滚动轴承故障模式识别及状态监测的特征向量提取方法技术

本发明专利技术公开了一种滚动轴承故障模式识别及状态监测的特征向量提取方法，其提出使用滚动轴承振动信号的时间小波能量谱模糊熵作为特征向量，既能实现滚动轴承故障模式识别，又能实时监测滚动轴承的运行状态，及时诊断滚动轴承运行过程中早期故障的发生。该方法提出的时间小波能量谱模糊熵特征向量提取方法，能同时用于滚动轴承不同故障类型模式识别和运行状态监测，克服了传统方法分别处理这两个问题的缺陷，极大地拓展了类似研究方法用于滚动轴承故障诊断的范围，并且时间小波能量谱模糊熵作为一个单一的特征向量，相比多特征向量分析方法故障模式识别效率更高。相比传统的滚动轴承运行状态监测指标，用于监测滚动轴承运行状态更为及时和准确。

【技术实现步骤摘要】

本专利技术涉及一种滚动轴承故障模式识别及状态监测的特征向量提取方法，属于机械故障诊断与信号处理

技术介绍
滚动轴承是传动机械中的核心组成部件，对于保持转动轴的位置和旋转精度具有举足轻重的作用，根据各方面的统计结果，滚动轴承是旋转机械设备中出现故障损坏率最高的部件之一。滚动轴承发生故障可能会造成整个机械系统停机，引起严重的经济损失，甚至带来灾难性的事故。随着计算机技术的迅速发展，采用基于信号处理技术结合智能诊断方法对滚动轴承进行不同类型故障模式识别和运行状态监测已经越来越广泛。在滚动轴承振动信号中提取出有关故障特征的相关信息，并将其转化为输入智能诊断方法的特征向量，是采用智能方法对滚动轴承进行故障模式识别和运行状态监测的关键。近年来，熵理论快速发展，各种熵理论方法被逐步引入到机械设备故障诊断当中，熵理论方法在用于信号中特征信息提取时，显示了很大的优势。熵理论可以将一组信号序列量化为一个单一特征值，能准确反应出信号中蕴含的特征信息，其中，相比Shannon熵、近似熵、样本熵，模糊熵的计算结果对数据长度的要求很低，计算结果一致性好，尤其在随参数连续平滑变化和相似性度量模糊化方面具有很好的优势，现在已逐步应用于滚动轴承的故障特征向量提取中。传统方法往往将滚动轴承故障模式识别和运行状态监测作为两个独立的问题分别进行处理，进而分别提出不同的解决方法，两者之间并没有兼容性，并没有一个统一的特征向量能同时用于滚动轴承的故障模式识别和运行状态监测。传统用于滚动轴承不同故障类型模式识别的方法往往需要计算多个特征向量，多个特征向量计算方法大大增加了滚动轴承不同故障类型模式识别的时间，故障模式识别效率较低。传统用于滚动轴承运行状态监测的特征向量主要是峭度指标和均方根值指标，这个两个特征向量虽然可以绘制出滚动轴承的运行状态曲线，但是用于监测滚动轴承运行状态的实时性较差，很难及时监测出滚动轴承早期故障的发生，很难满足现代机械工业中实时监测滚动轴承运行状态的需求。而在现有技术中，并没有相关的特征向量提取方法能很好的统一解决滚动轴承故障模式识别与运行状态监测这两个问题。这也成为本领域技术人员亟需解决的问题。
技术实现思路
本专利技术所要解决的技术问题是提供了一种同时实现滚动轴承故障模式识别和实时监测滚动轴承的运行状态，更加及时、准确地实现滚动轴承故障模式识别及状态监测的特征向量提取方法。本专利技术采用如下技术方案如下：一种滚动轴承故障模式识别及状态监测的特征向量提取方法，其步骤如下：步骤1、采用Hermitian小波作为小波基函数对滚动轴承故障振动信号进行连续小波变换，计算得到滚动轴承故障振动信号的时间小波能量谱序列，具体方法如下：根据高斯函数表达式，分别计算其一阶导数和二阶导数，进而建立Hermitian小波基函数；获取滚动轴承故障振动信号，采用Hermitian小波对滚动轴承故障振动信号进行连续小波变换，得到滚动轴承故障振动信号连续小波变换结果；根据信号小波变换过程中能量守恒原理，得到信号时间小波能量谱的数学表达式，进而计算得到滚动轴承故障振动信号连续Hermitian小波变换后时间小波能量谱序列；步骤2、根据模糊熵理论描述所述滚动轴承故障振动信号复杂程度的优良性质，计算时间小波能量谱序列的模糊熵值，具体方法如下：根据经验选取模糊熵理论中相关参数，建立模糊熵计算推导公式，进而计算时间小波能量谱序列的模糊熵值；步骤3、根据滚动轴承不同故障模式下，所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的差异，采用时间小波能量谱序列的模糊熵值作为特征向量，用于识别滚动轴承不同类型的故障模式；同时，根据滚动轴承运行过程中，正常工况与故障工况时所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的变化，采用时间小波能量谱序列的模糊熵值绘制曲线图，监测滚动轴承的运行状态，具体方法如下：根据滚动轴承不同故障模式下的滚动轴承故障振动信号，不同故障模式包括正常、内圈故障、外圈故障和滚动体故障，分别建立不同故障模式下数据样本集合，随机抽取样本分别构建滚动轴承在单一故障模式下的训练样本集合和测试样本集合；根据时间小波能量谱序列的模糊熵值求解过程，分别计算滚动轴承不同故障模式下训练样本集合和测试样本集合中各个信号样本的时间小波能量谱序列的模糊熵值，从而提取出滚动轴承不同故障模式下的特征向量；根据支持向量机分类模型，选取径向基核函数建立“一对多”类型的支持向量机分类器，并确定支持向量机分类器中的相关参数；根据支持向量机分类模型的识别过程，首先将滚动轴承不同故障模式下训练样本的特征向量输入到支持向量机分类器中，对支持向量机器进行训练，然后将全部测试样本输入到支持向量机，进行最终的滚动轴承不同故障模式的识别，根据支持向量机输出结果完成对滚动轴承不同故障模式的分类识别；根据滚动轴承整体的运行过程，按照运行时间顺序在不同的时间节点处获取振动信号样本，从而构建滚动轴承随时间运行的信号样本集合；计算滚动轴承样本集合中每个样本信号的时间小波能量谱序列的模糊熵值，并按照相应信号样本的时间顺序绘制时间小波能量谱序列的模糊熵值的变化曲线，所述曲线的横坐标为滚动轴承运行时间，纵坐标为每个数据样本的时间小波能量谱模糊熵的数值；时间小波能量谱序列的模糊熵值的变化曲线可以监测滚动轴承的整个运行过程，在滚动轴承正常运行时，时间小波能量谱序列的模糊熵值的数值变化幅度较小，波动趋势较为平稳；当轴承运行出现故障时，在故障发生的时刻，信号的小波能量分布会出现峰值，进而导致信号时间小波能量谱序列复杂程度发生变化，时间小波能量谱序列的模糊熵值会出现明显的波动，通过监测时间小波能量谱序列的模糊熵值的变化曲线走势可以监测滚动轴承的运行状态。本专利技术的有益效果如下：本方法提出使用滚动轴承振动信号的时间小波能量谱模糊熵作为特征向量，既能实现滚动轴承故障模式识别，又能实时监测滚动轴承的运行状态，及时诊断滚动轴承运行过程中早期故障的发生。该方法提出的时间小波能量谱模糊熵特征向量提取方法，能同时用于滚动轴承不同故障类型模式识别和运行状态监测，克服了传统方法分别处理这两个问题的缺陷，极大地拓展了类似研究方法用于滚动轴承故障诊断的范围，并且时间小波能量谱模糊熵作为一个单一的特征向量，相比多特征向量分析方法故障模式识别效率更高。相比传统的滚动轴承运行状态监测指标，用于监测滚动轴承运行状态更为及时和准确。本专利技术中能够同时用于滚动轴承故障模式识别与运行状态监测，极大提高了滚动轴承故障诊断的效率。本专利技术通过模糊熵理论将一组时间小波能量谱序列转为一个特征向量，相比多特征向量方法用于滚动轴承故障模式识别，识别过程更简单，效率更高。本专利技术能准确反应滚动轴承运行过程中振动特征信息的变化，对滚动轴承各类型早期故障较为敏感，相比传统的峭度等指标，能准确地监测滚动轴承的运行状态。附图说明图1是本专利技术中时间小波能量谱序列的模糊熵值作为特征向量计算过程的整体结构示意图；图2是本专利技术中采用时间小波能量谱序列的模糊熵值用于滚动轴承不同故障模式识别的结构示意图；图3是本专利技术中采用时间小波能量谱序列的模糊熵值用于滚动轴承状态监测过程的结构示意图；图4是本专利技术实施例中在滚动轴承不同故障模式下支持向量机输出结果的示意图；图5是本专利技术实施例中滚动轴承本文档来自技高网...

【技术保护点】
一种滚动轴承故障模式识别及状态监测的特征向量提取方法，其特征在于：其步骤如下：步骤1、采用Hermitian小波作为小波基函数对滚动轴承故障振动信号进行连续小波变换，计算得到滚动轴承故障振动信号的时间小波能量谱序列；步骤2、根据模糊熵理论描述所述滚动轴承故障振动信号复杂程度的优良性质，计算时间小波能量谱序列的模糊熵值；步骤3、根据滚动轴承不同故障模式下，所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的差异，采用时间小波能量谱序列的模糊熵值作为特征向量，用于识别滚动轴承不同类型的故障模式；同时，根据滚动轴承运行过程中，正常工况与故障工况时所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的变化，采用时间小波能量谱序列的模糊熵值绘制曲线图，监测滚动轴承的运行状态。

【技术特征摘要】
1.一种滚动轴承故障模式识别及状态监测的特征向量提取方法，其特征在于：其步骤如下：步骤1、采用Hermitian小波作为小波基函数对滚动轴承故障振动信号进行连续小波变换，计算得到滚动轴承故障振动信号的时间小波能量谱序列；步骤2、根据模糊熵理论描述所述滚动轴承故障振动信号复杂程度的优良性质，计算时间小波能量谱序列的模糊熵值；步骤3、根据滚动轴承不同故障模式下，所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的差异，采用时间小波能量谱序列的模糊熵值作为特征向量，用于识别滚动轴承不同类型的故障模式；同时，根据滚动轴承运行过程中，正常工况与故障工况时所述滚动轴承故障振动信号的时间小波能量谱序列复杂性的变化，采用时间小波能量谱序列的模糊熵值绘制曲线图，监测滚动轴承的运行状态。2.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法，其特征在于：所述步骤2中计算时间小波能量谱序列的模糊熵值的方法如下：2-1、获取滚动轴承故障振动信号及Hermitian小波基函数，输出所述滚动轴承故障振动信号连续小波变换后的结果；2-2、获取所述滚动轴承故障振动信号的连续小波变换结果，输出时间小波能量谱序列；2-3、获取模糊熵理论相关参数及所述时间小波能量谱序列，输出时间小波能量谱序列的模糊熵值。3.根据权利要求1所述的滚动轴承故障模式识别及状态监测的特征向量提取方法，其特征在于：所述步骤3中时间小波能量谱序列的模糊熵值用于滚动轴承不同类型的故障模式识别及滚动轴承的运行状态监测的具体方法如下：3-1、获取传感器所采集的滚动轴承多个不同故障模式的滚动轴承故障振动信号，采用Hermitian小波作为小波基函数，输出滚动轴承故障振动信号连续小波变换后的系数，计算得到小波系数的时间小波能量谱序列；3-2、获取模糊熵计算中的相关参数，输出滚动轴承不同故障模式下滚动轴承故障振动信号时间小波能量谱序列...

【专利技术属性】
技术研发人员：邓飞跃，杨绍普，郭文武，潘存治，郝如江，申永军，刘永强，刘鹏飞，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13