一种基于模糊宽度学习模型的轴承故障诊断方法

技术特征：
1.一种基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，包括：采集运行中的轴承上的振动信号数据，并对所述振动信号数据进行预处理；从预处理后的所述振动信号数据中提取时域特征参数、频域特征参数以及时频域特征参数；对所述时域特征参数、所述频域特征参数以及所述时频域特征参数依次进行融合及归一化处理，得到融合数据集，并将所述融合数据集按照预设比例划分为训练集数据和测试集数据；构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型；通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型；利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断待测试轴承的故障类型。2.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，对所述振动信号数据进行预处理的步骤包括：从所述振动信号数据中提取不同振动信号数据特征；裁剪所述振动信号数据，得到多个振动信号样本，各所述振动信号样本均匹配一个所述振动信号数据特征。3.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述归一化处理的函数表达式如下所示：其中，为所述时域特征参数、所述频域特征参数和所述时频域特征参数融合后构成的总特征集，为归一化后的特征集，为总特征集的最小值，为总特征集的最大值。4.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型的步骤包括：将模糊系统中的模糊子系统替换宽度学习系统中的特征节点；将替换至所述宽度学习系统中的模糊子系统产生的中间输出发送至所述宽度学习系统的增强节点进行非线性变换；整合来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入，以构建初始模糊宽度学习模型，所述初始模糊宽度学习模型根据整合后的来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入来生成模型输出。5.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型的步骤之后，所述方法还包括：利用所述测试集数据对所述目标模糊宽度学习模型进行测试，并根据测试结果判断所述目标模糊宽度学习模型是否合格；
若是，则执行利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值的步骤。6.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述目标模糊宽度学习模型包括模糊宽度学习算法，利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断相应的待测试轴承的故障类型的步骤包括：通过所述模糊宽度学习算法计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值计算出所述待测试轴承振动信号数据的分类矩阵；根据故障样本特征库和所述分类矩阵判断所述待测试轴承的故障类型。7.根据权利要求6所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，根据故障样本特征库和所述分类矩阵判断所述待测试轴承的故障类型之前，所述方法还包括：构建故障样本特征库，所述故障样本特征库包括多个带有故障类型标签的历史轴承振动信号样本，各所述故障类型标签匹配有一个标签矩阵。8.根据权利要求7所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述构建故障样本特征库之后，所述方法还包括：基于所述故障样本特征库，通过所述模糊宽度学习模型对已知故障类型的样本进行分类。9.根据权利要求7所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述分类矩阵的计算公式如下所示：其中，为目标函数，为任意数据点相对聚类中心的隶属度值，为任意数据点相对聚类中心的欧氏距离，为分类矩阵，为聚类中心向量，为第个输入样本，为第个聚类中心向量，为聚类中心向量的数量，为输入样本的数量，为模糊加权指数，为转置符号。10.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述初始模糊宽度学习模型包括模糊子系统、增强节点和系统输出，通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型的步骤包括：将所述训练集数据输入至所述初始模糊宽度学习模型后，持续调整所述模糊子系统、所述增强节点以及所述系统输出的参数值，直至输出最优结果，以得到目标模糊宽度学习模型。

技术总结
本发明提供了一种基于模糊宽度学习模型的轴承故障诊断方法，包括：构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型；通过训练集数据对所述输出模糊宽度学习模型进行训练，得到目标模糊宽度学习模型，所述训练集数据包括多个带有故障类型标签的轴承振动信号数据；利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断待测试轴承的故障类型。通过本申请，不仅大大缩短了学习时间，同时通过本模型来判断待测试轴承的故障类型，鲁棒性强，诊断速度快，故障诊断精度也很高。故障诊断精度也很高。故障诊断精度也很高。


技术研发人员：周建民 杨晓彤 尹洪妍
受保护的技术使用者：华东交通大学
技术研发日：2022.10.17
技术公布日：2022/11/11