滚动轴承复合故障诊断方法、系统、存储介质及计算设备与流程

1.本发明涉及一种机械设备故障诊断技术领域，特别是关于一种基于alif和kelm的滚动轴承复合故障诊断方法、系统、存储介质及计算设备。


背景技术：

2.滚动轴承的实际工作环境大多非常恶劣。经过长时间的运行，它们很容易出现故障。除了单一故障外，故障类型也很容易表现为多种故障同时发生而形成的复合故障。据相关统计，旋转机械设备所有故障中约有30％是由滚动轴承故障引起的。可见，对滚动轴承的健康状态进行有效监测，及时排除故障隐患，对于保证设备安全可靠运行、减少经济损失、避免事故发生具有极其重要的作用。
3.目前现有的方法大多基于滚动轴承振动信号处理复合故障诊断技术，其中信号分解法是处理振动信号的有效方法之一。现有的经验模式分解算法以及将emd和自适应陷波滤波器相结合实现的滚动轴承复合故障的自适应分离和诊断，由于emd缺乏严格的数学理论推导，信号中的奇异点容易导致模态混叠现象的发生，三次样条插值存在欠拟合或过拟合，在噪声的干扰下不稳定。针对所存在的这些问题，研究人员们受emd思想启发下提出了许多自适应模式分解方法，如局部均值分解、经验小波分解和变分模态分解等。2016年cicone等使用fokker
‑
planck(fp)微分方程基础解系作为滤波函数拓展了if算法，提出了自适应局部迭代滤波(adaptive local iterative filter，alif)算法。alif能够有效地分析和处理非线性、非平稳信号，目前该算法已经逐步被应用于旋转机械故障诊断领域，并且在国内外也取得了许多的学术成果。
4.近年来，机器学习技术作为一种智能故障诊断算法，取得了巨大的成功。国内外学者对基于bp(back propagation,bp)神经网络的智能识别算法被广泛应用于滚动轴承故障诊断研究中，同样也取得了较为不错的学术成果。但是，bp神经网络在学习过程中需要进行迭代计算，甚至有时还会陷入局部极小值，导致该算法会消耗大量的时间，并且该网络的泛化能力也十分有限。针对上述问题，现有方法中在单隐含层前馈神经网络(single
‑
hidden layer feedforward network,slfn)的基础之上提出了极限学习机(extreme learning machine,elm)，该算法凭借其自身良好的性能逐渐开始受到众多领域学者的关注，并且对于滚动轴承故障智能诊断技术的发展也具有重要意义。


技术实现要素：

5.针对上述滚动轴承复合故障分类困难、识别准确率低的问题，本发明的目的是提供一种基于alif和kelm的滚动轴承复合故障诊断方法、系统、存储介质及计算设备，其分类精度较高，具有较高的诊断准确率。
6.为实现上述目的，本发明采取以下技术方案：一种滚动轴承复合故障诊断方法，其包括：将预先采集到的不同轴承状态原始振动信号作为样本数据，设定每个样本对应的故障标签，并将样本数据利用alif分解，每一个样本都可以得到若干个imf分量和一个残余分
量；从每个样本中选择包含主要故障信息的前k个imf分量，计算出各分量的能量特征e和样本熵sampen，并将其融合构建成一个维度为2k的故障特征向量；将所有样本按预先设定比例划分为训练样本和测试样本，对kelm智能诊断模型进行初始化；对每个样本的故障特征向量进行归一化处理；将训练样本的故障特征矩阵以及样本对应的故障标签输入进kelm智能诊断模型中进行不断学习，再将测试样本和测试样本对应的故障标签输入进kelm智能诊断模型中，最终识别出不同轴承故障类型并输出结果。
7.进一步，所述alif分解方法包括：根据预处理信号x(t)和滤波函数f(t)确定滑动算子γ(x(t))；通过预处理信号x(t)与滑动算子γ(x(r))的差计算出波动算子k(x(t))；判断波动算子k(x(t))是否符合imf分量的条件，只有符合条件的波动算子作为imf分量被提取；否则，则需要对波动算子进行进一步的筛选。
8.进一步，所述滑动算子γ(x(t))为：
[0009][0010]
式中，τ表示时间延迟，t表示时刻；h(z)为滤波区间，
[0011][0012]
n为x(t)的个数；λ为设定数值；a
n
为x(t)的极值点个数。
[0013]
进一步，所述滤波函数f(t)的确定方法为：
[0014]
确定fokker
‑
planck方程，并将其转换为微分方程的表达式，由微分方程得到朝中心点聚集的效果与扩散的效果平衡时的表达式：
[0015]
‑
α(p(x)g)
x
β(q2(x)g)
xx
＝0
[0016]
此时，微分方程有非零解，且满足如下条件：
[0017][0018]
且
[0019]
则fokker
‑
planck方程中的解g(x)即为滤波函数f(t)；
[0020]
式中，α和β为两个不同的稳态系数，且α、β∈(0,1)；p(x)和q(x)为区间(a,b)内存在的两个可导函数；g表示fokker
‑
planck方程的解。
[0021]
进一步，所述对波动算子进行进一步的筛选，在筛选过程中波动算子为：
[0022]
k
n
(x(t))＝x
n
(t)
‑
γ
n
(x(t))＝x
(n 1)
(t)
[0023]
则，imf分量的条件为：
[0024][0025]
当imf(t)满足imf分量条件时，则完成一次imf分量的提取；否则，则继续筛选，直至符合条件才停止筛选。
[0026]
进一步，所述imf分量的筛选终止条件为：
[0027][0028]
式中，k
i,n
表示波动算子；i表示筛选终止次数；σ表示筛选尺度值，当σ小于预先设
定阈值时停止筛选，此时imf(t)则为筛选出来的imf分量。
[0029]
进一步，所述kelm智能诊断模型的输出函数为：
[0030][0031]
式中，c表示惩罚系数；t表示数据集标签；ω
elm
是一个n行n列的对称矩阵；k(x
i
,x
j
)表示为所采用的核函数。
[0032]
一种滚动轴承复合故障诊断方法，其包括：分解模块、故障特征向量构建模块、模型初始化模块、归一化模块和训练识别模块；
[0033]
所述分解模块，将预先采集到的不同轴承状态原始振动信号作为样本数据，设定每个样本对应的故障标签，并将样本数据利用alif分解，每一个样本都可以得到若干个imf分量和一个残余分量；
[0034]
所述故障特征向量构建模块，从每个样本中选择包含主要故障信息的前k个imf分量，计算出各分量的能量特征e和样本熵sampen，并将其融合构建成一个维度为2k的故障特征向量；
[0035]
所述模型初始化模块，将所有样本按预先设定比例划分为训练样本和测试样本，对kelm智能诊断模型进行初始化；
[0036]
所述归一化模块，对每个样本的故障特征向量进行归一化处理；
[0037]
所述训练识别模块，将训练样本的故障特征矩阵以及样本对应的故障标签输入进kelm智能诊断模型中进行不断学习，再将测试样本和测试样本对应的故障标签输入进kelm智能诊断模型中，最终识别出不同轴承故障类型并输出结果。
[0038]
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
[0039]
一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述的方法中的任一方法的指令。
[0040]
本发明由于采取以上技术方案，其具有以下优点：
[0041]
1、本发明采用的alif和kelm相结合的滚动轴承复合故障诊断具有一定的优势，具有较高的诊断准确率，适用于滚动轴承复合故障的诊断。
[0042]
2、本发明通过对信号进行alif分解，能够有效的将包含故障特征多的分量提取出来，达到初步降噪的目的，再将构造的故障特征向量输入分类效果良好的kelm模型中，克服了传统方法的滚动轴承复合故障分类难、精度差的问题。
附图说明
[0043]
图1是本发明的整体结构示意图；
[0044]
图2是本发明实施例中滚动轴承五种状态各取一个样本的时域波形；
[0045]
图3a是本发明实施例中alif分解前4个imf分量的能量特征；
[0046]
图3b是本发明实施例中alif分解前4个imf分量的样本熵；
[0047]
图4是本发明实施例中alif
‑
kelm轴承故障诊断结果图；
[0048]
图5是本发明实施例中alif
‑
kelm在不同训练样本个数下的故障诊断准确率示意图；
[0049]
图6是本发明实施例中alif
‑
kelm轴承故障诊断结果图。
具体实施方式
[0050]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
本发明针对滚动轴承复合故障分类困难、识别准确率低的问题，提出了一种提供的基于alif和kelm的滚动轴承复合故障诊断方法及系统。首先利用alif对不同轴承状态的振动信号样本数据进行分解，使每个样本可以得到多个imf分量，从中选出包含主要故障信息的前k个imf。然后，对每个样本计算每个imf的能量特征和样本熵，构造一个维数为2k的故障特征向量。最后，将训练集和测试集的特征向量输入到kelm模型中进行故障分类。将本发明与emd
‑
kelm模型、alif
‑
elm模型和alif
‑
bp模型相比，本发明采用的alif
‑
kelm模型的滚动轴承复合故障诊断方法具有更高的分类精度，故障识别准确率较高。
[0052]
实施例1
[0053]
在本实施例中，如图1所示，提供一种基于alif和kelm的滚动轴承复合故障诊断方法，其包括以下步骤：
[0054]
步骤1、将预先采集到的不同轴承状态原始振动信号作为样本数据，设定每个样本对应的故障标签，并将样本数据利用alif分解，每一个样本都可以得到若干个imf分量和一个残余分量。
[0055]
步骤2、从每个样本中选择包含主要故障信息的前k个imf分量，计算出各分量的能量特征e和样本熵sampen，并将其融合构建成一个维度为2k的故障特征向量。
[0056]
其中，计算各imf能量特征的具体步骤如下：
[0057]
(1)计算第j个imf分量的能量e
j
：
[0058][0059]
(2)计算前k个imf分量的总能量e
sum
：
[0060][0061]
(3)计算各个分量能量e
j
占总能量e
sum
的比值e
j
：
[0062][0063]
(4)得到能量特征向量t
e
：
[0064]
t
e
＝[e1,e2,...,e
j
],j＝1,2,...,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0065]
熵值一般可以用来衡量非线性时间序列的复杂程度。熵值越大，时间序列复杂度越大，也表示信号越复杂。与传统熵算法相比，样本熵(sample entropy,sampen)运算结果
通常不会受到数据长度以及数据丢失等其它因素的影响，能够具有较强的一致性，并且，通过样本熵的算法原理可知，它整个计算过程比较简单，算法效率极高，同时对长数据序列也可以取得不错的效果。
[0066]
假如存在一组n个数据点组成的时间序列x＝{x
j
,j＝1,2,...n}，则样本熵sampen的具体计算步骤如下：
[0067]
(1)将原时间序列x构造成个数为n
‑
m 1的m维向量x(i)：
[0068]
x(i)＝{x(i),x(i 1),...,x(i m
‑
1)},i＝1,2,...,n
‑
m 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0069]
(2)将x(i)与x(j)这两个向量之间的距离定义为d(i,j)：
[0070][0071]
(3)给定阈值u，然后统计d(i,j)＜u的数目记为num{d(i,j)＜u}，将其与n
‑
m 1的比值定义为
[0072][0073]
(4)对所有求平均值记为b
(m)
(u)：
[0074][0075]
(5)当向量x(i)的维数增加为m 1维时，重复进行上述步骤(1)～(4)，可以得到以及
[0076]
(6)该时间序列x在理论上的样本熵可以通过下式计算：
[0077][0078]
当原时间序列样本个数n取有限值时，样本熵的估计值则可通过以下公式计算：
[0079][0080]
根据上述计算步骤可知，样本熵的值与m和u这两个参数密切相关，因此在进行计算之前需要确定合适的参数。经验表明在m＝1或m＝2，u＝0.1std～0.25std时，计算出来的样本熵具有更好的统计特性，其中std表示为原时间序列的标准差。此处取取m＝2，u＝0.2std计算样本熵。以此得到样本熵特征向量t
se
：
[0081]
t
se
＝[sampen1,sampen2,...,sampen
k
],j＝1,2,...,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0082]
最后得到维度为2k的故障特征向量t＝[e1，e2，
…
，e
k
，sampen1，
…
，sampen
k
]。
[0083]
步骤3、将所有样本按预先设定比例划分为训练样本和测试样本，对kelm智能诊断模型进行初始化；
[0084]
具体为：选择核函数，同时确定核系数λ和惩罚系数c这两个参数，完成kelm智能诊断模型的初始化。在本实施例中，核函数优选为高斯径向基核函数。
[0085]
步骤4、对每个样本的故障特征向量进行归一化处理，以提升数据之间的可比性。
[0086]
步骤5、将训练样本的故障特征矩阵以及样本对应的故障标签输入进kelm智能诊
断模型中进行不断学习，再将测试样本和测试样本对应的故障标签输入进kelm智能诊断模型中，最终识别出不同轴承故障类型并输出结果。
[0087]
上述步骤1中，alif分解方法包括以下步骤：
[0088]
步骤1.1、根据预处理信号x(t)和滤波函数f(t)确定滑动算子γ(x(t))；其中，预处理信号即为原始振动信号；
[0089]
通过计算x(t)和f(t)的卷积即可得到滑动算子γ(x(t))：
[0090][0091]
式中，τ为时间延迟，t表示时刻；h(z)为滤波区间，其计算表达式如下：
[0092][0093]
n为x(t)的个数；λ为设定数值；a
n
为x(t)的极值点个数。
[0094]
滤波函数f(t)的确定方法为：
[0095]
对于区间(a,b)存在两个可导函数p(x)和q(x)，并且满足以下两个条件：
[0096]
(1)p(a)＝p(b)＝0,且对x∈(a,b)有p(x)>0成立。
[0097]
(2)q(a)<0<q(b)。
[0098]
fokker
‑
planck微分方程的表达式为：
[0099]
g
t
＝
‑
α(p(x)g)
x
β(q2(x)g)
xx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0100]
式中，α和β为两个不同的稳态系数，且α、β∈(0,1)。g为fokker
‑
planck方程的解。
[0101]
公式(4)中(p(x)g)
x
会产生聚合的效果，使方程的解g(x)从区间[a,b]的两个端点开始朝中心点聚集。同时(q2(x)g)
xx
会产生扩散的效果，使方程的解g(x)从区间[a,b]的中心朝着两个端点扩散移动。当两种效果平衡时会有：
[0102]
‑
α(p(x)g)
x
β(q2(x)g)
xx
＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0103]
此时，微分方程有非零解，且满足如下条件：
[0104][0105]
且
[0106]
则fokker
‑
planck方程中的解g(x)即为迭代滤波所用到的滤波函数f(t)，对于不同的区间[a,b]，滤波函数f(t)所得到的解也将不同，其函数表达式也将有所差异，故alif可以自适应地求解滤波函数。
[0107]
步骤1.2、通过预处理信号x(t)与滑动算子γ(x(t))的差计算出波动算子k(x(t))：
[0108]
k(x(t))＝x(t)
‑
γ(x(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0109]
步骤1.3、判断波动算子k(x(t))是否符合imf分量的条件，只有符合条件的波动算子可以作为imf分量被提取；否则，则需要对波动算子进行进一步的筛选。
[0110]
具体为：在筛选过程中波动算子的表达式如下：
[0111]
k
n
(x(t))＝x
n
(t)
‑
γ
n
(x(t))＝x
(n 1)
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0112]
则，imf分量的条件为：
[0113][0114]
式中，n为筛选次数。
[0115]
当imf(t)可以满足imf分量条件时，则完成一次imf分量的提取；否则，则继续重复步骤1.1～步骤1.3，直至符合条件才停止筛选。
[0116]
上述步骤1.3中，由于在实际情况下，n趋近于无穷大是不可能存在的，所以设置imf分量的筛选终止条件为：
[0117][0118]
式中，k
i,n
表示波动算子；i表示筛选终止次数；σ表示筛选尺度值。当σ小于预先设定阈值时停止筛选，此时imf(t)则为筛选出来的imf分量。
[0119]
上述步骤1.1至步骤1.3为内循环过程，其主要目的是提取符合条件的imf分量，而外循环过程的作用则是停止内循环过程。首先将预处理信号的所有有效imf分量成功提取后的余量定义为残余信号c(t)：
[0120]
c(t)＝x(t)
‑
imf(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0121]
当残余信号c(t)出现了明显趋势特征时，即最多只有一个极值点时，停止整个迭代滤波过程；否则，需要将其作为新的预处理信号继续提取符合条件的imf分量。
[0122]
上述步骤5中，kelm智能诊断模型的训练阶段包括归一化处理训练样板，确定相关参数。kelm智能诊断模型的输出函数为：
[0123][0124]
式中，c表示惩罚系数；t表示数据集标签；ω
elm
是一个n行n列的对称矩阵；k(x
i
,x
j
)表示为所采用的核函数，本实施例中采用的是高斯径向基核函数；ω
elm
和k(x
i
,x
j
)具体表示形式如下所示：
[0125][0126]
k(x
i
,x
j
)＝exp(
‑
λ‖x
i
‑
x
j
‖2),λ>0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0127]
式中，λ表示核系数；n表示数据样本的个数，x
j
为输入向量，也表示第j个样本的所有特征向量，x
i
为输入向量，也表示第i个样本的所有特征向量，i、j＝1,2,
…
,n。
[0128]
实施例2
[0129]
在本实施例中，提供一种滚动轴承复合故障诊断方法，其包括：分解模块、故障特征向量构建模块、模型初始化模块、归一化模块和训练识别模块。
[0130]
分解模块，将预先采集到的不同轴承状态原始振动信号作为样本数据，设定每个样本对应的故障标签，并将样本数据利用alif分解，每一个样本都可以得到若干个imf分量和一个残余分量；
[0131]
故障特征向量构建模块，从每个样本中选择包含主要故障信息的前k个imf分量，计算出各分量的能量特征e和样本熵sampen，并将其融合构建成一个维度为2k的故障特征
向量；
[0132]
模型初始化模块，将所有样本按预先设定比例划分为训练样本和测试样本，对kelm智能诊断模型进行初始化；
[0133]
归一化模块，对每个样本的故障特征向量进行归一化处理；
[0134]
训练识别模块，将训练样本的故障特征矩阵以及样本对应的故障标签输入进kelm智能诊断模型中进行不断学习，再将测试样本和测试样本对应的故障标签输入进kelm智能诊断模型中，最终识别出不同轴承故障类型并输出结果。
[0135]
实施例3
[0136]
在本实施例中，提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行如实施例1的方法中的任一方法。
[0137]
实施例4
[0138]
在本实施例中，提供一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为一个或多个处理器执行，一个或多个程序包括用于执行如实施例1的方法中的任一方法的指令。
[0139]
实施例5：
[0140]
在本实施例中，采用西安交通大学xjtu
‑
sy滚动轴承加速寿命试验数据集来进行分析和验证。采样频率设置为25.6khz，采样间隔时间设置的是1min，而每一次的采样时间为1.28s，因此数据集中每个样本的采样点数为32768。实验中采集到的振动信号是滚动轴承从正常到失效的所有数据，一共包含了3种工况下的15组数据集。后续会采用其中的4组数据集对本发明所提方法进行分析验证，其数据描述如表1所示。后面分析中所采用轴承数据则是根据全寿命周期截取到的故障数据。
[0141]
表1所用数据集介绍
[0142][0143]
本实施例中，将会采用表1中所介绍的实验数据集，并从中获取到滚动轴承外圈故障、保持架故障、内圈和外圈复合故障、内圈故障以及正常状态数据各102400个样本点。将滚动轴承每一种状态的数据划分成50个样本，五种状态一共获得250个样本，其中每个样本包含2048个采样点。从这五种轴承状态中各取出一个样本，得到它们的时域波形如图2所示。
[0144]
故障特征分析：
[0145]
由前面的分析可知，在kelm进行故障智能诊断前需要提前构建故障特征向量，选取合适的特征将会有利于提升故障智能诊断的准确率。因此，在进行方法验证前，先对本发明所采用的故障特征作简要分析。
[0146]
分别在滚动轴承五种状态下各选择一个样本数据，并且对5个样本全部设置相同参数后应用alif分解可得到5个imf分量和1个残余分量，计算其中前4个imf分量的能量特征以及样本熵，得到结果如图3a和图3b所示。从图中可以看出，在滚动轴承在不同运行状态下，alif分解前4个imf分量的能量特征以及样本熵存在一定差异。但是，如果只选择能量作为特征向量，在imf1分量中有三种轴承状态的特征出现了明显混叠，同时在imf4分量中也有两种轴承状态特征基本重合，对轴承故障类型的识别造成了极大阻碍。而选择能量特征与样本熵共同作为故障特征向量时，在原本能量特征出现混叠的几种轴承状态，可以通过样本熵得到有效区分。通过分析可知，将能量和样本熵融合所构成的故障特征向量能够更加有效区分这5种不同的滚动轴承状态。
[0147]
为了能够在后续分析中更加直观区分滚动轴承不同的运行状态，将包含复合故障在内的4种故障和正常状态的样本数据共分为5大类，给出其具体的类别标签如表2所示。
[0148]
表2滚动轴承故障类别标签
[0149][0150]
首先利用alif对所有样本的振动信号进行分解，并且使其得到5个imf分量和1个残余分量，计算其中前4个imf分量的能量特征和样本熵，共得到一个大小为250
×
8的故障特征向量矩阵；然后选取每一种状态下的30个样本作为训练集，20个样本作为测试集，并且对故障特征数据集进行归一化处理，使得数据指标具有更高的可比性；最后采用式(13)中的高斯径向基核函数作为kelm的核函数，同时确定核系数λ＝0.5，惩罚系数c＝1，完成kelm智能诊断模型的初始化。将150个训练样本集输入到kelm模型中进行训练，再应用100个测试样本进行测试，得到结果如图4所示。
[0151]
图4中横坐标表示的是100组测试样本，5种轴承故障类别中每一种使用20组样本作为测试；纵轴表示的则是滚动轴承不同故障的类别标签，与表2相互对应。从诊断结果上来看，在所有的100组测试样本中只有1组出现了误诊现象，将内圈和外圈复合故障误诊为保持架故障，而剩余的99组测试样本都得到了准确诊断。综合来看，整体故障诊断的准确率为99％，其中单一故障诊断准确率为100％，复合故障诊断准确率为95％。因此，可以证明本发明所提出的基于alif和kelm的滚动轴承复合故障智能诊断方法的有效性。
[0152]
但是在实际工程应用中，设备可用的样本数据通常比较有限，所以接下来将研究本发明所提方法能否在较少训练样本的情况下对测试样本实现较高准确率的故障智能诊断。把每一种故障类型的训练样本个数依次设置为30、25、20、15、10、5和1，与其对应的测试样本个数则为20、25、30、35、40、45和49，然后可以得到alif
‑
kelm对滚动轴承故障智能诊断的7组不同结果，不同训练样本个数与诊断准确率的关系如图5所示。
[0153]
从图5中可以发现，即使训练样本个数仅仅为1时，alif
‑
kelm最终的整体准确率也依然能够达到81.63％，在训练样本个数为10时，故障诊断准确率同样可高达99％，具体诊
断情况如图6所示。此时，在所有200组测试样本中只有2组内圈和外圈复合故障被误诊为保持架故障，故复合故障准确率仍然是95％，与训练样本个数为30的准确率相同。因此，可以进一步证明本发明所提出的基于alif和kelm的滚动轴承复合故障诊断方法在较少样本数据情况下仍然能够有效。
[0154]
综上，为了实现滚动轴承的复合故障诊断，本发明结合alif和kelm的诊断方法，在小样本的情况下，将所提出的方法与emd
‑
kelm、alif
‑
elm和alif
‑
bp进行比较。结果表明，alif和kelm算法具有一定的优势，本发明提出的方法具有较高的诊断准确率，适用于滚动轴承复合故障的诊断。
[0155]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0156]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0157]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0158]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。