一种依据轴承振动信号对其进行故障智能诊断的方法技术

本发明专利技术涉及机械设备的故障智能诊断方法，特别涉及一种依据轴承振动信号对其进行故障智能诊断的方法。该方法首先对原始振动信号进行粗粒化，分别提取每个粗粒序列的排列熵特征组成原始特征集，衡量振动信号在不同尺度上的复杂性；然后采用距离评估技术对原始特征进行评估，计算评估因子，并根据评估因子的大小从大量原始特征集中选择出少数敏感特征；最后将选择出的敏感特征作为支持向量机的输入，实现对轴承运行状态的自动识别。具有简单、可靠、易行，成本低，实时性强三维优点，适用于现场实时监测轴承的运行状态，有利于提高轴承的可靠性和安全性，为小样本轴承故障状态的诊断提供了新思路和新方法，具有重要的工程实用价值。

A method of intelligent fault diagnosis based on bearing vibration signal

The invention relates to an intelligent fault diagnosis method for mechanical equipment, in particular to an intelligent fault diagnosis method based on bearing vibration signals. Firstly, the original vibration signal is coarsened, and the ranking entropy features of each coarse-grained sequence are extracted to form the original feature set to measure the complexity of the vibration signal at different scales. Then, the distance evaluation technology is used to evaluate the original features, calculate the evaluation factors, and according to the size of the evaluation factors, the evaluation factors are large. A few sensitive features are selected from the original feature set. Finally, the selected sensitive features are used as the input of support vector machine to realize the automatic recognition of the running state of bearings. It has the advantages of simplicity, reliability, ease of operation, low cost and strong real-time. It is suitable for on-site real-time monitoring of the running state of bearings. It is conducive to improving the reliability and safety of bearings. It provides a new idea and method for the diagnosis of the fault state of small sample bearings and has important engineering practical value.

【技术实现步骤摘要】
一种依据轴承振动信号对其进行故障智能诊断的方法
本专利技术涉及机械设备的故障智能诊断方法，特别涉及一种依据轴承振动信号对其进行故障智能诊断的方法。
技术介绍
轴承作为机械设备的关键零部件之一，其运行状态直接影响到整台设备的使用性能和使用安全。因此，对轴承进行故障智能诊断研究具有十分重要的意义，是有效评估设备整体效能的迫切需要，对于延长设备使用寿命，保证其使用安全性具有重要的工程使用价值。依据轴承振动信号对其进行故障智能诊断是目前普遍采用且行之有效的方法。该方法包括信号采集、特征提取和选择以及状态识别三个环节，其中特征提取和选择是关键，状态识别是核心。只有保证了提取和选择特征的敏感性，状态识别方法的有效性，才能获得准确的诊断结果。轴承振动信号具有非线性、非平稳性以及故障特征微弱性的特点，而且工程实际中很难获得轴承在不同状态下的大量信号样本，其状态识别属于小样本问题。因此，难以实现轴承不同故障类型、不同故障程度的准确诊断。排列熵是一种对信号复杂度的度量，对时间具有较高的敏感性，能够较好地反映信号的微小变化，并且对于信号的微小变化具有放大作用，其应用领域也正从医学、生物、图像处理等领域延伸到机械故障诊断中。但是，排列熵只反映信号在单一尺度上的信息。因此，将多尺度排列熵用来反映信号在不同尺度因子下复杂性程度可以更好地解决故障智能诊断中的难题。但是现有技术存在的问题是：由于不相关特征和冗余特征的存在，导致现有的方法不仅不能提高诊断精度，而且影响诊断的成本和实时性。支持向量机是一种基于统计理论的机器学习方法，该方法借助于核方法与最优化方法在小样本工程问题中表现出了良好的性能，非常符合现实故障智能诊断的需要。但是现有技术存在的问题是：忽略了支持向量机的参数优化，极大地影响支持向量机的分类性能。
技术实现思路
本专利技术的目的是提供一种依据轴承振动信号对其进行故障智能诊断的方法，以克服现有技术存在的诊断精度低，诊断的成本高和实时性差的问题，同时要克服现有技术存在的支持向量机的分类性能不理想的问题。为达到以上目的，本专利技术是采取如下技术方案予以实现的：一种依据轴承振动信号对其进行故障智能诊断的方法，其特征在于，包含以下步骤：一、振动信号获取：通过数据采集系统，获取轴承在运行过程中的振动信号；二、特征提取：(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}建立其新的粗粒序列：其中，s＝1,2,L为正整数，称为尺度因子；(二)对于每一个粗粒序列，计算其排列熵，计算步骤如下：首先将粗粒序列{ys(n),n＝1,2,L,N/s}进行相空间重构，得到重构分量：Ys(i)＝{ys(i),ys(i+τ),L,ys(i+(m-1)τ)},i＝1,2,L,N/s-(m-1)τ其中，m为嵌入维数；τ为延迟时间。多尺度然后对于每一个重构分量Ys(i)，将其根据元素的数值大小按照升序重新排列为：ys(i+(j1-1)τ)≤ys(i+(j2-1)τ)≤L≤ys(i+(jm-1)τ)对于任意重构分量Ys(i)都可以将其映射到一组符号序列：S(l)＝(j1,j2,L,jm)其中，l＝1,2,L,K，且K≤m！。最后计算每一种符号序列出现的概率，并记为P1,P2,L,PK，按照信息熵的形式，将振动信号样本{ys(n),n＝1,2,L,N/s}的排列熵定义为：每一个振动信号样本提取到多个尺度下的排列熵特征，用来衡量振动信号在不同尺度上的复杂性；三、特征选择：假设一个具有C个类的特征集{qm,c,j，m＝1,2,K,Mc；c＝1,2,K,C；j＝1,2,K,J}其中：qm,c,j表示第c类第m个样本的第j个特征的特征值；Mc表示第c类的样本个数；J表示特征个数，具体步骤如下：(一)首先计算第c类第j个特征的类内距离：其中：Mc表示第c类的样本个数；J表示特征个数；C表示类别个数；qm,c,j、ql,c,j分别表示第c类第m个和第l个样本的第j个特征的特征值；然后计算第j个特征C个类的类内距离的平均值：(二)首先计算第c类Mc个样本第j个特征的平均值然后计算第j个特征C个类的类间距离的平均值其中：ue,j、uc,j分别表示第e和第c个类第j个特征的平均值；(三)计算第j个特征的评估因子：αj的大小反映了第j个特征对C个类进行分类的难易程度，αj越大表示第j个特征越敏感，更容易对C个类进行分类，选择大于一定阈值的αj所对应的特征构成敏感特征集；四、状态识别首先，采用已知状态类别的训练样本对支持向量机进行训练，产生支持向量机分类器。然后，将未知状态类别的测试样本输入到训练好的支持向量机分类器中，根据以下分类决策函数识别出测试样本所属的状态类别：其中：x表示未知样本；n表示训练样本个数。所述的评估因子阈值设定为所有评估因子的平均值。与现有技术相比，本专利技术的优点是：1、本专利技术实现了多尺度排列熵特征提取、距离评估敏感特征选择和支持向量机分类识别在算法上的混合。利用振动信号智能诊断轴承的运行状态，方法简单、可靠，成本低且实时性强，适用于现场实时监测轴承的运行状态，有利于提高轴承的可靠性和安全性，为小样本轴承故障状态的诊断提供了新思路，具有重要的工程实用价值。2、本专利技术在特征选择方面，采用距离评估技术从原始特征中选择出敏感特征，作为支持向量机的输入，提高分类的准确率，同时采用交叉验证法进行支持向量机的参数优化，进一步提高分类的准确率。附图说明下面结合附图及具体实施方式对本专利技术做进一步的详细说明。图1为本专利技术轴承故障智能诊断流程图。图2为图1中对振动信号样本进行粗粒化的示意图。图3为图1中对振动信号样本进行粗粒化后计算某一尺度下的排列熵的示意图。图4和图5分别为实验装置的实物图和结构示意图。图6为轴承在不同运行状态下的振动信号的时域波形图。图中横坐标表示时间，单位为s；纵坐标表示幅值，单位为g。图7为基于距离评估技术的敏感特征选择图。图中横坐标表示原始特征数目，纵坐标表示特征评估因子。图8为采用本专利技术方法的滚动轴承智能故障诊断结果，图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。图9和图10分别为基于距离评估技术的敏感多尺度样本熵特征选择图和采用敏感多尺度样本熵的支持向量机识别结果，以对比突出本专利技术方法在特征提取方面的优势。图9中横坐标表示原始特征数目，纵坐标表示特征评估因子。图10中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。图11为采用原始多尺度排列熵特征的支持向量机识别结果，以对比突出本专利技术方法在特征选择方面的优势。图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。图12为采用敏感多尺度排列熵特征的径向基神经网络识别结果，以对比突出本专利技术方法在状态识别方面的优势。图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。具体实施方式参照图1所示，为轴承故障智能诊断流程图，通过数据采集系统获得轴承在运行过程的振动信号；基于多尺度排列熵算法，提取每个样本信号的多尺度排列熵特征组成原始特征集；基于距离评估技术从大量原始特征集中选择出少数对轴承故障敏感的特征；将选择出的敏感特征作为支持向量机的输入，实现轴承故障状态的自动识别。本专利技术的设计原理是：通过减少不相关特征和冗余特征能够本文档来自技高网...

【技术保护点】
1.一种依据轴承振动信号对其进行故障智能诊断的方法，其特征在于，包含以下步骤：一、振动信号获取：通过数据采集系统，获取轴承在运行过程中的振动信号；二、特征提取：(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}建立其新的粗粒序列：

【技术特征摘要】
1.一种依据轴承振动信号对其进行故障智能诊断的方法，其特征在于，包含以下步骤：一、振动信号获取：通过数据采集系统，获取轴承在运行过程中的振动信号；二、特征提取：(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}建立其新的粗粒序列：其中，s＝1,2,L为正整数，称为尺度因子；(二)对于每一个粗粒序列，计算其排列熵，计算步骤如下：首先将粗粒序列{ys(n),n＝1,2,L,N/s}进行相空间重构，得到重构分量：Ys(i)＝{ys(i),ys(i+τ),L,ys(i+(m-1)τ)},i＝1,2,L,N/s-(m-1)τ其中，m为嵌入维数；τ为延迟时间。多尺度然后对于每一个重构分量Ys(i)，将其根据元素的数值大小按照升序重新排列为：ys(i+(j1-1)τ)≤ys(i+(j2-1)τ)≤L≤ys(i+(jm-1)τ)对于任意重构分量Ys(i)都可以将其映射到一组符号序列：S(l)＝(j1,j2,L,jm)其中，l＝1,2,L,K，且K≤m！。最后计算每一种符号序列出现的概率，并记为P1,P2,L,PK，按照信息熵的形式，将振动信号样本{ys(n),n＝1,2,L,N/s}的排列熵定义为：每一个振动信号样本提取到多个尺度下的排列熵特征，用来衡量振动信号在不同尺度上的复杂性；三、特征选择：假设一个具有C个类的特征集{q...

【专利技术属性】
技术研发人员：瞿金秀，丁锋，王文娟，孙金绢，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：陕西,61