權(quán)利要求書： 1.一種基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，其特征在于，所述方法包括以下步驟：S1、采集風(fēng)機(jī)運(yùn)行狀態(tài)下的齒輪箱軸承信號數(shù)據(jù)；

S2、對信號數(shù)據(jù)進(jìn)行預(yù)處理，將高維信號數(shù)據(jù)向量化，構(gòu)建風(fēng)機(jī)齒輪箱軸承的原始數(shù)據(jù)空間，利用余弦相似度計算原始空間中每個樣本點(diǎn)的前p個近鄰點(diǎn)；

S3、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和并排序，根據(jù)排序結(jié)果對每個樣本點(diǎn)的鄰域分配近鄰點(diǎn)；

S4、挖掘局部鄰域內(nèi)的局部線性結(jié)構(gòu)和近鄰結(jié)構(gòu)，對局部線性嵌入的權(quán)重進(jìn)行重構(gòu)；

S5、根據(jù)重構(gòu)后的權(quán)重，構(gòu)建最小誤差函數(shù)，計算低維映射矩陣；

S6、將得到的低維映射集合輸入至支持向量機(jī)中，根據(jù)支持向量機(jī)的分類結(jié)果對風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，得到并輸出故障診斷結(jié)果；

其中，步驟S2進(jìn)一步包括：

S21、將高維數(shù)據(jù)向量化，得到原始數(shù)據(jù)空間 ，其中，N為樣本點(diǎn)數(shù)，D為高維數(shù)據(jù)維數(shù)；

S22、利用余弦相似度計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)，余弦相似度的計算公式為；

其中， , 表示的是樣本 的第t維, 的值越大， 與 之間的相似度越高， 表示樣本 和 之間的余弦相似度，q表示樣本個數(shù)。

2.根據(jù)權(quán)利要求1所述的基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，其特征在于，步驟S3進(jìn)一步包括：S31、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和，計算公式為 ；

其中 表示第i個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和；

S32、對計算的近鄰點(diǎn)之和進(jìn)行排序，給定近鄰點(diǎn)k的范圍[kmin,kmax]；

S33、通過公式 為每個樣本點(diǎn)選擇鄰域內(nèi)近鄰點(diǎn)的個數(shù)， 表示第1個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和， 表示最后一個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和。

3.根據(jù)權(quán)利要求2所述的基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，其特征在于，步驟S4的具體過程包括：S41、計算樣本點(diǎn)鄰域內(nèi)局部線性結(jié)構(gòu)權(quán)重，計算公式為 ;其中 表示 和 之間的重構(gòu)權(quán)值，如果 是 的鄰居，則 可由 計算，反之 , 表示 的權(quán)重系數(shù)向量（ 表示 和 之間的重構(gòu)權(quán)值）；

S42、計算樣本點(diǎn)鄰域內(nèi)的近鄰結(jié)構(gòu)權(quán)重，計算公式為;

S43、對局部線性結(jié)構(gòu)權(quán)重和近鄰結(jié)構(gòu)權(quán)重進(jìn)行融合，公式為，其中 表示調(diào)節(jié)參數(shù)， ；

其中， 為重構(gòu)權(quán)重， 為原始權(quán)重， 為包含近鄰結(jié)構(gòu)權(quán)重。

4.根據(jù)權(quán)利要求3所述的基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，其特征在于，步驟S5的具體過程包括：S51、計算低維映射Y，保持重構(gòu)權(quán)重矩陣 不變，最小化低維重構(gòu)誤差 ；

將該式進(jìn)一步寫成：

;

式中 ，且約束函數(shù)矩陣化為： ，構(gòu)建Lagrange函數(shù)：；

對Y求導(dǎo)并令該式為0，計算得到低維映射Y；

其中，L表示構(gòu)建的拉格朗日函數(shù)， 為重構(gòu)權(quán)重， 為原始權(quán)重， 為包含近鄰結(jié)構(gòu)權(quán)重， 表示的是樣本xi和xj之間的原始權(quán)重， 表示的是樣本xi和xj之間的重構(gòu)權(quán)重， 表示的是樣本xi和xj之間的近鄰結(jié)構(gòu)權(quán)重，I是單位矩陣，M，m是求解拉格朗日函數(shù)中的協(xié)方差矩陣，tr表示的是矩陣的跡， 是構(gòu)建拉格朗日函數(shù)必要的系數(shù)。

5.根據(jù)權(quán)利要求4所述的基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，其特征在于，步驟S6進(jìn)一步包括：將得到的低維映射集合選擇50%樣本作為訓(xùn)練集，50%樣本作為測試集，根據(jù)支持向量機(jī)的分類結(jié)果對風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，得到故障診斷結(jié)果。

說明書： 基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及風(fēng)機(jī)齒輪箱故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法。背景技術(shù)[0002] 在風(fēng)力發(fā)電的風(fēng)機(jī)主控系統(tǒng)中，風(fēng)機(jī)齒輪箱的運(yùn)行可靠性至關(guān)重要，因此常通過設(shè)置FPGA模塊和傳感器來分析風(fēng)機(jī)齒輪箱運(yùn)行數(shù)據(jù)從而得到故障診斷結(jié)果，再反饋給CPU，振動分析法和機(jī)器學(xué)習(xí)方法是目前風(fēng)機(jī)軸承故障診斷的主要方法，兩種方法都是通過傳感器測取風(fēng)機(jī)軸承的振動信號，然后對軸承振動信號分析得出風(fēng)機(jī)軸承的故障類型，而實(shí)現(xiàn)風(fēng)機(jī)軸承故障診斷。[0003] 振動分析法和機(jī)器學(xué)習(xí)法都對故障特征的選擇和提取有著較高的要求。但振動分析法在實(shí)際使用的過程中過于依賴人工選取特征，有一定的主觀性。機(jī)器學(xué)習(xí)法在處理實(shí)時產(chǎn)生的大量高維風(fēng)機(jī)信號時容易造成信號滯后，不能及時發(fā)現(xiàn)風(fēng)機(jī)運(yùn)行的故障，實(shí)時性不佳。同時由于風(fēng)機(jī)軸承的實(shí)際工況復(fù)雜多變，但兩種方法在模式識別過程中，通常通過經(jīng)驗(yàn)確定算法參數(shù)，且各個算法的參數(shù)固定不變，難以適應(yīng)實(shí)時變換的復(fù)雜工作環(huán)境，難以保證對軸承故障特征的識別準(zhǔn)確可靠。發(fā)明內(nèi)容[0004] 有鑒于此，本發(fā)明的目的在于提出一種基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，以解決目前風(fēng)機(jī)齒輪箱軸承故障診斷提取故障特征不準(zhǔn)確、實(shí)時性不強(qiáng)的問題。[0005] 基于上述目的，本發(fā)明提供了一種基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，包括以下步驟：S1、采集風(fēng)機(jī)運(yùn)行狀態(tài)下的齒輪箱軸承信號數(shù)據(jù)；

S2、對信號數(shù)據(jù)進(jìn)行預(yù)處理，將高維信號數(shù)據(jù)向量化，構(gòu)建風(fēng)機(jī)齒輪箱軸承的原始數(shù)據(jù)空間，利用余弦相似度計算原始空間中每個樣本點(diǎn)的前p個近鄰點(diǎn)；

S3、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和并排序，根據(jù)排序結(jié)果對每個樣本點(diǎn)的鄰域分配近鄰點(diǎn)；

S4、挖掘局部鄰域內(nèi)的局部線性結(jié)構(gòu)和近鄰結(jié)構(gòu)，對局部線性嵌入的權(quán)重進(jìn)行重

構(gòu)；

S5、根據(jù)重構(gòu)后的權(quán)重，構(gòu)建最小誤差函數(shù)，計算低維映射矩陣；

S6、將得到的低維映射集合輸入至支持向量機(jī)中，根據(jù)支持向量機(jī)的分類結(jié)果對

風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，得到并輸出故障診斷結(jié)果；

其中，步驟S2進(jìn)一步包括：

S21、將高維數(shù)據(jù)向量化，得到原始數(shù)據(jù)空間 ，其中，N為樣

本點(diǎn)數(shù)，D為高維數(shù)據(jù)維數(shù)；

S22、利用余弦相似度計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)，余弦相似度的計算公

式為

；

其中， ， 表示的是樣本 的第t維， 的值越大， 與 之間的相

似度越高， 表示樣本 和 之間的余弦相似度，q表示樣本個數(shù)。

[0006] 優(yōu)選地，步驟S3進(jìn)一步包括：S31、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和，計算公式為

；

其中 表示第i個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和；

S32、對計算的近鄰點(diǎn)之和進(jìn)行排序，給定近鄰點(diǎn)k的范圍[kmin,kmax]；

S33、通過公式 為每個樣本點(diǎn)選擇

鄰域內(nèi)近鄰點(diǎn)的個數(shù)， 表示第1個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和， 表示最后一個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和。

[0007] 優(yōu)選地，步驟S4的具體過程包括：S41、計算樣本點(diǎn)鄰域內(nèi)局部線性結(jié)構(gòu)權(quán)重，計算公式為

；

其中 表示 和 之間的重構(gòu)權(quán)值，如果 是 的鄰居，則 可由

計算，反之 , 表示 的權(quán)重系數(shù)向量（ 表示 和 之間

的重構(gòu)權(quán)值）；

S42、計算樣本點(diǎn)鄰域內(nèi)的近鄰結(jié)構(gòu)權(quán)重，計算公式為

；

S43、對局部線性結(jié)構(gòu)權(quán)重和近鄰結(jié)構(gòu)權(quán)重進(jìn)行融合，公式為

，其中 表示調(diào)節(jié)參數(shù)， ；

其中， 為重構(gòu)權(quán)重， 為原始權(quán)重， 為包含近鄰結(jié)構(gòu)權(quán)重。

[0008] 優(yōu)選地，步驟S5的具體過程包括：S51、計算低維映射Y，保持重構(gòu)權(quán)重矩陣 不變，最小化低維重構(gòu)誤差

;

將該式進(jìn)一步寫成：

；

式中 ，且約束函數(shù)矩陣化為： ，構(gòu)建Lagrange函

數(shù)： ；

對Y求導(dǎo)并令該式為0，計算得到低維映射Y；

其中，L表示構(gòu)建的拉格朗日函數(shù)， 為重構(gòu)權(quán)重， 為原始權(quán)重， 為包含近

鄰結(jié)構(gòu)權(quán)重，WLij表示的是樣本xi和xj之間的原始權(quán)重，WEij表示的是樣本xi和xj之間的重構(gòu)權(quán)重，WNij表示的是樣本xi和xj之間的近鄰結(jié)構(gòu)權(quán)重，I是單位矩陣，M，m是求解拉格朗日函數(shù)中的協(xié)方差矩陣，tr表示的是矩陣的跡， 是構(gòu)建拉格朗日函數(shù)必要的系數(shù)。

[0009] 優(yōu)選地，步驟S6進(jìn)一步包括：將得到的低維映射集合選擇50%樣本作為訓(xùn)練集，50%樣本作為測試集，根據(jù)支持

向量機(jī)的分類結(jié)果對風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，得到故障診斷結(jié)果。

[0010] 本發(fā)明的有益效果：1、本發(fā)明對原始高維數(shù)據(jù)的實(shí)時處理速度有一定地提高，有效地增強(qiáng)了風(fēng)機(jī)齒輪箱軸承故障診斷的實(shí)時性。

[0011] 2、本發(fā)明通過對局部線性嵌入算法的改進(jìn)，能夠有效挖掘原始高維數(shù)據(jù)的局部結(jié)構(gòu)，進(jìn)一步提取故障數(shù)據(jù)的本質(zhì)特征，提高了風(fēng)機(jī)齒輪箱軸承故障診斷的準(zhǔn)確度。附圖說明[0012] 為了更清楚地說明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0013] 圖1為本發(fā)明實(shí)施例的基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法流程示意圖；圖2為本發(fā)明實(shí)施例的支持向量機(jī)得到的不同種類風(fēng)機(jī)齒輪箱軸承故障的分類結(jié)

果示意圖；

圖3為使用現(xiàn)有的LLE算法得到的不同種類風(fēng)機(jī)齒輪箱軸承故障的分類結(jié)果示意

圖。

具體實(shí)施方式[0014] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，對本發(fā)明進(jìn)一步詳細(xì)說明。[0015] 需要說明的是，除非另外定義，本發(fā)明使用的技術(shù)術(shù)語或者科學(xué)術(shù)語應(yīng)當(dāng)為本發(fā)明所屬領(lǐng)域內(nèi)具有一般技能的人士所理解的通常意義。本發(fā)明中使用的“第一”、“第二”以及類似的詞語并不表示任何順序、數(shù)量或者重要性，而只是用來區(qū)分不同的組成部分?！鞍ā被蛘摺鞍钡阮愃频脑~語意指出現(xiàn)該詞前面的元件或者物件涵蓋出現(xiàn)在該詞后面列舉的元件或者物件及其等同，而不排除其他元件或者物件?！斑B接”或者“相連”等類似的詞語并非限定于物理的或者機(jī)械的連接，而是可以包括電性的連接，不管是直接的還是間接的?！吧稀?、“下”、“左”、“右”等僅用于表示相對位置關(guān)系，當(dāng)被描述對象的絕對位置改變后，則該相對位置關(guān)系也可能相應(yīng)地改變。

[0016] 如圖1所示，本說明書實(shí)施例提供一種基于FPGA的改進(jìn)局部線性嵌入風(fēng)機(jī)軸承故障診斷方法，包括以下步驟：S1、采集風(fēng)機(jī)運(yùn)行狀態(tài)下的齒輪箱軸承信號數(shù)據(jù)，如傳感器采集齒輪箱軸承信號

數(shù)據(jù)傳輸給FPGA模塊；

S2、對信號數(shù)據(jù)進(jìn)行預(yù)處理，將高維信號數(shù)據(jù)向量化，構(gòu)建風(fēng)機(jī)齒輪箱軸承的原始數(shù)據(jù)空間，利用余弦相似度計算原始空間中每個樣本點(diǎn)的前p個近鄰點(diǎn)，具體來說，包括以下子步驟：

S21、將高維數(shù)據(jù)向量化，得到原始數(shù)據(jù)空間 ，其中，N為樣

本點(diǎn)數(shù)，D為高維數(shù)據(jù)維數(shù)。

[0017] S22、利用余弦相似度計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)，余弦相似度的計算公式為；

其中， ， 表示的是樣本 的第t維， 的值越大， 與 之間的相似

度越高。通過使用余弦相似度來度量每個樣本之間的距離，相較于傳統(tǒng)歐式距離來說，能夠更好地反應(yīng)樣本之間的關(guān)系。

[0018] S3、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和并排序，根據(jù)排序結(jié)果對每個樣本點(diǎn)的鄰域分配近鄰點(diǎn)，舉例來說，進(jìn)一步包括以下子步驟：S31、計算每個樣本點(diǎn)周圍的前p個近鄰點(diǎn)的距離之和，計算公式為

;

其中 表示第i個樣本點(diǎn)與其前p個近鄰點(diǎn)的距離之和；

S32、對計算的近鄰點(diǎn)之和進(jìn)行排序，給定近鄰點(diǎn)k的范圍[kmin,kmax]；

S33、通過公式 為每個樣本點(diǎn)選擇鄰域

內(nèi)近鄰點(diǎn)的個數(shù)。

[0019] 傳統(tǒng)LLE算法人工指定近鄰點(diǎn)個數(shù)，無法保證算法的特征提取能力，本文采用根據(jù)樣本分布的稀疏稠密程度自適應(yīng)地選取樣本近鄰點(diǎn)，能夠讓算法更好地自動地選擇合適的近鄰點(diǎn)。[0020] S4、挖掘局部鄰域內(nèi)的局部線性結(jié)構(gòu)和近鄰結(jié)構(gòu)，對局部線性嵌入的權(quán)重進(jìn)行重構(gòu)，舉例來說，步驟S4的具體過程包括：S41、計算樣本點(diǎn)鄰域內(nèi)局部線性結(jié)構(gòu)權(quán)重，計算公式為

；

其中 表示 和 之間的重構(gòu)權(quán)值，如果 是 的鄰居，則 可由式（1）計

算，反之 ，。 表示 的權(quán)重系數(shù)向量；

S42、計算樣本點(diǎn)鄰域內(nèi)的近A鄰結(jié)構(gòu)權(quán)重，計算公式為

；

S43、對局部線性結(jié)構(gòu)權(quán)重和近鄰結(jié)構(gòu)權(quán)重進(jìn)行融合，公式為

；

其中， 為重構(gòu)權(quán)重， 為原始權(quán)重， 為包含近鄰結(jié)構(gòu)權(quán)重。

[0021] 通過在局部線性結(jié)構(gòu)的基礎(chǔ)之上加入鄰域內(nèi)近鄰序列結(jié)構(gòu)，能夠更好地保持原始流形結(jié)構(gòu)。[0022] S5、根據(jù)重構(gòu)后的權(quán)重，構(gòu)建最小誤差函數(shù)，計算低維映射矩陣，舉例來說，步驟S5的具體過程包括：S51、計算低維映射Y，保持重構(gòu)權(quán)重矩陣 不變，最小化低維重構(gòu)誤差

；

將該式進(jìn)一步寫成：

；

式中 ，且約束函數(shù)矩陣化為： ，構(gòu)建Lagrange函

數(shù)：

；

對Y求導(dǎo)并令該式為0，計算得到低維映射Y。

[0023] S6、將得到的低維映射集合輸入至支持向量機(jī)中，根據(jù)支持向量機(jī)的分類結(jié)果對風(fēng)機(jī)齒輪箱進(jìn)行故障診斷，得到故障診斷結(jié)果并進(jìn)行輸出，如將得到的低維映射集合選擇50%樣本作為訓(xùn)練集，50%樣本作為測試集，通過支持向量機(jī)進(jìn)行故障識別。

[0024] 本發(fā)明提出的基于樣本點(diǎn)分布密集程度的自適應(yīng)鄰域方法能有效選取樣本點(diǎn)的鄰域，融合局部線性結(jié)構(gòu)權(quán)重和鄰域內(nèi)近鄰結(jié)構(gòu)權(quán)重能夠有效挖掘高維數(shù)據(jù)的本質(zhì)結(jié)構(gòu)，提高風(fēng)機(jī)齒輪箱軸承故障診斷的準(zhǔn)確度，提出改進(jìn)局部線性嵌入的風(fēng)機(jī)齒輪箱軸承故障診斷方法，解決了提取故障特征不準(zhǔn)確、實(shí)時性不強(qiáng)的問題。[0025] 本發(fā)明實(shí)施例中，通過輸入我們從東北石油大學(xué)數(shù)據(jù)庫中獲取的風(fēng)機(jī)齒輪箱數(shù)據(jù)集，支持向量機(jī)得到的不同種類風(fēng)機(jī)齒輪箱軸承故障的分類結(jié)果如圖2所示，根據(jù)分類結(jié)果可以得出風(fēng)機(jī)齒輪箱軸承發(fā)生的故障類別。[0026] 圖3是使用同樣的數(shù)據(jù)集，通過現(xiàn)有的LLE算法得到的風(fēng)機(jī)齒輪箱軸承故障的分類結(jié)果，從結(jié)果可以看出，本發(fā)明提供的方法，分類準(zhǔn)確度更高。[0027] 所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上任何實(shí)施例的討論僅為示例性的，并非旨在暗示本發(fā)明的范圍（包括權(quán)利要求）被限于這些例子；在本發(fā)明的思路下，以上實(shí)施例或者不同實(shí)施例中的技術(shù)特征之間也可以進(jìn)行組合，步驟可以以任意順序?qū)崿F(xiàn)，并存在如上所述的本發(fā)明的不同方面的許多其它變化，為了簡明它們沒有在細(xì)節(jié)中提供。[0028] 本發(fā)明旨在涵蓋落入所附權(quán)利要求的寬泛范圍之內(nèi)的所有這樣的替換、修改和變型。因此，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何省略、修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。