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 ...
【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
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。