基于集成学习增强型齿轮单故障类别诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109459235A(43)申请公布日2019.03.12(21)申请号201811528966.7(22)申请日2018.12.13(71)申请人中国航空工业集团公司上海航空测控技术研究所地址201601上海市松江区泗泾镇三祥路188号(72)发明人曹亮沈勇王景霖单添敏林泽力顾浩天(74)专利代理机构南京理工大学专利中心32203代理人朱显国(51)Int.Cl.G01M13/021(2019.01)权利要求书2页说明书3页附图2页(54)发明名称基于集成学习增强型齿轮单故障类别诊断方法(57)摘要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。本发明应用于齿轮故障诊断领域中，能够提高故障诊断的准确率。CN109459235ACN109459235A权利要求书1/2页1.一种基于集成学习增强型齿轮单故障类别诊断方法，其特征在于，包括以下步骤：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。2.根据权利要求1所述的基于集成学习增强型齿轮单故障类别诊断方法，其特征在于：步骤一构建的支持向量数据描述齿轮故障诊断学习器引入核函数；通过超球体将测试样本划分为两类，在齿轮故障特征空间中找出一个能够包围目标特征样本点的最小超球体，并且让目标特征样本点尽可能多的包围在超球体内，而非目标特征样本点则尽可能少或不被包含在超球体内；假定有n个齿轮故障特征样本点xi，i＝1,2,….,n，存在一个超球体将所有的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样本点距离球体中心o的距离满足22L(xi,o)＝||xi-o||≤R(1)R为保证超球体内部全部为目标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，对每一个目标点添加一个冗余度εi，即上述约束条件变更为22L(xi,o)＝||xi-o||≤R+εi(2)使每一个点到超球体中心的距离满足如下条件：使得超球体最小；对于一个齿轮故障特征样本群，其特征个体数n确定不变，则上述约束规则更变为:2minL(X,o)＝R+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，得到上式问题的拉格朗日函数：222L(xi,o,εi,R,α,β)＝R+C-∑εi-∑αi(R+εi-||xi-o||)-∑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：2L(xi,o,εi,R,α,β)＝∑αi||xi-o||即L(xi,o,ωi,R,α,β)＝∑αi(xi·xi)-∑αiαj(xi·xj)22要确保(4)式取最小值，则(5)式中αi(R+εi-||xi-o||)≥0且越大越好；2CN109459235A权利要求书2/2页222222因此有||xi-o||≥R时，总有αi＝0；||xi-o||＜R时，位于超球体内部；||xi-o||＝R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得出超球体半径2R＝(xk·xk)-2∑αi(xi·xk)+∑αiαj(xi·xj)任意一齿轮故障特征样本，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；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))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)则拉格朗日函数变为L(xi,o,εi,R,α,β)＝∑αiκ(xi,xi)-∑αiαjκ(xi,xj)则超球体半径为2R＝κ(xk·xk)-2∑αiκ(xi·xk)+∑αiαjκ(xi·xj)。3.根据权利要求1所述的基于集成学习增强型齿轮单故障类别诊断方法，其特征在于，步骤二采用k折交叉训练法训练齿轮故障诊断学习器的具体实现方法为：齿轮故障特征样本数据包含N个特征样本点，进行有放回的随机采样m次，重复进行k轮采样，每一份特征样本数量相同，即可得到k个包含m个样本的训练集；将其中的k个特征样本群作为支持向量数据齿轮故障诊断学习器的训练数据，原特征样本