一种基于多维熵空间距离的滚动轴承故障识别方法及系统技术方案

本申请公开了一种基于多维熵空间距离的滚动轴承故障识别方法及系统，采集滚动轴承正常工况和不同故障类型的原始振动信号，并选取每种工况的10组样本数据；用EMD对样本数据进行降噪处理，得到多个IMF分量；选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵，并分别计算平均值；构建三维空间，随机选取预设数量组测试数据，计算出变换之后的三种熵值，然后分别与上一步三维空间里每种工况的熵值点计算空间距离，判断测试数据与每种类型的轴承工况之间的距离，最终确定滚动轴承的工况状态。从而能够有效的提取滚动轴承的故障特征，从而提升故障识别的准确度。

A fault identification method and system of rolling bearing based on multi-dimensional entropy space distance

【技术实现步骤摘要】
一种基于多维熵空间距离的滚动轴承故障识别方法及系统
本申请涉及滚动轴承运行故障诊断
，具体涉及一种基于多维熵空间距离的滚动轴承故障识别方法及系统。
技术介绍
滚动轴承是目前旋转设备中最为重要的部件之一，其一旦出现损坏，会直接影响工业设备的安全性能，因此如何利用采集到的滚动轴承的振动信号，有效的提取较为明显的且能够诊断出滚动轴承故障类型的特征量，对滚动轴承的检测和故障诊断有着重要的意义。目前，国内外普遍使用时频分析的方法对滚动轴承进行故障诊断，例如小波变换、傅里叶分解等，但这些方法都具有一定的局限性。例如小波变换需要选取小波基，小波基不同，则小波分解的结果也不相同，但目前对小波基的选取还没有一个比较好的方法。在现有的故障诊断的技术中仍然存在着提取的特征量不够准确，识别率较低等问题。
技术实现思路
本申请为了解决上述技术问题，提出了如下技术方案：第一方面，本申请实施例提供了一种基于多维熵空间距离的滚动轴承故障识别方法，所述方法包括：采集滚动轴承正常工况和不同故障类型的原始振动信号，并选取每种工况的10组样本数据；用经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量；选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵，并分别计算10组样本数据变换信息熵的平均值、变换能量熵的平均值和变换排列熵的平均值；以变换排列熵的平均值为X轴，变换信息熵的平均值为Y轴，变换能量熵的平均值为Z轴，构建三维空间；随机选取预设数量组测试数据，按上述步骤计算出变换之后的三种熵值，然后分别与上一步三维空间里每种工况的熵值点计算空间距离，判断测试数据与每种类型的轴承工况之间的距离，如果所述测试数据与第一轴承工况之间的距离最小，则滚动轴承的工况状态为第一轴承工况，所述第一轴承工况为滚动轴承所有工况状态的任一种。采用上述实现方式，针对非高斯，非线性的动轴承振动信号，首先通过EMD进行降噪处理，然后选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵并计算其平均值。构建三维空间，最终确定滚动轴承的工况状态。从而能够有效的提取滚动轴承的故障特征，从而提升故障识别的准确度。结合第一方面，在第一方面第一种可能的实现方式中，所述用经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量，包括：h1＝x(t)-m1r1＝x(t)-c1rn＝rn-1-cn其中，m1为上下包络线的均值，x(t)为原始振动信号，h1为两者之差；r1为残余信号，rn为第n个残余信号，c1(t)，c2(t)，…，cn(t)为n个IMF分量，X(t)为n个IMF分量和一个残余信号的和。用经验模态分解(EMD)将振动信号中不同尺度的冲击逐一分隔开来，得到多个本征模态函数分量，称之为IMF。此外，IMF必须是满足以下两个条件的一个函数：一是在原始振动信号的时间内，零点与极值点的个数相差不能大于1；二是在振动信号的任意时刻内，上包络线和下包络线的均值都为0。由此可以将EMD看作一种降噪方法，降低噪声对原始振动信号的影响。根据上述IMF的两个满足条件来判断h1是否属于IMF，若不是，就让h1代替x(t)成为新的信号来重新计算；若h1满足IMF的两个条件，则将h1变为c1。r1为差值信号，也被称为残余信号，rn为第n个残余信号。结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述计算每种工况每组样本数据IMF分量变换的信息熵，并计算10组样本数据变换信息熵的平均值，包括：对IMF分量c(t)进行归一化处理，再进行分块；本申请中以10分块，比如0～10为第一块，10～20为第二块，以此类推。统计每一块范围内的数据个数，并计算出其对应的概率；确定信息熵的平均值HX＝a1*sum(-p.*log2(p))-a2，其中，p为概率，HX为变换的信息熵，a1，a2分别为不同的正整数。结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述计算每种工况每组样本数据IMF分量变换的能量熵，并计算10组样本数据变换能量熵的平均值，包括：其中，ci(t)为IMF分量，Ec为总能量能量，pi＝Ei/Ec为第i个IMF能量占总能量的比值，b1，b2为正整数。结合第一方面第三种可能的实现方式，在第一方面第四种可能的实现方式中，所述计算每种工况每组样本数据IMF分量变换的排列熵，并计算10组样本数据变换排列熵的平均值，包括：将一维的离散时间序列：X＝{x(1),x(2),···,x(n)}经过相空间重构延迟坐标法对离散时间序列中任一元素x(i)进行相空间的重新构造，且选取采样点周围连续m个样点，得到采样点x(i)的m维空间的重构向量：X＝{x(i),x(i+1),···,x(i+(m-1)*l)}，m和l分别为重构空间的维数和延迟时间；对离散时间序列x(i)经过重构之后的重构向量进行相应的升序排列，得到：Xi'＝{x(i+(j1-1)*l)≤x(i+(j2-1)*l)≤···≤x(i+(jm-1)*l)}得到新的排列方式：I{j1,j2,···,jm}；统计X序列各种排列情况出现的次数，其与全排列m！的比值作为出现的概率pi，计算序列排列熵：其中：H为变换的排列熵，pi为各种排列情况出现的概率，d1，d2为正整数。第二方面，本申请实施例提供了一种基于多维熵空间距离的滚动轴承故障识别系统，所述系统包括：采集模块，用于采集滚动轴承正常工况和不同故障类型的原始振动信号，并选取每种工况的10组样本数据；获取模块，用于通过经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量；处理模块，用于选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵，并分别计算10组样本数据变换信息熵的平均值、变换能量熵的平均值和变换排列熵的平均值；三维空间构建模块，用于以变换排列熵的平均值为X轴，变换信息熵的平均值为Y轴，变换能量熵的平均值为Z轴，构建三维空间；确定模块，用于随机选取预设数量组测试数据，按上述步骤计算出变换之后的三种熵值，然后分别与上一步三维空间里每种工况的熵值点计算空间距离，判断测试数据与每种类型的轴承工况之间的距离，如果所述测试数据与第一轴承工况之间的距离最小，则滚动轴承的工况状态为第一轴承工况，所述第一轴承工况为滚动轴承所有工况状态的任一种。结合第二方面，在第二方面第一种可能的实现方式中，所述获取模块包括：h1＝x(t)-m1r1＝x(t)-c1rn＝rn-1-cn其中，m1为上下包络线的均值，x(t)为原始振动信号，h1为两者之差；r1为残余信号，rn为第n个残余信号，c1(t)，c2(t)，…，cn(t)为n个IMF分量，X(t)为n个IMF分量和一个残余信号的和。结合本文档来自技高网...

【技术保护点】
1.一种基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述方法包括：/n采集滚动轴承正常工况和不同故障类型的原始振动信号，并选取每种工况的10组样本数据；/n用经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量；/n选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵，并分别计算10组样本数据变换信息熵的平均值、变换能量熵的平均值和变换排列熵的平均值；/n以变换排列熵的平均值为X轴，变换信息熵的平均值为Y轴，变换能量熵的平均值为Z轴，构建三维空间；/n随机选取预设数量组测试数据，按上述步骤计算出变换之后的三种熵值，然后分别与上一步三维空间里每种工况的熵值点计算空间距离，判断测试数据与每种类型的轴承工况之间的距离，如果所述测试数据与第一轴承工况之间的距离最小，则滚动轴承的工况状态为第一轴承工况，所述第一轴承工况为滚动轴承所有工况状态的任一种。/n

【技术特征摘要】
1.一种基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述方法包括：
采集滚动轴承正常工况和不同故障类型的原始振动信号，并选取每种工况的10组样本数据；
用经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量；
选取每种工况前5个IMF分量，分别计算每种工况每组样本数据IMF分量变换的信息熵、能量熵和排列熵，并分别计算10组样本数据变换信息熵的平均值、变换能量熵的平均值和变换排列熵的平均值；
以变换排列熵的平均值为X轴，变换信息熵的平均值为Y轴，变换能量熵的平均值为Z轴，构建三维空间；
随机选取预设数量组测试数据，按上述步骤计算出变换之后的三种熵值，然后分别与上一步三维空间里每种工况的熵值点计算空间距离，判断测试数据与每种类型的轴承工况之间的距离，如果所述测试数据与第一轴承工况之间的距离最小，则滚动轴承的工况状态为第一轴承工况，所述第一轴承工况为滚动轴承所有工况状态的任一种。


2.根据权利要求1所述的基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述用经验模态分解EMD对样本数据进行降噪处理，得到多个本征模态函数IMF分量，包括：
h1＝x(t)-m1
r1＝x(t)-c1
rn＝rn-1-cn



其中，m1为上下包络线的均值，x(t)为原始振动信号，h1为两者之差；r1为残余信号，rn为第n个残余信号，c1(t)，c2(t)，…，cn(t)为n个IMF分量，X(t)为n个IMF分量和一个残余信号的和。


3.根据权利要求2所述的基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述计算每种工况每组样本数据IMF分量变换的信息熵，并计算10组样本数据变换信息熵的平均值，包括：
对IMF分量c(t)进行归一化处理，再进行分块；
统计每一块范围内的数据个数，并计算出其对应的概率；
确定信息熵的平均值HX＝a1*sum(-p.*log2(p))-a2，其中，p为概率，HX为变换的信息熵，a1，a2分别为不同的正整数。


4.根据权利要求3所述的基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述计算每种工况每组样本数据IMF分量变换的能量熵，并计算10组样本数据变换能量熵的平均值，包括：






其中，ci(t)为IMF分量，Ec为总能量能量，pi＝Ei/Ec为第i个IMF能量占总能量的比值，b1，b2为正整数。


5.根据权利要求4所述的基于多维熵空间距离的滚动轴承故障识别方法，其特征在于，所述计算每种工况每组样本数据IMF分量变换的排列熵，并计算10组样本数据变换排列熵的平均值，包括：
将一维的离散时间序列：X＝{x(1),x(2),…,x(n)}经过相空间重构延迟坐标法对离散时间序列中任一元素x(i)进行相空间的重新构造，且选取采样点周围连续m个样点，得到采样点x(i)的m维空间的重构向量：X＝{x(i),x(i+1),…,x(i+(m-1)*l)}，m和l分别为重构空间的维数和延迟时间；
对离散时间序列x(i)经过重构之后的重构向量进行相应的升序排列，得到：X′i＝{x(i+(j1-1)*l)≤x(i+(j2-1)*l)≤…≤x(i+(jm-1)*l)}得到新的排列方式：I{j1,j2,…,jm}；
统计X序列各种排列情况出现的次数，其与全排列m！的比值作为出现的概率pi，计算序列排列熵：其中：H为变换的排...

【专利技术属性】
技术研发人员：孙永健，李少辉，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37