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方案

本发明专利技术为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，先训练诊断模型：包括采集外圈、内圈、滚动体和保持架故障及正常五种轴承状态标准振动信号样本；信号分解，原始振动信号和分解后分量的时域与频域特征提取，得原始特征集；自权重算法和AP聚类去除冗余得Z个优选特征；再次用AP聚类，完成样本状态分类，得到训练好的诊断模型。故障诊断时采集轴承实时振动信息，信号分解，提取模型确定的优选特征，导入AP按诊断模型参数聚类，与模型中已知的Z个特征比较，得到当前未知信号类别，完成故障诊断。本发明专利技术同时使用EEMD与WPT分解振动信号，获取更多精细的轴承状态信息，自权重法和AP聚类增加诊断的智能化，保证精确诊断。

【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，能够采用更多的信号特征，且运算效率高，故障诊断的准确率高。
技术实现思路
本专利技术目的在于提供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，该方法通过采集滚动轴承的振动信号；采用EEMD和WPT算法分解振动信号得到更精细轴承状态信息；提取时域，频域特征，组合成为原始特征矩阵；将原始特征矩阵输入自适应特征选择算法剔除非敏感和冗余的特征，从而得到优选特征矩阵；最后优选特征矩阵输入AP算法，得到故障聚类结果，完成识别不同故障的诊断模型的训练，实际使用时，当前采集的未知振动信号导入完成训练的诊断模型，用AP算法与其匹配，诊断当前机械系统的轴承状态。本专利技术设计的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。所述振动传感器为压电加速度传感器、位移传感器和电涡流位移传感器中的任一种。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，即无故障状态，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，Num是每种轴承状态的样本个数；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(EEMD)得到各个频带的本征模态函数(IMF)，即得到多个本征模式分量(IMF分量)。集合经验模式分解EEMD中设置的参数包括添加高斯白噪声标准差(Nstd)和添加噪声的次数(Ensemblenumber,NE)。本专利技术Nstd值设置为信号标准差的0.1～0.2倍；NE值设置为信号点数的0.08～0.15。由于集合经验模式分解是自适应分解，得到的本征模式分量的具体个数由当前采集信号决定。上位机还对采集到的信号x(t)进行小波包分解(WPT)得到分解后的子频带。本专利技术的小波包分解采用DB(Daubechies)系列小波基函数。DB系列小波基函数，具有N阶消失矩，又具有紧支撑性的正交小波基，并且是近似对称的，满足本专利技术小波包分解所需的紧支撑性和至少1阶以上的消失矩，以及连续可微性和对称性，可有效地提取振动信号的故障特征。本专利技术的小波包分解采用5～10阶消失矩的DB系列小波基函数。小波分解层数L为2～10层。根据采样频率大小确定分析频率范围，从而确定小波分解层数。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(Mean)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(Standarddeviation)Fstd:33、均方根值(Rootmeansquare)Frms:34、峰值指标(Peak)Fp:Fp＝max|x(n)|35、波形指标(ShapeFactor)Fsf:36、峰值因子(CrestFactor)Fcf:Fof＝Fp/Frms37、脉冲指标(ImpulseFactor)Fif:38、裕度指标(ClearanceFactor)Fclf:39、峭度(Kurtosis)Fk:310、偏斜度(Skewness)Fs:311、频率均值(Meanfrequency)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(Centerfrequency)Fcf:式中fk是第k条谱线的频率值。313、频率均方根(Rootmeansquarefrequency)Frmfs:314、频率标准偏差(Standarddeviationfrequency)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：优选特征在第三步中所得原始信号和其集合经验模式分解后的本征模式分量信号进行特征提取，以及原始信号小波包分解后的子频带能量特征构成了原始特征集X，特征数量巨大，其中包含了一定量的冗余特征与非敏感特征，因上述所列出的14种时频域特征中，存在着对故障不敏感的特征。如果人工一一检查每个特征的敏感性，显然费时费力。本专利技术提出了一种自适应特征选择方法，对每个特征进行评价，用于去除原始特征集X中的冗余特征与非敏感特征，挑选出最优特征。本自适应特征选择方法不需要先验知识参照，而是根据特征本身的特性来决定该特征是否被去除。该方法包含两个主要步骤，一是敏感特征选择，二是冗余特征去除。41、敏感特征选本文档来自技高网...

【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F...

【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