滚动轴承故障诊断方法技术

本发明专利技术提出了一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，首先通过改进的分形盒维数从轴承振动信号中提取故障特征(包含能够反映轴承不同工作状态的更有用更易区分的信息)，接着，通过自适应灰色关联算法自动地识别出轴承的故障类型及不同的严重程度。本发明专利技术旨在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，能够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。

【技术实现步骤摘要】

本专利技术涉及一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法。
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却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
本专利技术要解决的技术问题是：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。为了解决上述技术问题，本专利技术的技术方案是提供了一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样，得到轴承振动信号数据样本，其中，不同的故障模式对应不同的故障类型及严重程度，且在轴承振动信号数据样本中，不同振动信号与不同故障模式一一对应；步骤2、通过改进的分形盒维数算法从轴承振动信号数据样本中提取每个振动信号的表征故障特征的主导特征向量，并根据不同振动信号与不同故障模式的对应关系，得到各主导特征向量与相应故障模式间的对应关系，其中，改进的分形盒维数算法包括以下步骤：步骤2.1、对振动信号x进行重采样，采样点数为2K；步骤2.2、对振动信号x进行K次相空间重构，每次相空间重构后计算一次分形盒维数，由得到的所有分形盒维数组成振动信号x的主导特征向量；步骤3、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4、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号，并通过改进的分形盒维数算法从实时振动信号中提取实时主导特征向量，基于步骤3建立的样本知识库，利用灰色关联算法计算实时主导特征向量与样本知识库中各主导特征向量的关联度，通过关联度得到待诊断滚动轴承所属的故障模式。优选地，在所述步骤2.2中，对振动信号x进行第k次相空间重构后得到的分形盒维数为Dk，此时，相空间维数为k+1维，分形盒维数Dk的计算步骤包括：步骤2.2.1、计算振动信号x在当前相空间的纵坐标尺度范围p(kε)，式中：ε为覆盖振动信号x的盒子的最小边长；N0为采样点的总数，N0＝2K；p1＝max{xk(i-1)+1，xk(i-1)+2，…，xk(i-1)+k+1本文档来自技高网...

【技术保护点】
一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样，得到轴承振动信号数据样本，其中，不同的故障模式对应不同的故障类型及严重程度，且在轴承振动信号数据样本中，不同振动信号与不同故障模式一一对应；步骤2、通过改进的分形盒维数算法从轴承振动信号数据样本中提取每个振动信号的表征故障特征的主导特征向量，并根据不同振动信号与不同故障模式的对应关系，得到各主导特征向量与相应故障模式间的对应关系，其中，改进的分形盒维数算法包括以下步骤：步骤2.1、对振动信号x进行重采样，采样点数为2K；步骤2.2、对振动信号x进行K次相空间重构，每次相空间重构后计算一次分形盒维数，由得到的所有分形盒维数组成振动信号x的主导特征向量；步骤3、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4、实时获取当前运行状态下的待诊断滚动轴承的实时振动信号，并通过改进的分形盒维数算法从实时振动信号中提取实时主导特征向量，基于步骤3建立的样本知识库，利用灰色关联算法计算实时主导特征向量与样本知识库中各故障模式的关联度，通过关联度得到待诊断滚动轴承的故障模式。...

【技术特征摘要】
1.一种基于改进的分形盒维数算法与自适应灰色关联理论算法的滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤1、对旋转机械中的对象滚动轴承在正常运行状态下及不同故障模式下的振动信号进行采样，得到轴承振动信号数据样本，其中，不同的故障模式对应不同的故障类型及严重程度，且在轴承振动信号数据样本中，不同振动信号与不同故障模式一一对应；步骤2、通过改进的分形盒维数算法从轴承振动信号数据样本中提取每个振动信号的表征故障特征的主导特征向量，并根据不同振动信号与不同故障模式的对应关系，得到各主导特征向量与相应故障模式间的对应关系，其中，改进的分形盒维数算法包括以下步骤：步骤2.1、对振动信号x进行重采样，采样点数为2K；步骤2.2、对振动信号x进行K次相空间重构，每次相空间重构后计算一次分形盒维数，由得到的所有分形盒维数组成振动信号x的主导特征向量；步骤3、根据主导特征向量...

【专利技术属性】
技术研发人员：李靖超，应雨龙，王英赫，董春蕾，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31