一种滚动轴承故障诊断方法与流程

本发明涉及滚动轴承故障分析技术领域，特别是一种滚动轴承故障诊断方法。

背景技术：

滚动轴承作为旋转机械应用广泛且容易损坏的零部件，对其进行故障诊断有着重要的理论和实际意义。

滚动轴承振动信号通常表征为非平稳和非线性等特性，因此，众多衡量机械动力学系统的非线性时间序列复杂性方法相继被提出，并被应用于故障诊断领域。其中，多尺度加权排列熵(mwpe)综合了多尺度熵和加权排列熵的优势，能够从多个尺度衡量时间序列的复杂度，因此，被广泛应用于多个领域。但将mwpe应用于滚动轴承特征提取过程，仍存在以下3点不足：(1)mwpe的熵值估计偏差会随粗粒化尺度因子的增大而增加；(2)mwpe粗粒化过程忽略了其他粗粒化序列上的有用信息，影响熵值准确度。(3)mwpe进行粗粒化构造时，利用均值处理方式在一定程度上会中和原始信号的动力学突变行为，影响特征提取结果。滚动轴承故障诊断的关键在于特征提取，然而提取的故障特征往往存在信息冗余，不利于后续处理。

技术实现要素：

有鉴于此，本发明的目的是提出一种滚动轴承故障诊断方法，解决了滚动轴承故障特征提取困难的问题，能够有效、精准的诊断出滚动轴承各故障类型。

本发明采用以下方案实现：一种滚动轴承故障诊断方法，包括以下步骤：

采集滚动轴承的不同故障状态信号；

利用广义复合多尺度加权排列熵算法(gcmwpe)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；

利用监督等度规映射流形学习算法(s-isomap)对高维故障特征进行降维处理，获取其低维故障特征集；

利用低维故障特征集对粒子群优化支持向量机(pso-svm)进行训练，利用训练好的粒子群优化支持向量机(pso-svm)进行故障诊断。

进一步地，所述采集滚动轴承的不同故障状态信号具体为：利用加速度传感器采集滚动轴承在正常状态、外圈故障状态、内圈故障状态和滚动体故障状态下的径向振动加速度信号。

进一步地，所述利用广义复合多尺度加权排列熵算法(gcmwpe)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集具体为：利用广义复合多尺度加权排列熵算法(gcmwpe)对每组振动信号进行熵值特征提取，构建原始高维特征集。

具体的，所述利用广义复合多尺度加权排列熵算法(gcmwpe)对每组振动信号进行熵值特征提取，构建原始高维特征集具体包括以下步骤：

步骤s11：对不同故障状态信号的时间序列x＝{x1,x2,...,xn}，采用下式计算出广义复合粗粒化序列

式中，表示尺度s下的第k个广义复合粗粒化序列，s为尺度因子，τ为时延，n为时间序列长度；

步骤s12：对于每个尺度因子s，分别计算每个广义粗粒化序列的wpe值；

步骤s13：均化同一尺度下多个wpe值，得到对应故障信号在s尺度下的gcmwpe值，对应表达式如下：

进一步地，设置gcmwpe参数如下：设置时间序列长度为n＝4096，尺度因子s＝20，时延τ＝1，嵌入维数m＝6。

进一步地，所述利用低维故障特征集对粒子群优化支持向量机(pso-svm)进行训练，利用训练好的粒子群优化支持向量机(pso-svm)进行故障诊断具体包括以下步骤：

步骤s21：将低维故障特征集中的每种故障按1:4的比例随机分为训练集和测试样本集；并分别对测试样本集和训练集进行归一化处理；

步骤s22：定义svm模型中的核函数为径向基函数，利用粒子群优化(pso)算法进行参数优化选取；

步骤s23：将训练集用于训练pso-svm模型，然后利用训练好的pso-svm模型对测试样本集样本进行诊断识别。

进一步地，步骤s2中，定义训练样本3折交叉后的平均正确识别率为适应度值，并设置粒子群规模为10，终止迭代为100，局部搜索能力为2，全局搜索能力为2，以此，得到pso-svm模型最佳惩罚因子和核函数参数。

与现有技术相比，本发明有以下有益效果：

1、本发明针对mwpe粗粒化存在的不足，提出一种gcmwpe新算法，并利用该算法全面提取滚动轴承故障特征信息。

2、本发明引入s-isomap算法对高维故障特征集进行二次特征提取，获取低维、易于区分故障类型的故障特征集，提高故障诊断性能。

3、本发明引入pso-svm分类器对gcmwpe+s-isomap特征集进行诊断，有效识别滚动轴承故障类型。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的滚动轴承不同状态下的时域波形图。

图3为本发明实施例的gcmwpe算法流程图。

图4为本发明实施例的gcmwpe特征提取结果。

图5为本发明实施例的s-isomap对gcmwpe特征集降维结果。

图6为本发明实施例的pso-svm对降维后的特征集识别结果。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种滚动轴承故障诊断方法，利用spectraquest公司研发的动力传动系统故障诊断实验台采集的滚动轴承信号数据为例进行方法验证。其中，输入轴转速为20hz，负载电流为0a，采样频率为3000hz，采样点设置为4096个采样点。包括以下步骤：

采集滚动轴承的不同故障状态信号；

利用广义复合多尺度加权排列熵算法(gcmwpe)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；

利用监督等度规映射流形学习算法(s-isomap)对高维故障特征进行降维处理，获取其低维故障特征集；

利用低维故障特征集对粒子群优化支持向量机(pso-svm)进行训练，利用训练好的粒子群优化支持向量机(pso-svm)进行故障诊断。

在本实施例中，所述采集滚动轴承的不同故障状态信号具体为：利用加速度传感器采集滚动轴承在正常状态、外圈故障状态、内圈故障状态和滚动体故障状态下的径向振动加速度信号。本实施例利用加速度传感器分别采集滚动轴承正常(nor)、外圈故障(orf)、内圈故障(irf)和滚动体故障(bf)下4种状态振动加速度信号各100组，4种状态共计400组样本信号，对应时域波形如图2所示。

在本实施例中，所述利用广义复合多尺度加权排列熵算法(gcmwpe)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集具体为：利用广义复合多尺度加权排列熵算法(gcmwpe)对每组振动信号进行熵值特征提取，构建原始高维特征集，gcmwpe的算法流程图如图3所示，其对滚动轴承不同状态的熵值均值曲线如图4所示。

所述gcmwpe的原理如下：

加权排列熵(wpe)克服了排列熵(pe)只考虑序列的顺序结构特征，忽略了幅度特性的不足，具体过程如下：

(1)对时间序列x＝{x1,x2,...,xn}进行相空间重构得到一系列子序列

式中，τ为时延，m为嵌入维数。

(2)计算出每个子序列的权重值wi：

(3)任意子序列的特征信息由权重值wi和排列模式πi进行表示。对于该时间序列x共有q种排列模式，第q种排列模式πq的加权概率值为：

(4)计算时间序列x的加权排列熵wpe值：

多尺度加权排列熵(mwpe)克服了wpe单一尺度分析的不足，能够从多个尺度全面表征时间序列复杂性，具体过程如下：

(1)对时间序列x进行粗粒化处理，得到粗粒序列y^(s)＝{y^(s)(j)}：

式中，s为尺度因子。

(2)计算不同尺度因子下，粗粒化序列y(s)的wpe值：

mwpe(x,m,τ,s)＝wpe(y^(s),m,τ)；

式中，wpe(·)为加权排列熵算法。

本实施例提出的广义复合多尺度加权排列熵算法过程如下：

(1)对不同故障状态信号的时间序列x＝{x1,x2,...,xn}，采用下式计算出广义复合粗粒化序列

式中，表示尺度s下的第k个广义复合粗粒化序列。

(2)对于每个尺度因子s，分别计算每个广义粗粒化序列的wpe值。

(3)均化同一尺度下多个wpe值，即可得到对应故障信号在s尺度下的gcmwpe值，对应表达式如下：

在本实施例中，设置gcmwpe参数如下：设置时间序列长度为n＝4096，尺度因子s＝20，时延τ＝1，嵌入维数m＝6。据图4可知：(1)对于起始尺度而言，gcmwpe得到的滚动轴承四种状态中正常状态熵值最大。对于实际工况而言，当滚动轴承处于正常状态时，振动信号波动较为随机，信号的无规则性较高，自相似性较低，故熵值较大；而当轴承出现局部故障时，振动信号波动出现一定规律性，信号的规则性和自相似性较高，故熵值较小，因此gcmwpe算法适用于判断滚动轴承故障是否发生。(2)所提gcmwpe方法提取得熵值均值曲线较为平滑，并且能够有效将四类样本区分开，验证利用该算法进行滚动轴承故障特征全面提取的有效性。

较佳的，由于gcmwpe算法提取的故障特征集呈现出高维，非线性和冗余等特性，直接利用pso-svm分类器进行故障识别，会增加识别时间甚至影响识别效果。因此，本实施例采用监督型等度规映射(s-isomap)算法对其进行降维处理，提取出易于区分故障类型的低维特征集，降维结果如图5所示。其中s-isomap算法的参数设置如下：本征维数为3，近邻参数为70，参数β为所有样本点欧氏距离的平均值；参数α为0.4。s-isomap对gcmwpe特征集的降维结果中，能够有效将四类样本完全区分开，并且四类样本聚集性较好，这体现本实施例所提gcmwpe与s-isomap相结合的特征提取方式，能够有效提取出易于区分滚动轴承故障特征信息的低维、敏感特征集。

其中，所述监督等度规映射(s-isomap)流形学习算法原理是：

对于输入样本集u＝[u1,u2,...,un]^t而言，s-isomap具体过程如下：

(1)定义一个包含所有样本的邻域图g，构建监督型距离矩阵ds＝{ds(ui,uj)}。若样本点ui是uj的k近邻点，则ui与uj有边连接，且边长为ds(ui,uj)；否则无边连接：

式中，d(ui,uj)表示样本点ui和uj之间的欧氏距离；表示ui的标签信息；β用来抑制类间距离过快增长，定义为所有样本点欧氏距离的平均值；α用以调节不同标签样本点间的相似度。

(2)利用dijkstra方法计算最短路径，并将图g上任意两点之间的最短路径定义为两点之间的测地距离。

(3)应用多维标度分析(mds)算法对测地距离矩阵进行低维映射，得到低维嵌入结果y。

在本实施例中，所述利用低维故障特征集对粒子群优化支持向量机(pso-svm)进行训练，利用训练好的粒子群优化支持向量机(pso-svm)进行故障诊断具体包括以下步骤：

步骤s21：将低维故障特征集中的每种故障按1:4的比例随机分为训练集和测试样本集；并分别对测试样本集和训练集进行归一化处理；

步骤s22：定义svm模型中的核函数为径向基函数，利用pso算法进行参数优化选取；

步骤s23：将训练集用于训练(pso-svm)模型，然后利用训练好的(pso-svm)模型对测试样本集样本进行诊断识别。

在本实施例中，步骤s2中，定义训练样本3折交叉后的平均正确识别率为适应度值，并设置粒子群规模为10，终止迭代为100，局部搜索能力为2，全局搜索能力为2，以此，得到pso-svm模型最佳惩罚因子和核函数参数。

本实施例对测试样本集样本的识别结果如图6所示。据图6所示，本实施例所提故障诊断方法的能够有效识别各故障类型，识别率达到100％。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。