基于多种特征提取和选择的滚动轴承状态自动预警方法技术

本发明专利技术公开了一种基于多种特征提取和选择的滚动轴承状态自动预警方法。该方法提取滚动轴承振动信号的多种时域、频域及时频域特征，利用基于最大相关最小冗余的无监督特征选择方法智能选择对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集，克服了在无先验知识的情况下人为选取敏感特征的盲目性，根据报警阈值自动设立方法制定报警策略，实现滚动轴承早期损伤预警。

Automatic warning method of rolling bearing status based on multiple feature extraction and selection

The invention discloses an automatic warning method of rolling bearing status based on a variety of feature extraction and selection. The extraction method of multiple time domain and frequency domain of rolling bearing vibration signal in time domain features, using unsupervised feature selection method of intelligent selection of rolling bearing fatigue recession process sensitive, feature subset can provide complementary information based on maximum relevance minimum redundancy, overcome the blindness of man-made sensitive features are selected without prior knowledge, according to the set up automatic alarm threshold method set alarm strategy, implementation of rolling bearing damage early warning.

【技术实现步骤摘要】
基于多种特征提取和选择的滚动轴承状态自动预警方法
本专利技术涉及机械故障诊断领域，尤其涉及一种滚动轴承状态自动预警方法。
技术介绍
基于振动信号的滚动轴承状态评估技术一般直接选取振动信号的单个特征作为状态评估指标。然而，随着进一步研究发现：单个特征通常只在某个阶段对某种缺陷有效，同一特征在不同的故障模式下表现不同，不同特征在同样工况下表现也不同，而有效的状态评估指标应该能够充分利用多种信息，不但能够捕捉轴承在不同运行阶段的内在性能变化，同时在实际应用中易于获取。为了改善单一指标性能，近年来一些学者研究了基于特征融合技术的指标构建方法，例如，HaiQiu等人2003年在文献《Robustperformancedegradationassessmentmethodsforenhancedrollingelementbearingprognostics》中提出了一种基于自组织神经网络的状态评估指标构建方法，利用振动信号以及相应包络信号的均方根值、峭度值、波形指标训练得到的最小量化误差（MQE）作为轴承的状态评估指标。但是，该方法仅人为指定少数几个特征进行融合，无法从众多的原始特征中智能构造出能稳定体现轴承衰退模式的特征子集，同时没有制定相应的自动报警策略。
技术实现思路
为克服上述缺点，本专利技术提供了一种基于多种特征提取和选择的滚动轴承状态自动预警方法。本专利技术是通过以下技术方案来实现的：一种基于多种特征提取和选择的滚动轴承状态自动预警方法，包括如下步骤：1）对被监测滚动轴承的振动信号进行多种特征提取，构成特征集合，较佳地，所述振动信号为轴承座处的径向振动信号。2）利用基于最大相关最小冗余的无监督特征选择方法从特征集合中智能选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集。3）利用自组织神经网络对特征子集进行融合，构建状态评估指标。本专利技术之所以选择自组织神经网络，是因为实际应用中，轴承的故障类型和失效数据无法提前获得，自组织神经网络作为一种无监督竞争式的学习算法，不需要提前给定任何目标输出,也不必知道输入矢量的类型关系，只需通过输入数据的某种内在规律就进行特征映射，更适合工程实践的应用。具体步骤为：利用正常状态振动信号将优选出的特征子集作为输入向量，训练自组织神经网络，得到正常状态的神经元权值向量，然后将获取的振动信号的特征子集和映射层的所有正常状态的神经元权值向量作比较，计算其欧氏距离，定义欧氏距离最小的神经元为最佳匹配单元（BMU），把这一最小距离作为一种状态评估指标，该最小距离本质是输入数据偏离正常状态的距离，将其定义为最小量化误差MQE：MQE=||D-mBMU||式中MQE——MQE值；D——振动信号特征子集；mBMU——BMU的权值向量。MQE值越大，表示轴承状态偏离正常状态的程度越大，损伤程度越大，因此通过追踪MQE值，可以定量描述轴承状态。在振动信号采集、特征提取和特征融合过程中不可避免地产生数据扰动，MQE曲线容易产生很多毛刺，因此，利用小波包分解技术精细的时频局部化特性提取MQE曲线的低频趋势信号作为最终的状态评估指标。故，应用自组织神经网络对特征子集进行融合，能对不同特征优化组合，与单个特征或者少数几个人为主观选取的特征相比，能够更真实、准确、全面地反映轴承在不同运行阶段的内在性能变化。4）利用报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。通用的阈值设置方式是参照一定的规则，比如ISO10816，然后依照用户的经验来最终设定阈值。但是，ISO10816只是按照设备的大小和安装方式来设定此设备振动可以接受的程度，并只规定了均方根值为唯一的监测指标而没有对其他指标的阈值设置提供指导。2006年，GINART等人在文献《AutomatedFeatureSelectionforEmbeddablePrognosticandHealthMonitoring(PHM)Architectures》中，根据设备的最大时间常数和一般系统阈值的统计特性提出了一种较为通用的报警阈值自动设立方法。该方法的基本步骤为：首先，利用正常状态数据，计算状态评估指标的幅值波动大小与时间跨度之比，即一阶系统的单位阶跃响应增长斜率|m|，同时计算状态评估指标的均值μ和标准差σ，将报警阈值初步设定为μ；然后查找报警系数表得到相应的报警系数，用报警系数乘以初步设定的报警阈值，得到最终的报警阈值。基于本专利技术之前已基于优选出的特征子集获得准确的状态评估指标，故为进一步提高本专利技术的效果，可利用GINART等人提出的报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警。较佳地，所述步骤1）中的多种特征提取是从不同角度提取被监测滚动轴承的振动信号特征；因为振动信号的特征种类很多，本专利技术也研究了对哪些特征进行提取可保证特征提取的全面性和高效性，最终得出，上述提取的多种特征可至少包括振动信号的时域指标、振动信号的包络信号的时域指标和频域指标、振动信号的第二代小波包频带信号的频域指标和能量指标。因为上面所述振动信号的时域指标中的振动信号实质就是指原始采集得到的振动信号，而所述的振动信号的包络信号和振动信号的第二代小波包频带信号都是在原始采集得到的振动信号的基础上处理得出来的，故，为了方便书写和便于区分，后续振动信号的时域指标简称为原始信号的时域指标，振动信号的包络信号的时域指标和频域指标简称为包络信号的时域指标和频域指标，振动信号的第二代小波包频带信号的频域指标和能量指标简称为第二代小波包频带信号的频域指标和能量指标。该多种特征提取保证了评估轴承状态所需特征信息的全面性，突破了现有的在无先验知识的情况下人为选取敏感特征的做法，使得信息不被遗漏，为最后结果的精确性提供了必不可少的前提条件。进一步，为了保证优选的特征子集对轴承疲劳衰退过程最为敏感，同时保证状态评估的时效性，所述步骤2）中的基于最大相关最小冗余的无监督特征选择方法可依据以下步骤进行：首先，删除与轴承衰退过程不相关的特征；然后，按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类；类别个数由聚类算法自动确定，一般不少于两类。最后，基于特征得分评估特征局部保存能力，保留剩余每一类特征中局部保存能力最优的1～3个特征，以此组成对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集。本专利技术为对上述提取得到的多种特征层层递进地进行合理的除杂、筛选和保留，研究了各种处理方法对结果的影响，经过多次实验和尝试，最终得到了如下的处理过程：基于统计学的方差（Variance）方法删除与轴承衰退过程不相关的特征。其具体步骤为：计算初始特征集合中每个特征的Variance分数，把Variance分数大于设定阈值的特征定义为不相关特征，进行删除。Variance方法的基本原理是同类样本的类内距离越小，不同类样本的类间距离越大，则该特征可分性越强，具体可参见BishopCM1995年撰写的书籍《NeuralNetworksforPatternRecognition》。适应于状态评估的特征样本应该可以表征轴承的渐变衰退过程，正常状态的特征样本幅值一般较小且波动不大，样本量也较多，因而特征的Variance分数较小。第r个特征的Varia本文档来自技高网...

【技术保护点】
一种基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，包括如下步骤：1)对被监测滚动轴承的振动信号进行多种特征提取，构成特征集合，所述振动信号为轴承座处的径向振动信号；2)利用基于最大相关最小冗余的无监督特征选择方法从特征集合中选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集；3)利用自组织神经网络对特征子集进行融合，构建状态评估指标；4)利用报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警；其中，所述步骤2)中的基于最大相关最小冗余的无监督特征选择方法包括以下步骤：删除与轴承衰退过程不相关的特征；按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类，类别个数由聚类算法自动确定，不少于两类；基于特征得分评估特征局部保存能力，保留剩余每一类特征中局部保存能力最优的1～3个特征，以此组成对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集；所述步骤4)中所述的报警阈值自动设立策略的步骤包含：首先，利用正常状态数据，计算状态评估指标的幅值波动大小与时间跨度之比，即一阶系统的单位阶跃响应增长斜率|m|，同时计算状态评估指标的均值μ和标准差σ，将报警阈值初步设定为μ；然后查找报警系数表得到相应的报警系数，用报警系数乘以初步设定的报警阈值，得到最终的报警阈值。...

【技术特征摘要】
1.一种基于多种特征提取和选择的滚动轴承状态自动预警方法，其特征在于，包括如下步骤：1)对被监测滚动轴承的振动信号进行多种特征提取，构成特征集合，所述振动信号为轴承座处的径向振动信号；2)利用基于最大相关最小冗余的无监督特征选择方法从特征集合中选择出对滚动轴承疲劳衰退过程敏感、能够提供互补信息的特征子集；3)利用自组织神经网络对特征子集进行融合，构建状态评估指标；4)利用报警阈值自动设立策略设置报警阈值，当状态评估指标超过报警阈值时进行预警；其中，所述步骤2)中的基于最大相关最小冗余的无监督特征选择方法包括以下步骤：删除与轴承衰退过程不相关的特征；按照同类特征中包含的信息相似、不同类特征之间信息互补的方式进行特征分类，类别个数由聚类算法自动确定，不少于两类；基于特征得分评估特征局部保存能力，保留剩余每一类特征中局部保存...

【专利技术属性】
技术研发人员：李康，陈雪军，刘冰，胡湘江，林习良，訾艳阳，蔡自刚，
申请(专利权)人：中国人民解放军六三六八零部队，
类型：发明
国别省市：江苏,32