CN108846411A - 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，包括以下步骤：步骤一，根据训练集D_training训练诊断模型；步骤二，使用确定阈值集D_thresholding确定最优决策阈值；步骤三，对测试集D_testing进行故障诊断。该方法利用主减速器的振动信号，能同时进行单故障和多故障模式的主减速器智能故障诊断。

Description

基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法

技术领域

本发明属于机械故障诊断技术领域，具体涉及一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法。

背景技术

主减速器是汽车传动系统中的关键部件，其状态对车辆的舒适度和安全性具有直接的影响。由于主减速器复杂的内部结构，各零部件之间的关联非常紧密，当主减速器出现某一功能失效时，可能是由于同时出现了多种故障。传统的人工检测诊断技术以及现有的主减速器故障诊断方法主要针对单故障进行诊断，无法准确地识别出多故障模式。

基于无监督学习方法的智能诊断技术将一个数据集划分为若干个簇，使得同一簇内的数据都具有较高的相似度。最近邻分类方法在聚类过程中，通常使用Euclidean距离来衡量两个数据之间的相似度。虽然最近邻分类方法的聚类过程简单，但是存储代价大，会导致维数灾难的出现，而且对Euclidean距离的计算量也比较大，因此不太适合用于基于大数据的样本聚类。

基于流形假设的流形正则化(Manifold Regularization，MR)被广泛用于半监督学习，例如Laplacian正则化最小二乘(Laplacian Regularized Least Squares，LapRLS)算法和Laplacian支持向量机(Laplacian Support Vector Machine，LapSVM)。然而，MR容易对相邻类的交接区域的样本造成类别误分，降低了学习性能。

基于监督学习的智能诊断技术采用机器学习算法训练已标记故障类别的样本集，构建智能诊断模型。人工神经网络具有自学习、自适应、非线性映射和并行计算能力，同时也存在收敛速度和局部极值的问题。支持向量机建立在VC维理论和结构风险最小化原则的基础之上，在小样本学习、非线性和高维模式识别问题中能充分发挥其优势。然而，支持向量机也存在着一些缺点，包括：核函数受Mercer条件的限制；获取惩罚参数C和核函数参数会增加训练的计算成本；不能实现概率输出，不能解决概率相关的问题；不能直接解决多分类问题；支持向量机的数目会随着训练数据的增大呈线性增加，计算复杂度也会显著提高。

发明内容

针对现有技术中存在的上述问题，本发明提供了一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，该方法利用主减速器的振动信号，能同时进行单故障和多故障模式的主减速器智能故障诊断。

为此，本发明采用了以下技术方案：

一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，包括以下步骤：

步骤一，根据训练集D_training训练诊断模型；

步骤二，使用确定阈值集D_thresholding确定最优决策阈值；

步骤三，对测试集D_testing进行故障诊断。

进一步地，步骤一的具体过程如下：

第一步，对训练集D_training进行降噪、特征提取预处理；

第二步，根据基于SBELM的故障分类算法构建SBELM二分类模型；

第三步，构建最优的Paired-SBELM诊断模型。

进一步地，所述Paired-SBELM模型的建立过程如下：对于一个具有m维类别标签的分类问题，该分类模型可以表示为：[PSBELM₁，…，PSBELM_m]，其中m表示类别数目；Paired-SBELM分类模型可以获得一个概率向量：p＝[p₁，...，p_m]，其中元素p_i表示第i种类别的出现概率；分类模型中的每一个分类器PSBELM_i又可以进一步表示为m-1个用于二分类的子分类器的组合，表示为：

PSBELM_i＝[SBELM_i1，...，SBELM_ij，...，SBELM_im]，i，j＝1，...，m，i≠j；

由于子分类器SBELM_ij和SBELM_ji是互补的，即p_ji＝1-p_ij，因此，基于Paired-SBELM的分类模型一共包含m(m-1)/2个子分类器，其中每个子分类器SBELM_ij由所有属于第i类和第j类的样本训练获得，用于判断某一样本属于第i类或第j类故障的概率；对于类别标签未知的样本x，SBELM_ij能预测该样本属于类别t_i的概率，即该子分类器的输出为条件概率p_ij(t_i|x，β′)。

进一步地，使用决策层融合将多个子分类器SBELM_ij的输出p_ij进行融合，其中i，j＝1，...，m，以获得能反映出各个故障模式发生概率的全局分类结果p_i，也就是分类器PSBELM_i的输出概率；由各个子分类器输出的局部分类结果p_ij所构成的矩阵可以表示为：

其中，m表示类别数目，p_ij表示由子分类器SBELM_ij的子分类结果，即某一未知类别的样本x属于第i类故障的概率；该矩阵的第i行表示样本x出现第i类故障的概率，即分类器PSBELM_i的输出概率p_i，则通过局部分类结果p_ij求解出全局分类结果p_i；

由于在多故障诊断中可能会有两个甚至多个单故障在同一时间内出现，而且p_i是针对某一个样本x的独立的概率输出，则m个分类器PSBELM_i的概率输出之和一定大于1，即

进一步地，使用决策层融合策略将每个子分类器SBELM_ij的概率输出进行组合时，为了平衡样本集在各个故障类别上的分布不均匀现象，同时，考虑到样本集中各种故障模式的训练样本数量与该故障模式的发生几率成正比，将训练二类子分类器的样本数目作为该子分类器概率输出的权值，并且将多个子分类器的输出进行融合，由此可以得到概率p_i为：

其中，n_ij表示属于第i类和第j类的样本数目；由于在配对策略中充分考虑了类别之间的配对相关性，概率p_i的精确度得到了提高。

优选地，步骤二的具体过程如下：

第一步，对确定阈值集D_thresholding进行降噪、特征提取预处理；

第二步，采用PSO算法生成最优决策阈值ε^*。

进一步地，最优决策阈值的确定过程如下：

基于粒子群优化算法的全局寻优能力以及计算量较小的优点，采用目标函数获得决策阈值的最优值，将决策阈值优化算法的目标函数设定如下：

min(1-F_me)；

其中，F_me表示F1-measure指标的值；

基于最优决策阈值ε^*的阈值函数能将基于Paired-SBELM分类模型的输出概率向量p＝[p₁，...，p_m]转换为结果向量F＝[f₁，...，f_i，...，f_m]；

阈值函数表示如下：

多故障模式就是结果向量F中对应元素f_i为1的故障模式；

为了获得主减速器故障诊断的最优决策阈值，使用包含单故障和多故障样本的确定阈值集D_thresholding，使用优化算法在区间[0，1]内寻找最优决策阈值ε^*。

进一步地，所述F1-measure指标的求解过程如下：

给定一个包含N个样本的数据集D＝(x_i，t_i)，其中i＝1，...，N，x_i为第i个样本的属性，t_i为该样本的实际类别，x_i∈Rⁿ，t_i∈R^m，t_ij∈{0，1}，j＝1，...，m；

定义P和R两个变量分别表示准确率和召回率，其中P代表利用诊断模型正确识别出的单故障模式与实际存在的多故障模式的比率，R代表利用诊断模型正确识别处的单故障模式与诊断模型预测的多故障模式的比率，对F1-measure指标的求解定义如下：

其中，变量P和R的计算公式为：

其中，f_i＝[f_i1，...，f_im]为第i个样本的m维预测类别，t_i＝[t_i1，...，t_im]为对应于样本x_i的实际类别；将P和R的计算公式代入F_me中，得到F1-measure指标的值，表示如下：

优选地，步骤三的具体过程如下：

第一步，对测试集D_testing进行降噪、特征提取预处理；

第二步，根据训练好的最优Paired-SBELM诊断模型获得输出概率向量p；

第三步，采用最优决策阈值ε^*获得结果向量F；

第四步，根据结果向量F获得测试集的最终诊断结果。

与现有技术相比，本发明的有益效果是：

(1)能够同时进行单故障和多故障模式的主减速器智能故障诊断。

(2)仅使用单故障样本进行训练，节省了训练成本和时间。

(3)同时使用单故障和多故障样本，并采用粒子群优化算法生成用于故障识别的最优决策阈值，从而将模型生成的概率向量转换为最终的故障模式。

(4)诊断精度和效率提高，能够有效解决主减速器的单故障和多故障模式的诊断问题。

附图说明

图1是本发明所提供的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法的基本流程结构图。

图2是Paired-SBELM模型的结构示意图。

图3是融合策略结构图。

图4是基于最优决策阈值和阈值函数的故障识别过程图。

图5是不同诊断模型在单故障模式下的性能评价对比图。

图6是不同诊断模型在多故障模式下的性能评价对比图。

具体实施方式

下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

如图1所示，本发明公开了一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，包括以下步骤：

步骤一，根据训练集D_training训练诊断模型；

步骤二，使用确定阈值集D_thresholding确定最优决策阈值；

步骤三，对测试集D_testing进行故障诊断。

具体地，步骤一的具体过程如下：

第一步，对训练集D_training进行降噪、特征提取预处理；

第二步，根据基于SBELM的故障分类算法构建SBELM二分类模型；

第三步，构建最优的Paired-SBELM诊断模型。

具体地，所述Paired-SBELM模型的建立过程如下：对于一个具有m维类别标签的分类问题，该分类模型可以表示为：[PSBELM₁，…，PSBELM_m]，其中m表示类别数目，其结构如图2所示；Paired-SBELM分类模型可以获得一个概率向量：p＝[p₁，...，p_m]，其中元素p_i表示第i种类别的出现概率；分类模型中的每一个分类器PSBELM_i又可以进一步表示为m-1个用于二分类的子分类器的组合，表示为：

PSBELM_i＝[SBELM_i1，...，SBELM_ij，...，SBELM_im]，i，j＝1，...，m，i≠j (1)

由于子分类器SBELM_ij和SBELM_ji是互补的，即p_ji＝1-p_ij，因此，基于Paired-SBELM的分类模型一共包含m(m-1)/2个子分类器，其中每个子分类器SBELM_ij由所有属于第i类和第j类的样本训练获得，用于判断某一样本属于第i类或第j类故障的概率；对于类别标签未知的样本x，SBELM_ij能预测该样本属于类别t_i的概率，即该子分类器的输出为条件概率p_ij(t_i|x，β′)。基于Paired-SBELM的分类模型充分考虑到了任意两种单故障之间的相关性，在进行多故障模式识别时，能够获得更加精确的类别概率估计。

为了获得Paired-SBELM分类模型的输出概率向量p＝[p₁，...，p_m]，需要将各个子分类器SBELM_ij的概率输出融合起来。在基于信息融合的故障诊断系统中，相对于数据层融合和特征层融合，决策层融合的一个突出的优点是具有一定的容错性。具体地，使用决策层融合将多个子分类器SBELM_ij的输出p_ij进行融合，其中i，j＝1，...，m，以获得能反映出各个故障模式发生概率的全局分类结果p_i，也就是分类器PSBELM_i的输出概率；由各个子分类器输出的局部分类结果p_ij所构成的矩阵可以表示为：

其中，m表示类别数目，p_ij表示由子分类器SBELM_ij的子分类结果，即某一未知类别的样本x属于第i类故障的概率；该矩阵的第i行表示样本x出现第i类故障的概率，即分类器PSBELM_i的输出概率p_i，则通过局部分类结果p_ij求解出全局分类结果p_i，融合策略结构图如图3所示；

由于在多故障诊断中可能会有两个甚至多个单故障在同一时间内出现，而且p_i是针对某一个样本x的独立的概率输出，则m个分类器PSBELM_i的概率输出之和一定大于1，即

具体地，使用决策层融合策略将每个子分类器SBELM_ij的概率输出进行组合时，为了平衡样本集在各个故障类别上的分布不均匀现象，同时，考虑到样本集中各种故障模式的训练样本数量与该故障模式的发生几率成正比，将训练二类子分类器的样本数目作为该子分类器概率输出的权值，并且将多个子分类器的输出进行融合，由此可以得到概率p_i为：

其中，n_ij表示属于第i类和第j类的样本数目；由于在配对策略中充分考虑了类别之间的配对相关性，概率p_i的精确度得到了提高。因此，基于Paired-SBELM的分类模型能够在多故障诊断中获得更高的分类精确度。

当主减速器内部出现多故障时，由于多故障所包含的不同单故障会对振动信号的每个频率成分产生不同的抑制或增强效应。因此，振动信号各个频带成分中包含了大量的故障特征信息，其信号能量的变化及分布情况可以有效反映出各个单故障的特征。

对于一个m类的分类问题，基于决策层融合的Paired-SBELM分类模型能够获得一个m维的输出概率向量p＝[p₁，...，p_m]，其中p_i表示第i种故障的出现概率，这个概率向量可以作为一个重要的度量指标，用于实现多故障诊断。

对于单故障诊断，只需要从输出概率向量p中找出概率最大的故障模式。对于多故障诊断，无法通过上述方法来直接识别出多故障模式。为了将Paired-SBELM分类模型的输出概率向量p转换为同时出现的多种故障模式，从而实现多故障的识别，一个合适的决策阈值是必不可少的。

因此，适合多故障诊断的最优决策阈值ε^*应该以分类精度作为评价标准，并使用一个独立的验证集通过某种优化算法进行确定。传统的分类精度评价标准是样本预测类别f_i与实际类别t_i的一致性。然而，这个标准不适合于多故障诊断，因为，对于多故障诊断而言，诊断结果的部分匹配也是具有指导意义的。所以采用F1-measure方法来评价该多故障智能诊断模型的分类精度。F1-measure指标的值越大，表示分类模型的性能越好。

具体地，最优决策阈值的确定过程如下：

基于粒子群优化算法的全局寻优能力以及计算量较小的优点，采用目标函数获得决策阈值的最优值，将决策阈值优化算法的目标函数设定如下：

min(1-F_me) (4)

其中，F_me表示F1-measure指标的值；

基于最优决策阈值ε^*的阈值函数能将基于Paired-SBELM分类模型的输出概率向量p＝[p₁，...，p_m]转换为结果向量F＝[f₁，...，f_i，...，f_m]，如图4所示；

阈值函数表示如下：

多故障模式就是结果向量F中对应元素f_i为1的故障模式；假设分类模型的输出概率向量p＝[0.02，0.13，0.81，0.02，0.73，0.28，0.19]，通过优化算法生成的最优决策阈值为0.65，利用公式(5)，得到结果向量F＝[0，0，1，0，1，0，0]，该结果向量表示多故障模式为C3和C5。

为了获得主减速器故障诊断的最优决策阈值，使用包含单故障和多故障样本的确定阈值集D_thresholding，使用优化算法在区间[0，1]内寻找最优决策阈值ε^*。基于粒子群优化算法(Particle Swarm Optimization，PSO)的全局寻优能力以及计算量较小的优点，本发明采用PSO以公式(4)为目标函数，获得决策阈值的最优值。

为了使用优化算法生成最优决策阈值ε*，需要对诊断模型的分类精度进行评价。不同于单故障，采用样本预测类别f_i与实际类别t_i的一致性作为分类精度的评价标准。由于对多故障模式进行识别时，诊断结果的部分匹配也是具有指导意义的，因此，本发明采用F1-measure方法来评价该智能故障诊断模型的分类精度。

具体地，所述F1-measure指标的求解过程如下：

给定一个包含N个样本的数据集D＝(x_i，t_i)，其中i＝1，...，N，x_i为第i个样本的属性，t_i为该样本的实际类别，x_i∈Rⁿ，t_i∈R^m，t_ij∈{0，1}，j＝1，...，m；

定义P和R两个变量分别表示准确率和召回率，其中P代表利用诊断模型正确识别出的单故障模式与实际存在的多故障模式的比率，R代表利用诊断模型正确识别处的单故障模式与诊断模型预测的多故障模式的比率，对F1-measure指标的求解定义如下：

其中，变量P和R的计算公式为：

其中，f_i＝[f_i1，…，f_im]为第i个样本的m维预测类别，t_i＝[t_i1，…，t_im]为对应于样本x_i的实际类别；将公式(7)和公式(8)代入公式(6)中，得到F1-measure指标的值，表示如下：

具体地，步骤三的具体过程如下：

第一步，对测试集D_testing进行降噪、特征提取预处理；

第二步，根据训练好的最优Paired-SBELM诊断模型获得输出概率向量p；

第三步，采用最优决策阈值ε^*获得结果向量F；

第四步，根据结果向量F获得测试集的最终诊断结果。

实施例

一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，包括下列步骤：

(1)故障样本集描述。

本发明主要针对主减速器可能出现的6种单故障模式展开，为了构建主减速器智能故障诊断模型实现多故障诊断，选择3种较常见的多故障模式作为研究对象。

多故障样本采用破坏性实验获得，即在主减速器上通过人为性的破坏来模拟某种故障模式的表现形态，采集其振动信号。考虑到用于构建诊断模型的振动信号样本必须具有一定的代表性，将每种故障模式重复模拟500次，从而采集到足够多的样本。

为了确保采样的准确性，将电机开始运行之后的2秒以及电机结束运行前的2秒内所采集的振动信号丢弃，即延时2秒开始采样，在电机运行过程中最稳定的状态下进行采样。

考虑到振动信号中的噪声成分，首先对振动信号进行降噪和特征提取。所有的仿真实验都通过在一台CPU3.4GHz且内存4.0GB的计算机上运行MATLAB 7.0完成。

10种故障模式的详细描述如表1所示。样本集包含500条正常状态样本、3000条单故障样本和1500条多故障样本。每一轮试验，将样本集随机划分为三个子集：训练集D_training、确定阈值集D_threshold和测试集D_testing，其分配方案如表2所示，确保训练集的样本数量大于测试集的样本数量。

表1故障模式描述

表2样本集的分配

训练集D_training由包含正常模式在内的7种单故障模式组成，每种模式随机选取350条样本。确定阈值集D_threshold中每种单故障模式随机选取100条样本，每种多故障模式随机选取350条样本。测试集D_testing中每种单故障模式随机选取50条样本，每种多故障模式随机选取150条样本。

(2)训练基于Paired-SBELM的智能故障诊断模型。

首先，我们使用降噪方法和特征提取方法对训练集D_training中的单故障样本进行预处理。使用该特征向量训练基于Paired-SBELM的分类模型，基于SBELM的概率输出特点，该分类模型会得到一个概率输出向量，表示为：p＝[p₁，…，p_m]，其中m的值为7，即单故障模式的数目，现将基于训练集D_training所训练的Paired-SBELM分类模型的输出向量罗列出来，如表3所示。

表3基于Paired-SBELM分类模型的概率输出向量

表3中，预测结果即Paired-SBELM分类模型的概率输出向量中的最大元素所对应的故障类别。使用包含2450条单故障样本的训练集D_training所训练出来的Paired-SBELM分类模型的训练精度很高，达到了99.5％，而且，概率输出向量p的各个元素p_i的值具有一定的差异性、比较分散。说明训练出来的分类模型性能可靠性较高，只有极少数样本的预测类别与实际类别不相同。通过进一步分析发现：在错误分类样本的概率输出向量中，实际类别所对应的概率值虽然不是7个元素中的最大值，但是其排序也比较靠前，与预测类别所对应的概率值相对比较接近。

(3)确定诊断模型的最优决策阈值。

在基于单故障样本训练好Paired-SBELM分类模型之后，下一步就是根据公式(9)，使用确定阈值集D_threshold采用优化算法生成介于0和1之间的最优决策阈值ε*，从而实现单故障和多故障模式的识别。采用粒子群优化算法(PSO)优化算法优化决策阈值，执行50次试验，获得目标函数的平均值。经过多轮迭代后，使用PSO对决策阈值进行优化能够获得较小的目标函数，对应的F_me值达到0.923，说明模型的分类精度较高。而且，50次试验结果的标准差较低，为1.79e-3，说明PSO在决策阈值优化问题中表现稳定。

目前，解决机械故障诊断问题的机器学习算法主要有：概率神经网络(Probability Neural Network，PNN)、支持向量机(SVM)、极限学习机(ELM)和核极限学习机(Kernel ELM，KELM)，因此，在本研究中采用这些方法分别构建诊断模型作为对比。使用PSO分别对这几种故障诊断模型的决策阈值进行优化，获得的最优决策阈值以及对应的F_me值如表4所示。

表4基于PSO的最优决策阈值和F_me值

表4中使用PSBELM表示Paired-SBELM模型。基于PSO的Paired-SBELM故障诊断模型的最优决策阈值为0.71。此外，采用本研究所提出的Paired-SBELM分类模型，其分类精度指标F_me的值为0.923，比其它几种分类模型提高了约3％到10％。

(4)诊断模型的性能评价。

最后，使用测试集D_testing中的单故障样本和多故障样本进行故障诊断的测试，对各种诊断模型的性能进行评价，对比结果如图5和图6所示。在5种诊断模型中，基于Paired-SBELM的诊断模型在对单故障模式和多故障模式的测试中性能优于其他几种模型，Paired-SBELM诊断模型是通过估计输出值的概率分布来提高其泛化性，而不是采用数据拟合。针对单故障样本和多故障样本的平均测试精度分别达到98.12％和88.24％，比其他几种诊断模型的诊断精度提高了5％到15％。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：包括以下步骤：

步骤一，根据训练集D_traininｇ训练诊断模型；

步骤二，使用确定阈值集D_thresholding确定最优决策阈值；

步骤三，对测试集D_testing进行故障诊断。

2.根据权利要求1所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：步骤一的具体过程如下：

第一步，对训练集D_training进行降噪、特征提取预处理；

第二步，根据基于SBELM的故障分类算法构建SBELM二分类模型；

第三步，构建最优的Paired-SBELM诊断模型。

3.根据权利要求2所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：所述Paired-SBELM模型的建立过程如下：对于一个具有m维类别标签的分类问题，该分类模型可以表示为：[PSBELM₁，…，PSBELM_m]，其中m表示类别数目；Paired-SBELM分类模型可以获得一个概率向量：p＝[p₁，...，p_m]，其中元素p_i表示第i种类别的出现概率；分类模型中的每一个分类器PSBELM_i又可以进一步表示为m-1个用于二分类的子分类器的组合，表示为：

PSBELM_i＝[SBELM_i1，...，SBELM_ij，...，SBELM_im]，i，j＝1，...，m，i≠j；

由于子分类器SBELM_ij和SBELM_ji是互补的，即p_ji＝1-p_ij，因此，基于Paired-SBELM的分类模型一共包含m(m-1)/2个子分类器，其中每个子分类器SBELM_ij由所有属于第i类和第j类的样本训练获得，用于判断某一样本属于第i类或第j类故障的概率；对于类别标签未知的样本x，SBELM_ij能预测该样本属于类别t_i的概率，即该子分类器的输出为条件概率p_ij(ｔ_i|x，β′)。

4.根据权利要求3所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：使用决策层融合将多个子分类器SBELM_ij的输出p_ij进行融合，其中i，j＝1，...，m，以获得能反映出各个故障模式发生概率的全局分类结果p_i，也就是分类器PSBELM_i的输出概率；由各个子分类器输出的局部分类结果p_ij所构成的矩阵可以表示为：

其中，m表示类别数目，p_ij表示由子分类器SBELM_ij的子分类结果，即某一未知类别的样本x属于第i类故障的概率；该矩阵的第i行表示样本x出现第i类故障的概率，即分类器PSBELM_i的输出概率p_i，则通过局部分类结果p_ij求解出全局分类结果p_i；

由于在多故障诊断中可能会有两个甚至多个单故障在同一时间内出现，而且p_i是针对某一个样本x的独立的概率输出，则m个分类器PSBELM_i的概率输出之和一定大于1，即

5.根据权利要求4所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：使用决策层融合策略将每个子分类器SBELM_ij的概率输出进行组合时，为了平衡样本集在各个故障类别上的分布不均匀现象，同时，考虑到样本集中各种故障模式的训练样本数量与该故障模式的发生几率成正比，将训练二类子分类器的样本数目作为该子分类器概率输出的权值，并且将多个子分类器的输出进行融合，由此可以得到概率p_i为：

其中，n_ij表示属于第i类和第j类的样本数目；由于在配对策略中充分考虑了类别之间的配对相关性，概率p_i的精确度得到了提高。

6.根据权利要求1所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：步骤二的具体过程如下：

第一步，对确定阈值集D_thresholding进行降噪、特征提取预处理；

第二步，采用PSO算法生成最优决策阈值ε^*。

7.根据权利要求6所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：最优决策阈值的确定过程如下：

基于粒子群优化算法的全局寻优能力以及计算量较小的优点，采用目标函数获得决策阈值的最优值，将决策阈值优化算法的目标函数设定如下：

min(1-F_me)；

其中，F_me表示F1-measure指标的值；

基于最优决策阈值ε^*的阈值函数能将基于Paired-SBELM分类模型的输出概率向量p＝[p₁，...，p_m]转换为结果向量F＝[f₁，...，f_i，...，f_m]；

阈值函数表示如下：

多故障模式就是结果向量F中对应元素f_i为1的故障模式；

为了获得主减速器故障诊断的最优决策阈值，使用包含单故障和多故障样本的确定阈值集D_thresholding，使用优化算法在区间[0，1]内寻找最优决策阈值ε^*。

8.根据权利要求7所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：所述F1-measure指标的求解过程如下：

给定一个包含N个样本的数据集D＝(x_i，t_i)，其中i＝1，...，N，x_i为第i个样本的属性，t_i为该样本的实际类别，x_i∈Rⁿ，t_i∈R^m，t_ij∈{0，1}，j＝1，...，m；

定义P和R两个变量分别表示准确率和召回率，其中P代表利用诊断模型正确识别出的单故障模式与实际存在的多故障模式的比率，R代表利用诊断模型正确识别处的单故障模式与诊断模型预测的多故障模式的比率，对F1-measure指标的求解定义如下：

其中，变量P和R的计算公式为：

其中，f_i＝[f_i1，...，f_im]为第i个样本的m维预测类别，t_i＝[t_i1，...，t_im]为对应于样本x_i的实际类别；将P和R的计算公式代入F_me中，得到F1-measure指标的值，表示如下：

9.根据权利要求1至8任一项所述的一种基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法，其特征在于：步骤三的具体过程如下：

第一步，对测试集D_testing进行降噪、特征提取预处理；

第二步，根据训练好的最优Paired-SBELM诊断模型获得输出概率向量p；

第三步，采用最优决策阈值ε^*获得结果向量F；

第四步，根据结果向量F获得测试集的最终诊断结果。