一种滚动轴承在线故障检测方法技术

本发明专利技术涉及一种滚动轴承在线故障检测方法，包括以下步骤：1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。与现有技术相比，本发明专利技术能够解决采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。

An on-line fault detection method for rolling bearings

The invention relates to an on-line fault detection method for rolling bearings, which comprises the following steps: 1) establishing a sample knowledge base, in which the corresponding relations between different fault modes and dominant feature vectors are stored; 2) on-line acquiring the real-time vibration signals of the rolling bearings to be diagnosed under the current operating state, and extracting the real-time vibration. The dominant eigenvectors of the dynamic signals are calculated by the grey correlation algorithm, and the fault modes of the rolling bearings to be diagnosed are determined according to the correlation degree between the dominant eigenvectors of the real-time vibration signals and the dominant eigenvectors in the sample knowledge base. Compared with the prior art, the invention can solve the problem that it is difficult to accurately evaluate the working health of the rolling bearing by using the traditional time-domain and frequency-domain methods, and can accurately and effectively identify different rolling bearing fault types and fault severity while ensuring the real-time detection.

【技术实现步骤摘要】
一种滚动轴承在线故障检测方法
本专利技术涉及机械故障监测
，尤其是涉及一种滚动轴承在线故障检测方法。
技术介绍
滚动轴承作为重要部件，被广泛应用于几乎所有类型的旋转机械中。滚动轴承故障是旋转机械失效和损坏的最主要原因之一，并带来巨大的经济损失。为确保机组运行可靠并减少经济损失，研发一种可靠有效的滚动轴承故障诊断方法是极为必要的。在众多轴承故障诊断方法中，基于振动信号的诊断方法已经在过去几十年间受到了广泛关注。轴承的振动信号蕴含着丰富地机械健康状况信息，这也为通过信号处理技术从振动信号中提取表征机械健康状况的主导特征成为可能。当前，许多信号处理技术已经应用于轴承故障监测和诊断。然而，由于存在许多非线性因素(如，刚度、摩擦、间隙等)，轴承诊断信号(特别是故障状态时)将表现为非线性和非稳态的特征。另外，实测的振动信号不仅包含与轴承本身相关的运行状况信息，还包含大量的机组设备中其他旋转部件和结构的信息(这些相较于前者属于背景噪声)。由于背景噪声通常较大，轻微的轴承故障信息容易淹没于背景噪声中，并很难被提取。因此，常规的时域和频域方法(主要针对线性振动信号)，甚至更为先进的信号处理技术(如，小波变换(WT)等)，不容易对轴承工作健康状况做出准确的评估。随着非线性动力学的发展，许多非线性分析技术已经被应用于识别和预测轴承复杂的非线性动态特性。其中，较为典型的一种方法是通过一些先进的信号处理技术(如，小波包分解(WPT)、希尔伯特变换(HT)、经验模态分解(EMD)、高阶谱(HOS)等)的结合运用来从振动信号中提取故障特征频率，并进一步与理论特征频率值比较来评估轴承健康状况(需要结合专家的经验判断)。随着人工智能的发展，轴承故障诊断过程越来越多地被引入模式识别的范畴，并且其诊断的有效性和可靠性主要取决于表征故障特征的主导特征向量的选取。近来，一些基于熵的方法(如，近似熵(ApEn)、样本熵(SampEn)，模糊熵(FuzzyEn)、分级熵(HE)、分级模糊熵等)，已经被提出用于从轴承振动信号中提取表征故障特征的主导特征向量，并获得了一定效果。通常，故障特征提取之后，需要一种模式识别技术来实现轴承故障的自动化诊断。现今，各种模式识别方法已经应用于机械故障诊断中，其中，应用最为广泛的当属人工神经网络(ANNs)和支持向量机(SVMs)。其中，人工神经网络(ANNs)的训练需要大量的样本，这是实际应用中很难甚至是不可能办到的，尤其是包含故障特征的样本。支持向量机(SVMs)基于统计学习理论(特别适合于小样本训练的情况)，比人工神经网络(ANNs)具有更优的泛化能力，并能确保局部的最优解与全局的最优解一致。然而，支持向量机(SVMs)分类器的准确性取决于其最优参数的选择。为确保诊断准确性，往往需要融入一些优化算法和/或设计成复杂的多类结构来弥补改善支持向量机(SVMs)的有效性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，而提供一种滚动轴承在线故障检测方法。本专利技术的目的可以通过以下技术方案来实现：一种滚动轴承在线故障检测方法，包括以下步骤：1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。进一步地，所述主导特征向量为熵特征与Holder系数特征联合的特征向量。进一步地，所述样品知识库的建立过程为：101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；102)提取每个振动信号的主导特征向量；103)根据主导特征向量与故障模式间的对应关系建立样本知识库。进一步地，所述主导特征向量为四维熵特征与Holder系数特征联合特征向量。进一步地，所述主导特征向量的提取过程为：201)将当前振动信号离散化为离散信号序列，并对所述离散信号序列进行FFT变换；202)计算当前振动信号的香农熵E1和指数熵E2：其中，pi为步骤201)获得信号中第i个离散信号的能量在总能量中所占的概率比例，i＝1,2,...,N，N表示离散信号的总点数；203)以矩形信号序列s1(i)和三角信号序列s2(i)作为参考序列，计算当前振动信号的Holder系数H1和H2：其中，p,q为Holder不等式参数，204)以[E1,E2,H1,H2]作为主导特征向量。进一步地，所述灰色关联算法中，定义实时振动信号的主导特征向量为B，样本知识库中第j个故障模式对应的主导特征向量为Cj，B和Cj的关联度计算公式为：式中，ξ(B,Cj)为关联度，ξ(b(k),cj(k))为向量B中第k个特征参数与向量Cj中第k个特征参数的关联系数，L为特征参数总数。进一步地，所述关联系数ξ(b(k),cj(k))的计算公式为：其中，ρ为分辨系数。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术建立有样本知识库，将实时在线获得的振动信号经特征提取获得的主导特征向量与样本知识库进行比对，实现待诊断滚动轴承的故障诊断，能实现故障在线诊断，解决传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题。(2)本专利技术通过灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，关联度计算结果可靠，有效提高诊断精度。(3)本专利技术的主导特征向量为熵特征与Holder系数特征联合的特征向量，能够提取出更具区分度的表征故障特征的特征向量，有效提高诊断精度。(4)本专利技术基于熵特征、Holder系数特征与灰色关联理论的结合实现滚动轴承的在线故障诊断，能够在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。附图说明图1为本专利技术方法的流程示意图；图2为当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的熵特征；图3为当故障直径为7mils时通过从轴承正常状态和不同故障状态的振动信号中提取的Holder系数特征；图4为当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的熵特征；图5为当故障类型为内圈故障时从轴承不同故障严重程度的振动信号中提取的Holder系数特征。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本专利技术提供一种滚动轴承在线故障检测方法，包括以下步骤：步骤S1，建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系。故障模式包括正常状态和多种故障状态，不同故障状态对应不同的故障类型及其严重程度。在某些实施例中，样品知识库的建立过程为：101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；102)提取每个振动信号的主导特征向量；103)根据主导特征向量与故障模式间的对应关系建立样本知识库。步骤S2，在线获取当前运行状态下的待诊断滚动轴承的实时振动本文档来自技高网...

【技术保护点】
1.一种滚动轴承在线故障检测方法，其特征在于，包括以下步骤：1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。

【技术特征摘要】
1.一种滚动轴承在线故障检测方法，其特征在于，包括以下步骤：1)建立样品知识库，该样品知识库中存储有不同故障模式与主导特征向量的对应关系；2)在线获取当前运行状态下的待诊断滚动轴承的实时振动信号，提取所述实时振动信号的主导特征向量；3)利用灰色关联算法计算所述实时振动信号的主导特征向量与样品知识库中各主导特征向量间的关联度，根据所述关联度判定待诊断滚动轴承所属的故障模式。2.根据权利要求1所述的滚动轴承在线故障检测方法，其特征在于，所述主导特征向量为熵特征与Holder系数特征联合的特征向量。3.根据权利要求1所述的滚动轴承在线故障检测方法，其特征在于，所述样品知识库的建立过程为：101)获得滚动轴承在多种已知故障模式下的振动信号，不同振动信号与不同故障模式一一对应；102)提取每个振动信号的主导特征向量；103)根据主导特征向量与故障模式间的对应关系建立样本知识库。4.根据权利要求1-3中任一所述的滚动轴承在线故障检测方法，其特征在于，所述主导特征向量为四维熵特征与Holder系数特征联合特征向量。5.根据权利要求4所述的滚动轴承在线故障检测方法，其特征在于，...

【专利技术属性】
技术研发人员：应雨龙，李靖超，何家振，左冲，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31