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 ...
【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
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。