在旋转机械的一个振动周期内 反映频域振动能量大小、表征频谱的分散或集中程度以及反映主频带位置变化的参数。步骤A所述的N为10，步骤A是指先对训练样本和测试样本均分别构造10个时域 特征参数和10个频域特征参数，再合并所述10个时域特征参数和10个频域特征参数得到 20维时频域特征集向量，最后归一化所述20维时频域特征集向量。步骤B是指利用有监督增量式局部线性嵌入(SILLE)算法对训练样本的20维时 频域特征集向量进行降维处理，所述降维处理包括得到训练样本的近邻点、重构权值矩阵、 训练样本投影模型，降维处理后得到反映不同早期故障特征的训练样本d维特征向量。步骤C所述的训练好的SILLE再用局部线性投影对测试样本进行维数化简，是指 训练好的SILLE采用局部线性投影算法来将测试样本的2N维时频域特征集向量映射到训 练样本的嵌入空间，得到测试样本的d维特征向量。步骤D所述的将分别得到的训练样本和测试样本的d维特征向量同时输入分类器 进行分类决策，是指分类器根据训练样本d维特征向量的邻域点和类标签信息对测试样本 d维特征向量进行早期故障模式的分类决策。所述的测试样本的识别结果是指K-近邻分类器(KNNC)输出的模式编号，用测试 样本对应的模式编号代表该样本所属早期故障的类型或位置或程度，各类早期故障的辨识 精度n!和平均辨识精度f分别用以下两个公式描述
权利要求
1.一种旋转机械故障诊断领域的基于有监督增量式局部线性嵌入(SILLE)维数化简的早期故障辨识方法，其特征在于，包括如下具体步骤A、对训练样本和测试样本均分别构造N个时域特征参数和N个频域特征参数，所述 N ^ 10，并将N个时域特征参数和N个频域特征参数合并得到2N维的时频域特征集向量；B、将作为训练样本的2N维时频域特征集向量输入有监督增量式局部线性嵌入 (SILLE)进行训练，求得训练好的SILLE和训练样本的d维特征向量，I < d〈k且d〈2N，d为 SILLE的最优约简维数，k为SILLE的近邻点数目；C、训练好的SILLE再用局部线性投影对测试样本进行维数化简，得到测试样本的d维特征向量；D、将分别得到的训练样本和测试样本的d维特征向量同时输入分类器进行分类决策， 得出各测试样本的识别结果。
2.根据权利要求I所述的方法，其特征在于，在步骤B和C之间，还执行下述步骤步骤B’、通过局部协方差矩阵特征值来估计d，并对SILLE的近邻点数目k和SILLE的距离参数α进行估计。
3.根据权利要求2所述的方法，其特征在于，由局部协方差矩阵特征值贡献率或神经网络来估计d，通过十折交叉验证法或迭代算法来估计SILLE的近邻点数目k和SILLE的距离参数α。
4.根据权利要求I至3之一所述的方法，其特征在于，步骤D所述的分类器为K-近邻分类器(KNNC)或神经网络分类器或支持向量机。
5.根据权利要求I至3之一所述的方法，其特征在于，所述时域特征参数是指在旋转机械的一个振动周期内反映时域信号的幅值、能量大小以及时间序列分布情况的参数，所述频域特征参数是指在旋转机械的一个振动周期内反映频域振动能量大小、表征频谱的分散或集中程度以及反映主频带位置变化的参数。
6.根据权利要求5所述的方法，其特征在于，步骤A所述的N为10，步骤A是指先对训练样本和测试样本均分别构造10个时域特征参数和10个频域特征参数，再合并所述10个时域特征参数和10个频域特征参数得到20维时频域特征集向量，最后归一化所述20维时频域特征集向量。
7.根据权利要求6所述的方法，其特征在于，步骤B是指利用有监督增量式局部线性嵌入(SILLE)算法对训练样本的20维时频域特征集向量进行降维处理，所述降维处理包括得到训练样本的近邻点、重构权值矩阵、训练样本投影模型，降维处理后得到反映不同早期故障特征的训练样本d维特征向量。
8.根据权利要求I所述的方法，其特征在于，步骤C所述的训练好的SILLE再用局部线性投影对测试样本进行维数化简，是指训练好的SILLE采用局部线性投影算法来将测试样本的2N维时频域特征集向量映射到训练样本的嵌入空间，得到测试样本的d维特征向量。
9.根据权利要求I所述的方法，其特征在于，步骤D所述的将分别得到的训练样本和测试样本的d维特征向量同时输入分类器进行分类决策，是指分类器根据训练样本d维特征向量的邻域点和类标签信息对测试样本d维特征向量进行早期故障模式的分类决策。
10.根据权利要求I所述的方法，其特征在于，所述的测试样本的识别结果是指K-近邻分类器(KNNC)输出的模式编号，用测试样本对应的模式编号代表该样本所属早期故障的类型或位置或程度，各类早期故障的辨识精度n!和平均辨识精度f分别用以下两个公式描述' —实师输出校式与期制输出捞式-·致的某￥期故障测成ff本ft η,~该V期故障测试样本总数S / I式中，S为早期故障种类总数。
全文摘要
本发明涉及一种基于有监督增量式局部线性嵌入(SILLE)维数化简的早期故障辨识方法，该方法先从时域和频域两个作用域来获取复杂旋转机械早期故障的特征信息，构造全面表征不同故障特性的时频域特征集向量，再利用SILLE将高维时频域特征集向量自动约简为区分度更好的低维特征向量，并输入到分类器中进行分类决策，最终得到各测试样本早期故障的辨识结果。该方法充分发挥了时频域特征集在故障特征全面挖掘、有监督增量式局部线性嵌入(SILLE)技术在信息化简和分类器在模式识别上的优势，实现了旋转机械早期故障辨识方法的自动化、高精度、快速性和通用性。
文档编号G06K9/62GK102930285SQ201210346688
公开日2013年2月13日 申请日期2012年9月18日 优先权日2012年9月18日
发明者李锋, 王家序, 杨荣松 申请人:四川大学