【技术实现步骤摘要】
一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
本专利技术属于装备系统故障监测、诊断领域,具体涉及一种基于聚类分析的机械系统滚动轴承智能故障诊断方法。
技术介绍
随着科技的发展和社会的进步,各类型机械装备在工程中得到了广泛应用。滚动轴承是机械装备中的关键部件也是使用较多的部件。在运转过程中多种原因可能会造成滚动轴承损坏,如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下,经过一段时间运转,滚动轴承也会出现疲劳剥落、磨损、点蚀等故障,导致轴承不能正常工作。一般的轴承故障分为外圈故障、内圈故障、滚动体故障、保持架故障等类别。滚动轴承是机械装备中的重要零部件,一旦发生故障,有可能造成财产损失,严重的甚至会造成人员伤亡。所以对轴承故障的及时发现和诊断是非常重要的。传统的滚动轴承诊断方式,在诊断对象复杂时通常需要专家人工干预,不仅增加了人力成本,而且容易出现漏诊和误诊。因此,需要发展以人工智能为核心的智能故障诊断方法,辅助一般的操作人员,即使他们不掌握系统原理,也可借助人工智能进行可靠的决策。现有的智能故障诊断技术大多在诊断时只用单一的指标或几个指标组合来判断故障类型。但在对复杂对象的故障进行识别时,少数几个指标有时并不能完全表现故障特点,因此故障诊断的准确率低。虽然随着信号处理和特征提取技术的快速发展,越来越多的特征可以参与到对故障的诊断之中,但现有的诊断方法难以对信号分类提取故障信息特征,增加的特征使识别运算效率低,无法完成实时的故障诊断。因此需要一种改进的机械系统滚动轴承智能故障诊断方法 ...
【技术保护点】
一种基于聚类分析的机械系统滚动轴承智能故障诊断方法,包括两大部分,第一部分是训练诊断模型,第二部分是采用训练好的诊断模型对机械系统中的滚动轴承进行故障诊断;第一部分训练诊断模型的主要步骤如下:第一步:振动信号采集机械系统中的关键部件待检测的滚动轴承的轴承座上安装振动传感器,采集机械装备的振动信号x(t);振动传感器的信号线连接上位机,各轴承实时振动信息储存于上位机中为原始振动信号;本专利技术轴承故障分为外圈故障、内圈故障、滚动体故障、保持架故障,还有正常状态;C=5是轴承状态类别数,包括4种故障状态以及一种正常状态;在本训练诊断模型部分,采集外圈故障、内圈故障、滚动体故障、保持架故障和正常状态的五种轴承状态标准振动信号,上位机采集各振动信号后,将每种振动信号分成信号片段,每一段信号作为一个样本;每种轴承状态都有Num个样本,样本总数T=Num*C;第二步:信号分解上位机对采集到的信号x(t)进行集合经验模式分解得到各个频带的本征模态函数,即得到多个本征模式分量;集合经验模式分解中设置的参数包括添加高斯白噪声标准差和添加噪声的次数;上位机还对采集到的信号x(t)进行小波包分解得到分解后的 ...
【技术特征摘要】
1.一种基于聚类分析的机械系统滚动轴承智能故障诊断方法,包括两大部分,第一部分是训练诊断模型,第二部分是采用训练好的诊断模型对机械系统中的滚动轴承进行故障诊断;第一部分训练诊断模型的主要步骤如下:第一步:振动信号采集机械系统中的关键部件待检测的滚动轴承的轴承座上安装振动传感器,采集机械装备的振动信号x(t);振动传感器的信号线连接上位机,各轴承实时振动信息储存于上位机中为原始振动信号;本发明轴承故障分为外圈故障、内圈故障、滚动体故障、保持架故障,还有正常状态;C=5是轴承状态类别数,包括4种故障状态以及一种正常状态;在本训练诊断模型部分,采集外圈故障、内圈故障、滚动体故障、保持架故障和正常状态的五种轴承状态标准振动信号,上位机采集各振动信号后,将每种振动信号分成信号片段,每一段信号作为一个样本;每种轴承状态都有Num个样本,样本总数T=Num*C;第二步:信号分解上位机对采集到的信号x(t)进行集合经验模式分解得到各个频带的本征模态函数,即得到多个本征模式分量;集合经验模式分解中设置的参数包括添加高斯白噪声标准差和添加噪声的次数;上位机还对采集到的信号x(t)进行小波包分解得到分解后的子频带;小波分解层数L为2~10层;第三步:特征提取上位机分别对第一步采集的原始振动信号和第二步集合经验模式分解后的本征模式分量进行时域与频域特征提取。分别提取如下14个特征:31、均值Fm:式中x(n)是信号的时域序列,n=1,2,……N;N为振动样本点数;实际采集到的是连续信号x(t)的离散点,用x(n)表示采集的离散信号的时域序列,x(n)相当于x(t),其中n=1,2,……N;32、标准差Fstd:33、均方根值Frms:34、峰值指标Fp:Fp=max|x(n)|35、波形指标Fsf:36、峰值因子Fcf:Fcf=Fp/Frms37、脉冲指标Fif:38、裕度指标Fclf:39、峭度Fk:310、偏斜度Fs:311、频率均值Fmf:式中s(k)是信号x(n)的频谱,k=1,2,……K;K是谱线数;312、中心频率Fcf:式中fk是第k条谱线的频率值。313、频率均方根Frmfs:314、频率标准偏差Fstdf:对原始振动信号提取上述时域与频域指标,得到14个特征,设为特征集1;第二步原始振动信号集合经验模式分解后得到a个本征模式分量,对每个本征模式分量分别提取上述时域与频域指标,得到14×a个特征,设为特征集2;第二步原始振动信号小波包分解后得到B个子频带,分解L层中第l层的第j个子频带能量用公式(1)表示:是第j个子频带的成分,提取每个子频带能量作为特征得到B个特征,设为特征集3;以上三个特征集综合为原始特征集X,其中特征总数为14+14×a+B;第四步:优选特征41、敏感特征选择包含了C种轴承状态类别的特征矩阵为{fg,i,g=1,2,...,Num;i=1,2,...,I}C,本发明样本总数T=Num*C,为上述原始特征矩阵中的行数;I是特征种数,是上述原始特征矩阵中的列数,由第三步可知I=14+14×a+B;从各样本得到的特征总个数为Num×C×I=T×I,为上述原始特征矩阵的元素总数;fg,i是第g个样本的第i个特征值;所有的特征集合定义为{vt,i}t=1,2,...,T;i=1,2,...,I;自权重算法具体过程如下:411、vt,i进行正规化,得到正规化后的特征集{xt,i}412、计算自相似因子(self-similarityfactor)SFmt,iSFmt,i=||xm,i-xt,i||2,m,t=1,2...,T;i=1,2,...,I(3)413、对每个特征建立权重矩阵414、计算每个特征的自权重Swi根据步骤413得到的权重,计算每个特征的自权重SwiSwi=mean(Wi)(5)将所有特征的自权重值Swi从大到小排列,选出前R个自权重相对较大的特征作为去冗余的基础,此R个特征为敏感特征,得到敏感特征矩阵{xt,r};42、冗余特征去除利用AP算法去冗余步骤如下:421、敏感特征矩阵的转置步骤41选出的敏感特征矩阵{xt,r}=Xt,r化为转置阵422、AP算法的偏向参数用欧式距离建立Xr,t的相似矩阵Sim4,由公式7设置AP算法中的偏向参数P4。Sim4=-||Xr,t-Xr+i,t||2...
【专利技术属性】
技术研发人员:王衍学,韦泽贤,何水龙,鲍家定,蒋占四,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西,45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。