【技术实现步骤摘要】
一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法
本专利技术涉及一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，属于旋转机械滚珠轴承状态监测与故障诊断
技术介绍
滚珠轴承由于摩擦阻力小、结构简单、价格低廉、润滑性能好等优点而被广泛应用于旋转机械。作为机械设备微小零部件之一，它具有承受载荷、传递动力和力矩的功能，在机械设备中起着举足轻重的作用，特别是旋转机械系统中的核心组成部件。作为机械设备中连接旋转部件与固定部件的“关节”，滚珠轴承在运行过程中会受到多种交变载荷的作用，随着时间的推移，其运行状态会不可避免的发生变化。另外，由于加工误差、安装或操作不当以及工作磨损等原因，轴承元件表面也会出现不同程度的损伤，这使得滚珠轴承是机械设备中最容易发生故障的部件之一。据相关资料统计：在旋转机械发生的故障中，大约有30％的故障是由于滚珠轴承发生故障而引起的；电机故障中约有40％是滚珠轴承故障造成的；齿轮箱发生的各类故障中，轴承的故障率仅次于齿轮，比例大约占到19％。滚珠轴承出现故障后会影响设备中其他部件的正常运行，进而引发一系列的...
【技术保护点】
1.一种基于K‑means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，其特征在于该方法包括以下步骤：(1)设定旋转机械滚珠轴承的故障集合Θ＝{F1,...,Fi,...,FN|i＝1,2,...,N}，Fi表示故障集合Θ中的第i个故障，N为滚珠轴承所含故障模式的个数；(2)设f1,i，f2,i和f3,i为能够反映故障集合Θ中每个故障Fi的故障特征参数，该特征参数为加速度信号，分别由安装在电机壳体驱动端、风扇端12点钟位置和电机基座的加速度传感器提供，将f1,i(t)，f2,i(t)，f3,i(t)和Fi表示成样本集合Mi＝{[f1,i(t),f2,i(t),f3,i(t)...
【技术特征摘要】
1.一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，其特征在于该方法包括以下步骤：(1)设定旋转机械滚珠轴承的故障集合Θ＝{F1,...,Fi,...,FN|i＝1,2,...,N}，Fi表示故障集合Θ中的第i个故障，N为滚珠轴承所含故障模式的个数；(2)设f1,i，f2,i和f3,i为能够反映故障集合Θ中每个故障Fi的故障特征参数，该特征参数为加速度信号，分别由安装在电机壳体驱动端、风扇端12点钟位置和电机基座的加速度传感器提供，将f1,i(t)，f2,i(t)，f3,i(t)和Fi表示成样本集合Mi＝{[f1,i(t),f2,i(t),f3,i(t),Fi]|t＝1,2,…,Si}，其中[f1,i(t),f2,i(t),f3,i(t),Fi]为一个样本向量，Si表示故障为Fi状态下的采样个数，取Si≥300；分别采样各个故障状态下的样本数据，并将其表示为集合形式共计可获得δ个样本，|M|表示集合M中元素的个数；(3)将故障Fi状态下获取的样本数据f1,i(t)，f2,i(t)和f3,i(t)表示成样本集合Mi'＝{[f1,i(t),f2,i(t),f3,i(t)]|t＝1,2,...,Si}，分别采样各个故障状态下的样本数据，并将其表示为集合形式满足δ＝|M|＝|M'|，|M'|表示集合M'中元素的个数；通过K-means聚类将M'中获取的δ个样本数据聚成K类，记为T1,T2,…,TK，其中K≥3；将M中的样本向量归入T1,T2,…,TK中，可得到Tk类对应的样本集Qk＝{[f1,k(uk),f2,k(uk),f3,k(uk),Fk(uk)]|uk＝1,2,…,Uk}，并有Qk∈M，Fk(uk)∈Θ，Uk表示Tk类中归入的样本向量的个数；同时可由K-means聚类获取样本集M所对应的K个参考中心向量，可表示为Ck＝[ck,1,ck,2,ck,3]，其中k＝1,2,…,K；(4)根据步骤(2)和步骤(3)获取的Fi和Tk，构造如表1所示的关系表来表示Fi和Tk之间的对应关系；Nk,i表示Tk类所对应的样本集中故障为Fi的个数，并有其中0≤Nk,i≤Si；表1Fi和Tk之间的对应...
【专利技术属性】
技术研发人员：徐晓滨，张雪林，杨颖，胡燕祝，李建宁，黄大荣，韩德强，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
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。