一种基于多层信息熵特征矩阵的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层信息熵特征矩阵的轴承故障识别方法及系统，提取滚动轴承运行中的四种工况样本数据，将四种工况样本数据各采用EMD方法将时域信号分成五层信号；每层信号再分成八段计算得到8个信息熵，以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，如果所述测试数据与第一工况距离最近，则所述滚动轴承状态为第一工况。基于多层信息熵特征矩阵的轴承故障识别方法的滚动轴承故障特征进行提取，对非线性、非平稳的滚动轴承故障采集的信号具有较为高的效率和准确性的特点，从而可以提高滚动轴承故障的识别度。

A bearing fault identification method and system based on multi-layer information entropy feature matrix

【技术实现步骤摘要】
一种基于多层信息熵特征矩阵的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层信息熵特征矩阵的轴承故障识别方法及系统。
技术介绍
随着科学技术的快速发展，人类对生产力水平有新的要求。以前需要依赖大量人力物力的生产模式已经很难满足现代工业的需求，于是新型的机械设备变得更加智能化。滚动轴承作为旋转机械设备中重要的部件之一，其能否安全运行决定着整个设备的性能，因此及时诊断出滚动轴承的故障对工业安全有着重要的意义。滚动轴承是机械装备的易损零件之一，其运行状态往往直接影响到整台机器的精度、可靠性及寿命。由于滚动轴承的寿命离散性很大,无法进行定时维修,滚动轴承在运转过程中可能由于各种原因引起损坏，如金属腐蚀和过载等。因此,如何判断出它的各种工况故障是非常重要的，可以减少不必要的维修，延长滚动轴承的使用寿命进而可以延长机械装备的使用寿命。而且滚动轴承故障采集的信号属性的非线性、非平稳等复杂情况，以及现有技术中对故障的识别度偏低，因此如何提高滚动轴承故障的识别度是本领域亟待解决的技术问题。
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层信息熵特征矩阵的轴承故障识别方法，所述方法包括：提取滚动轴承运行中正常工况和故障工况的工况样本数据，所述工况样本数据包括：正常工况滚动轴承数据、内圈故障滚动轴承数据、滚珠故障滚动轴承数据和外圈故障滚动轴承数据；将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号；将EMD方法分解的五层信号的每层信号再分成八段计算得到8个信息熵，其中：四种工况各十组信号，每组信号通过EMD方法分解都可得到5*8的信息熵特征矩阵；将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵；以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，如果所述测试数据与第一工况距离最近，则所述滚动轴承状态为第一工况，所述第一工况为四种工况中的任一工况。采用上述实现方式，基于多层信息熵特征矩阵的轴承故障识别方法的滚动轴承故障特征进行提取，对非线性、非平稳的滚动轴承故障采集的信号具有较为高的效率和准确性的特点，能够比较准确地诊断出滚动轴承正常工况、滚动轴承内圈故障工况、滚动轴承滚珠故障工况以及滚动轴承外圈故障工况，从而可以提高滚动轴承故障的识别度。结合第一方面，在第一方面第一种可能的实现方式中，所述将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号包括：将四种工况样本数据各采用EMD方法进行分解获取前五层IMF分量；将前五层IMF分量作为五层信号并生成三维图像。结合第一方面，在第一方面第二种可能的实现方式中，信息熵的计算公式如下：H(x)＝-∑p(xi)log(p(xi)),(i＝1,2,…,n)，其中：H(x)为求得的信息熵，p(xi)为样本事件xi的发生概率，x表示随机变量，随机变量的取值为x1,x2,...,xn，且有∑p(xi)＝1，信息熵的单位为bit。结合第一方面，在第一方面第三种可能的实现方式中，所述将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵，包括：其中：k为平均信息熵特征矩阵，a为信息熵特征矩阵，n＝10表示10组训练数据。结合第一方面，在第一方面第四种可能的实现方式中，所述以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，包括：计算测试信息熵矩阵与平均信息熵特征矩阵的距离其中：d为测试信息熵矩阵与平均信息熵特征矩阵距离，b1,b2,...,bi为测试信息熵特征矩阵中的元素，bk1,bk2,...,bki为平均信息熵特征矩阵中的元素，i＝1,2,3...40，测试数据信息熵矩阵中的元素与平均信息熵特征矩阵中的元素一一对应。第二方面，本申请实施例提供了一种基于多层信息熵特征矩阵的轴承故障识别系统，所述系统包括：提取模块，用于提取滚动轴承运行中正常工况和故障工况的工况样本数据，所述工况样本数据包括：正常工况滚动轴承数据、内圈故障滚动轴承数据、滚珠故障滚动轴承数据和外圈故障滚动轴承数据；分解模块，用于将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号；第一计算模块，用于将EMD方法分解的五层信号的每层信号再分成八段计算得到8个信息熵，其中：四种工况各十组信号，每组信号通过EMD方法分解都可得到5*8的信息熵特征矩阵；第二计算模块，用于将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵；工况确定模块，用于以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，如果所述测试数据与第一工况距离最近，则所述滚动轴承状态为第一工况，所述第一工况为四种工况中的任一工况。结合第二方面，在第二方面第一种可能的实现方式中，所述分解模块包括：分解单元，用于将四种工况样本数据各采用EMD方法进行分解获取前五层IMF分量；图像生成单元，用于将前五层IMF分量作为五层信号并生成三维图像。结合第二方面，在第二方面第二种可能的实现方式中，所述第一计算模块计算信息熵时的计算公式为：H(x)＝-∑p(xi)log(p(xi)),(i＝1,2,…,n)，其中：H(x)为求得的信息熵，p(xi)为样本事件xi的发生概率，x表示随机变量，随机变量的取值为x1,x2,...,xn，且有∑p(xi)＝1，信息熵的单位为bit。结合第二方面，在第二方面第三种可能的实现方式中，所述第二计算模块计算平均信息熵特征矩阵的公式为：其中：k为平均信息熵特征矩阵，a为信息熵特征矩阵，n＝10表示10组训练数据。结合第二方面，在第二方面第四种可能的实现方式中，所述工况确定模块包括计算单元，用于计算测试信息熵矩阵与平均信息熵特征矩阵的距离其中：d为测试信息熵矩阵与平均信息熵特征矩阵距离，b1,b2,...,bi为测试信息熵特征矩阵中的元素，bk1,bk2,...,bki为平均信息熵特征矩阵中的元素，i＝1,2,3...40，测试数据信息熵矩阵中的元素与平均信息熵特征矩阵中的元素一一对应。附图说明图1为本申请实施例提供的一种基于多层信息熵特征矩阵的轴承故障识别方法的流程示意图；图2为本申请实施例提供的正常工况和故障工况时域图；图3为本申请实施例提供的四种工况EMD分解五层信号图；图4为本申请实施例提供的四种工况信息熵特征分布图；图5为本申请实施例提供的四种工况平均信息熵特征分布图；图6为本申请实施例提供的正常工况测试数据信息熵特征分布本文档来自技高网...

【技术保护点】
1.一种基于多层信息熵特征矩阵的轴承故障识别方法，其特征在于，所述方法包括：/n提取滚动轴承运行中正常工况和故障工况的工况样本数据，所述工况样本数据包括：正常工况滚动轴承数据、内圈故障滚动轴承数据、滚珠故障滚动轴承数据和外圈故障滚动轴承数据；/n将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号；/n将EMD方法分解的五层信号的每层信号再分成八段计算得到8个信息熵，其中：四种工况各十组信号，每组信号通过EMD方法分解都可得到5*8的信息熵特征矩阵；/n将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵；/n以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，如果所述测试数据与第一工况距离最近，则所述滚动轴承状态为第一工况，所述第一工况为四种工况中的任一工况。/n

【技术特征摘要】
1.一种基于多层信息熵特征矩阵的轴承故障识别方法，其特征在于，所述方法包括：
提取滚动轴承运行中正常工况和故障工况的工况样本数据，所述工况样本数据包括：正常工况滚动轴承数据、内圈故障滚动轴承数据、滚珠故障滚动轴承数据和外圈故障滚动轴承数据；
将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号；
将EMD方法分解的五层信号的每层信号再分成八段计算得到8个信息熵，其中：四种工况各十组信号，每组信号通过EMD方法分解都可得到5*8的信息熵特征矩阵；
将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵；
以四种工况平均信息熵特征矩阵为基准，另随机选取四种工况共多组测试数据进行测试，测试数据的信息熵特征矩阵与四种工况平均信息熵特征矩阵计算空间距离并进行比对，如果所述测试数据与第一工况距离最近，则所述滚动轴承状态为第一工况，所述第一工况为四种工况中的任一工况。


2.根据权利要求1所述的方法，其特征在于，所述将四种工况样本数据各采用经验模态分解EMD方法将时域信号分成五层信号包括：
将四种工况样本数据各采用EMD方法进行分解获取前五层IMF分量；
将前五层IMF分量作为五层信号并生成三维图像。


3.根据权利要求1所述的方法，其特征在于，信息熵的计算公式如下：
H(x)＝-∑p(xi)log(p(xi)),(i＝1,2,…,n)，
其中：H(x)为求得的信息熵，p(xi)为样本事件xi的发生概率，x表示随机变量，随机变量的取值为x1,x2,...,xn，且有∑p(xi)＝1，信息熵的单位为bit。


4.根据权利要求1所述的方法，其特征在于，所述将每种工况对应的十组信号的十个5*8的信息熵特征矩阵对应元素相加求平均值得到一组5*8的平均信息熵特征矩阵，包括：



其中：k为平均信息熵特征矩阵，a为信息熵特征矩阵，n＝10表示10组训练数据。...

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