一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法技术

本发明专利技术公开了一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，使轴承故障诊断过程更加系统化，提高诊断方法的易操作性和实时性能；首先，应用自适应时频分析方法将非线性非平稳的轴承振动信号分解为若干个单组份分量；自适应时频分析方法可以选用经验模态分解、局部均值分解或者局部特征尺度分解方法；然后，对每一个单组份分量，提取其排列熵作为故障特征。PE能够反映信号的复杂性，并具有高鲁棒性和快速性；本发明专利技术提出MDTW方法，用以快速、准确地度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断，具有很好的实际工程应用价值。

【技术实现步骤摘要】
一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法
本专利技术涉及轴承变工况故障诊断的
，具体涉及一种基于排列熵(permutationentropy,PE)、流形改进动态时间规整(manifold-baseddynamictimewarping,MDTW)的自适应故障诊断方法。
技术介绍
轴承广泛应用于旋转机械，其健康状态直接影响整个旋转机械的正常运转，进而影响整个系统。近年来，轴承故障诊断已经成为研究的热点，尤其是基于振动信号的故障诊断，目前已经有较多有效的方法。轴承故障诊断的过程主要包括故障特征提取和故障状态确定两方面。本专利技术方法旨在使轴承故障诊断过程更加系统、高效、易操作，并保证较好的实时特性。对于如何提取有效的故障特征，问题的关键是如何处理非线性非平稳的轴承振动信号。传统的时域或频域分析方法在这种情况下是不适用的。近年来，研究学者提出了一些时频分析方法，其中的自适应时频分析方法得到了大量的关注，典型的方法有：经验模态分解(empiricalmodedecomposition,EMD)、局部均值分解(localmeandecomposition,LMD)和局部特征尺度分解(localcharacteristic-scaledecomposition,LCD)。EMD是1998年由N.E.Huang等人提出来的，而后在机械故障检测和诊断中得到了大量的应用。随后，2005年，JonathanS.Smith提出了LMD。与EMD相比，LMD保持了更好的局部特征，避免了欠包络和过包络问题，并且为单组分分量提供了更合理的物理解释。LCD是2012年由程军圣等学者在EMD的基础上提出来的，由于减少了无效的分量并避免了模态混淆问题，LCD的效果比EMD好。虽然，LMD和LCD都被证实过效果比EMD好，但是LMD与LCD的效果并没有对比过，而且EMD自诞生以来在很多故障诊断问题中都取得了良好的效果，所以，本专利技术方法不指定自适应时频分析方法。在工程实际应用中，可以分别利用这三种方法对轴承的振动信号进行处理，对比结果来确定最终方案。在分解原始振动信号得到单组分分量之后，基于单组分分量进一步提取故障特征。近年来，由于熵可以识别非线性参数，基于熵的方法被广泛应用于故障检测和诊断中，如近似熵、样本熵、模糊熵和多尺度熵。然而，近似熵过度依赖于数据长度；样本熵基于的单位阶跃函数在边界位置不连续，会出现阶跃现象；模糊熵基于隶属度函数的概念，很难进行准确地确定；多尺度熵的提出是基于样本熵的，只不过是从多个尺度上计算样本熵。为了分析信号的复杂性，Bandit和Pompe提出了排列熵的概念。由于排列熵有着简单、计算速度快、鲁棒性好、对非线性变换具有不变性的优点，已经在很多领域中得到了应用。随后，多尺度排列熵诞生，从多个不同的尺度上计算排列熵，但却无法揭示信号的本征尺度特征。而自适应时频分析方法可以反映信号的局部特征，基于单组分分量的排列熵可以提供更准确的故障信息。因此，本专利技术方法计算单组分分量的排列熵作为轴承的故障特征。对于故障状态确定，关键是准确地度量测试数据与样本数据之间的相似性。动态时间规整(dynamictimewarping,DTW)方法提出于1978年，最初是为了解决语音识别的问题。而后，作为一种模式匹配技术，DTW在很多其他领域得到了应用，如指纹验证、行为识别、在线签名验证、数据挖掘、计算机视觉和计算机动画、过程监测和故障诊断等。与其他模式匹配方法相比，DTW简单、容易，具有较好的实时能力。但是，在DTW算法中，相似性度量是基于欧式距离平方的，无法保证小数据样本间的可分离性，更无法反映数据的全局一致性。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，用以快速、准确地度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断。本专利技术采用的技术方案为：一种基于PE-MDTW的自适应轴承变工况故障诊断方法，步骤如下：步骤(1)、应用自适应时频分析方法分解原始振动信号，得到若干个单组分信号分量；步骤(2)、针对每一个单组分信号分量，提取其稳定的排列熵作为故障特征值，以减小工况变化对特征值的影响；步骤(3)、基于提取的故障特征向量，应用MDTW度量测试数据与训练数据之间的相似性，从而确定当前数据对应的故障状态，实现故障分类。进一步的，所述的步骤(1)具体为：应用自适应信号处理方法对轴承非线性非平稳的原始振动信号x(t)进行处理，获得若干个单组分信号分量。这里的自适应信号处理方法可选用EMD、LMD或者LCD中的一种。为了保证故障诊断过程的实时性，对原始振动信号进行分割，经过大量反复试验每次只分析1024个点，效果最好。进一步的，所述的步骤(2)具体为：对每一个单组分信号分量，提取其稳定的排列熵作为故障特征值，以减小工况变化对特征值的影响。过程如下：(1)设原始振动信号为x(t)，经时频分析方法处理，x(t)被分解为m个单组分分量ci(t)和一个残余分量v(t)，即，x(t)＝c1(t)+c2(t)+…+cm(t)+v(t)；(2)对每一个单组分分量ci(t)，计算其排列熵为PEi，而向量W＝[PE1,PE2,…,PEm]就是原始振动信号的一个故障特征向量。进一步的，所述的步骤(3)具体为：在提取的排列熵特征向量的基础上，应用实时性、相似性度量效果更好的MDTW方法计算测试数据与各样本数据之间的距离，进而判断当前数据的故障状态，从而实现轴承的故障诊断。过程如下：(1)首先，对各种健康状态下的原始振动信号，进行时频分解并提取排列熵特征向量，作为后续健康状态分类时的样本特征矩阵，设共有k种健康状态的数据，则该样本特征矩阵V＝[W1,W2,…,Wk]，其中Wi为第i种健康状态的特征向量；(2)然后，对于任一待确定状态的振动信号，通过时频分析方法分解信号，并提取其排列熵特征向量；(3)应用MDTW算法度量待确定状态的特征向量与样本特征矩阵中各个特征向量的相似性，度量值越小，证明当前待确定的状态与该标签特征向量的状态越接近，从而确定当前数据的健康状态。本专利技术与现有技术相比的优点在于：(1)针对轴承工况条件复杂多变，现有诊断方法流程复杂、实时性差的现状，提出了一种轴承自适应故障诊断的有效方法，提高了诊断过程的实时性，加强了不同故障状态间的可分离性，进而改善了故障分类的效果。(2)、针对轴承振动信号非线性非平稳非高斯的特点，应用自适应非线性时频分析方法将原始振动信号分解若干个单组分分量，得到了原始信号完整的时频分布。(3)、提取每个单组分分量的排列熵作为故障特征，提高了故障特征的稳定性和特征计算的快速性，减小了工况条件变化对特征值的影响并提高了方法的实时性能。(4)应用MDTW度量测试数据与样本数据间的相似性，提高了小数据间的可分离性和模式匹配的实时性，提高了轴承变工况下故障分类的效果。所述步骤(2)中计算每一个单组分分量的排列熵作为故障特征值，由此获取更加稳定的特征向量以减小工况变化对特征向量的影响。附图说明图1为MDTW度量距离的效果案例图；图2为轴承故障诊断方法的整体流程图；图3为华盛顿天主教大学轴承数据中心的试验台示意图；图4为不同本文档来自技高网...

【技术保护点】
一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，其特征在于实现步骤如下：步骤(1)、应用自适应时频分析方法分解原始振动信号，得到若干个单组分信号分量；步骤(2)、计算每个单组分分量的排列熵作为故障特征，减小工况变化对特征值的影响；步骤(3)、基于提取的故障特征向量，应用流形改进动态时间规整(MDTW)度量测试数据与训练数据之间的相似性，从而确定当前数据对应的故障状态，实现故障分类，从而实现故障诊断。

【技术特征摘要】
1.一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，其特征在于实现步骤如下：步骤(1)、应用自适应时频分析方法分解原始振动信号，得到若干个单组分信号分量；步骤(2)、计算每个单组分分量的排列熵作为故障特征，减小工况变化对特征值的影响；步骤(3)、基于提取的故障特征向量，应用流形改进动态时间规整(MDTW)度量测试数据与训练数据之间的相似性，从而确定当前数据对应的故障状态，实现故障分类，从而实现故障诊断；所述步骤(2)计算每个单组分分量的排列熵作为故障特征的过程如下：(1)设原始振动信号为x(t)，经时频分析方法处理，x(t)被分解为m个单组分分量ci(t)和一个残余分量v(t)，即，x(t)＝c1(t)+c2(t)+…+cm(t)+v(t)；(2)对每一个单组分分量ci(t)，计算其排列熵为PEi，而向量W＝[PE1,PE2,…,PEm]就是原始振动信号的一个故障特征向量；所述步骤(3)基于提取的故障特...

【专利技术属性】
技术研发人员：吕琛，田野，秦维力，周博，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11