一种滚动轴承故障诊断方法及系统技术方案

本发明专利技术公开一种滚动轴承故障诊断方法及系统，该方法包括以下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。

A fault diagnosis method and system of rolling bearing

【技术实现步骤摘要】
一种滚动轴承故障诊断方法及系统
本专利技术涉及工业设备故障诊断
，具体涉及一种基于改进粒子群优化算法的模糊C均值聚类算法的滚动轴承故障诊断方法及系统。
技术介绍
进入21世纪以来，随着国民经济的快速发展，我国工业高速发展，已经成为世界工业大国，极大地促进了我国各行业的发展。其中，工业的高速发展离不开工业设备的大量使用，滚动轴承作为工业设备的关键部件之一，其运行状态好坏直接影响整个系统的可靠性，因此对其进行状态监测和故障诊断变得尤为重要。PSO算法是Kennedy等人受到鸟群飞行及觅食行为的启发提出的一种智能优化算法，该算法结构简单，可操作性强，便于实现，得到了许多学者的关注和研究，但该算法存在早熟，在处理高维复杂函数时容易陷入局部极值和搜索精度不高等问题。聚类分析是重要的数据挖掘与模式识别方法，目的是寻找数据集中所包含的簇结构，根据数据属性，将数据集分群，被广泛应用于故障诊断领域。其中，K-means算法是一种经典的模式识别算法，这个算法简单且收敛速度快，在学术界和工业界都得到了广泛的应用。但是，算法的聚类结果易受初始聚类中心影响，极易陷入局部最优解的情况。工业设备故障通常是一个渐变的过程，因此提取的故障特征通常具有模糊性，直接通过故障特征进行故障诊断具有一定的难度。而模糊聚类分析方法为解决这类问题提供了一条有效的解决途径。FCM算法是K-means算法的优化与扩展,其基本思想是在K-means算法的基础上增加模糊隶属度，该算法可以避免陷入局部最优解的情况。专利技术人在研发过程中发现，现有的工业设备故障诊断方法还存在以下问题：(1)传统的PSO算法在处理高维复杂函数时容易陷入局部极值、收敛速度慢和搜索精度不高等问题；(2)工业设备故障通常是一个渐变的过程，因此提取的故障特征通常具有模糊性，直接通过故障特征进行故障诊断具有一定的难度，并且传统FCM算法没有考虑总体变异对距离远近的影响，使故障诊断精确度不高。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种基于改进PSO算法的FCM算法的滚动轴承故障诊断方法及系统，首先利用改进的PSO算法更新粒子的速度和位置获得聚类中心，然后利用改进的FCM算法对数据样本进行聚类分析，最后对滚动轴承进行故障诊断；将PSO算法和FCM算法进行融合可充分发挥各自的优势，提高滚动轴承故障诊断的精确度。本专利技术一方面提供的一种滚动轴承故障诊断方法的技术方案是：一种滚动轴承故障诊断方法，该方法包括以下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。本专利技术另一方面提供的一种滚动轴承故障诊断系统的技术方案是：一种滚动轴承故障诊断系统，该系统包括：数据获取模块，用于获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；特征提取模块，用于基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；故障聚类模块，用于利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；故障诊断模块，用于提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。本专利技术另一方面提供的一种计算机可读存储介质的技术方案是：一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。本专利技术另一方面提供的一种处理装置的技术方案是：一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。通过上述技术方案，本专利技术的有益效果是：本专利技术先利用改进的PSO算法更新粒子的速度和位置获得聚类中心，然后利用改进的FCM算法对数据样本进行聚类分析，最后对滚动轴承进行故障诊断；将PSO算法和FCM算法进行融合可充分发挥各自的优势，提高滚动轴承故障诊断的精确度。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本申请，并不构成对本专利技术的不当限定。图1是实施例一滚动轴承故障诊断方法的流程图；图2是实施例一中基于改进PSO的FCM算法的故障聚类流程图；图3是实施例一中两种算法的计算结果比较示意图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。名词解释：(1)模糊C均值聚类算法(FCM)，通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。(2)粒子群优化算法(PSO)，也称粒子群优化算法或鸟群觅食算法，在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。(3)K均值聚类算法(K-means)，给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。实施例一图1是本实施例涉及的基于改进PSO算法的FCM算法的滚动轴承故障诊断方法的流程图。如图1所示，所述滚动轴承故障诊断方法包括以下步骤：S101，获取本文档来自技高网...

【技术保护点】
1.一种滚动轴承故障诊断方法，其特征是，包括以下步骤：/n获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；/n基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；/n利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；/n提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。/n

【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征是，包括以下步骤：
获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；
基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；
利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；
提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。


2.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述滚动轴承的故障特征的提取方法为：
对滚动轴承的振动数据进行多层小波包分解，计算每层小波包结点处的信号能量；
对所有小波包能量进行归一化，得到归一化能量特征，组成能量特征集合。


3.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述基于改进PSO算法的FCM算法的适应度函数为：



其中，为第k个类中的第i个数据样本；vk是第k个聚类的聚类中心；μik为模糊隶属度；n为样本数；C为聚类数；m为加权指数。


4.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，所述基于改进PSO算法的FCM算法的惯性权重为：



其中，t表示当前迭代次数，wmax、wmin分别表示最大惯性权重和最小惯性权重，表示全局最优解的适应度值，表示个体最优解的适应度值；
学习因子为：






其中，tmax表示最大迭代次数，cmax，cmin分别表示最大学习因子和最小学习因子；c1、c2为学习因子；
粒子速度更新公式为：



其中，vij表示第i个粒子的速度，rand区间[0,1]上的随机数，表示第i个粒子寻找到的个体最优解，表示整个种群的全局最优解；
粒子位置更新公式为：
xij(t+1)＝xij(t)+s(t)×vij(t+1)



其中，xij表示第i个粒子的位置，s(t)表示飞行因子，是调整粒子搜索步长的重要系数，s0表示飞行时间常数。


5.根据权利要求1所述的滚动轴承故障诊断方法，其特征是，利用基于改进PSO算法的FCM算法对滚动轴承的故障特征进行故障聚类的步骤包...

【专利技术属性】
技术研发人员：王新刚，王昕，王柯，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37