面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法制造技术

本发明专利技术公开了一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，传感器采集轴承运行噪声信号；噪声信号按时间序列分割，组成样本集；对样本提取时频域特征，得到时频域一维特征行向量；采用平均影响值算法实现特征变量一次筛选，获取敏感特征集，并对平均影响值相似特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。本发明专利技术利用基于网络的特征平均影响值和特征熵在特征选择和特征分类中的互补性，克服轴承噪声诊断中特征选择与神经网络分类算法相互孤立的不足，使时频域特征指标更好地反映轴承运行状态和分类网络特性。

A diagnosis algorithm for bearing state noise based on network variable filter and feature entropy fusion

The invention discloses a network variable selection and feature fusion algorithm for entropy noise diagnosis bearing state, sensor bearing operation noise signal; noise signal is divided according to time sequence, the composition of the sample set; on frequency characteristics of sample extraction, get a time-frequency domain dimension vector; value algorithm to achieve a screening of the characteristic variables the average effect, obtain sensitive feature sets, and the mean impact value through feature entropy calculation sensitive feature set to feature two selection and dimension similarity features, so as to obtain the final feature set for training; and the establishment of fault diagnosis model based on support vector machine PSO or GA optimization, determine the output results of bearing fault types and. The invention utilizes the characteristics of network average complementary value and characteristic entropy in feature selection and classification based on feature selection and overcome the shortcomings of neural network classification algorithm in the diagnosis of bearing noise isolated, the time-frequency characteristic index better reflect the bearing running state and the classification of network characteristics.

【技术实现步骤摘要】
面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
本专利技术涉及一种轴承噪声诊断算法，具体涉及一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法。
技术介绍
滚动轴承是旋转机械中的重要组件，也是旋转机械中比较常见且易损坏的部件，它在旋转机械中起关键作用，其工作状态正常与否直接影响整台机组的性能，噪声作为一种机械波，通过振动向周围媒介辐射能量，蕴含有丰富的机器状态信息。与振动诊断技术相比，它具有非接触测量、传感器安装灵活、不影响设备正常工作和在线监测等一系列优点，尤其适用于振动信号不易测量的场合。轴承噪声诊断是通过对轴承由于变形、剥落或裂纹等原因产生的弹性波监测来实现对轴承工况的诊断。对故障信号进行时、频域多维特征提取可完整描述不同故障模式，但高维特征向量存在的冗余信息会造成维数灾难，并增大后续计算时间。通过特征提取算法选择出主要的特征因子是模式识别研究领域的关键问题。然而传统的降维方法如主成分分析法，线性判别式分析法都局限于处理线性特征，滚动轴承振动信号特征集往往存在复杂的非线性关系，因此传统单一降维方法面临挑战。目前滚动轴承故障诊断算法一般采用基于数据驱动的机器学习算法，如神经网络、模糊识别、贝叶斯分类等，都存在训练时间长或者分类精度低的缺点。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，实现两种降维算法互补，使时频域特征指标更好地反映滚动轴承运行状态，且训练时间短、诊断精度高。为了实现上述目的，本专利技术采用的技术方案是：一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，包括以下步骤：a.传感器采集滚动轴承的运行噪声信号；b.噪声信号按时间序列分割，组成样本集；c.对样本提取时频域特征，得到时频域一维特征行向量；d.采用平均影响值算法（MeanImpactValue,MIV）实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；e.利用PSO（ParticleSwarmOptimization,粒子群优化算法）或GA（GeneticAlgorithm,遗传算法）优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。进一步的，所述的步骤c中提取每个样本的时频域特征包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征指标，得到时频域一维特征行向量。进一步的，所述的步骤b中噪声信号按时间序列分割获得样本集，每个样本集记为，，其中，，n为轴承旋转一周的采样点数。进一步的，所述的步骤d中对时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维。为实现可视化，选取最大的3个特征为最终特征集与现有技术相比，本专利技术提出了一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，通过采集不同运行状态滚动轴承噪声信号，按时间序列划分得到多组样本集，提取时频域特征，构成时频域数据特征集；通过平均影响值与特征熵算法选择敏感特征指标，去除时频域特征集的冗余特征，并采用PSO或GA优化的支持向量机训练故障诊断模型，故障诊断精度和训练速度都得到明显提高且方法简便易于操作；克服轴承噪声诊断中特征选择与神经网络分类算法相互孤立的不足，实现两种降维算法互补，使时频域特征指标更好地反映滚动轴承运行状态，且训练时间短、诊断精度高。附图说明图1为本专利技术故障诊断方法流程图；图2为本专利技术实施例中轴承正常状态的运行噪声信号图；图3为本专利技术实施例中轴承内圈故障状态的运行噪声信号图；图4为本专利技术实施例中轴承外圈故障状态的运行噪声信号图；图5为本专利技术实施例中轴承滚动体故障状态的运行噪声信号图；图6为本专利技术实施例中轴承组合故障状态的运行噪声信号图；图7为本专利技术实施例中实验特征平均影响值指标图；图8为本专利技术实施例中实验特征测试集的降维聚类实际分布图；图9为本专利技术实施例中实验使用PSO优化测试集的预测聚类图；图10为本专利技术实施例中实验使用GA优化测试集的预测聚类图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术包括以下步骤：a.传感器采集滚动轴承的运行噪声信号，通过传感器测得滚动轴承的噪声信号记为，，为信号长度；b.噪声信号按时间序列分割，组成样本集，每个样本集记为，，其中，，n为轴承旋转一周的采样点数；c.对样本提取时频域特征，得到时频域一维特征行向量；噪声作为一种机械波，通过振动向周围媒介辐射能量，蕴含有丰富的机器状态信息。与振动诊断技术相比，它具有非接触测量、传感器安装灵活、不影响设备正常工作和在线监测等一系列优点，尤其适用于振动信号不易测量的场合。因此，本专利技术采用时频域分析法，提取每个样本的时频域特征，包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、频域均方根、峰值因子、中位数、时域标准差、频域面积分、频域标准差、频域曲线积分、频域幅值求和等19个时频域特征。提取的部分时频域特征计算公式如下：d.对提取的时频域一维特征行向量所形成的数据特征集随机分配训练样本、交叉验证样本和测试样本，通过交叉验证方法，采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集。具体计算方法如下：(1)在网络训练终止后，将训练样本P中每一特征变量在其原值的基础上分别加、减10％构成新的两个训练样本P1和P2，并将P1和P2分别作为仿真样本利用已建成的网络进行仿真，得到两个新的仿真结果A1和A2；(2)计算A1和A2的差值，并作为变动该自变量后对输出产生的影响变化值(ImpactValue，IV)；(3)将IV按观测例数平均得出该自变量对于应变量的输出平均影响值；(4)重复以上步骤依次算出各个特征变量的平均影响值；(5)根据平均影响值绝对值的大小为各自变量排序，得到各自变量对输出影响相对重要性的位次表，从而判断出输入特征对于结果的影响程度，即实现了敏感特征筛选；(6)假设同一类内存在m个n维敏感特征向量ui＝(xi,1,xi,2,xi,3,…,xi,n)组成m*n维特征矩阵W＝[u1,u2,…,um]T。对特征向量进行归一化处理，则为特征矩阵的均值向量；为了计算同一类内样本特征的特征熵，计算W中各个向量到均值向量的距离：其中，k表示特征编号；根据将δk平均N1等分获得N1个区间：以第k个特征为例，统计每个区间内元素的个数pi(i＝1,…本文档来自技高网...

【技术保护点】
一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，包括以下步骤：a. 传感器采集滚动轴承的运行噪声信号；b. 噪声信号按时间序列分割，组成样本集；c. 对样本提取时频域特征，得到时频域一维特征行向量；d. 采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；e. 利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

【技术特征摘要】
1.一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，包括以下步骤：a.传感器采集滚动轴承的运行噪声信号；b.噪声信号按时间序列分割，组成样本集；c.对样本提取时频域特征，得到时频域一维特征行向量；d.采用平均影响值算法实现特征变量的一次筛选，获取敏感特征集，并对平均影响值相似的特征通过计算敏感特征集的特征熵来进行特征二次筛选与降维，从而获得最终特征集；e.利用PSO或GA优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。2.根据权利要求1所述的一种面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法，其特征在于，所述的步骤c中提取每个样本的时频域特征包括时域平均值、时域过零点数、时域最大值、时域最小值、时域均方根、偏度、峰度、形状指标、脉冲指标、时域曲线积分、频域过零点数、...

【专利技术属性】
技术研发人员：王刚，宁永杰，于嘉成，陈尚卿，赵小虎，赵志凯，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32