基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法技术

本申请公开了一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，提取滚动轴承运行中四种工况各五组样本数据并对每组进行10等分，各采用小波分解方法将时域信号分成五层信号；对每层信号变换为SDP图像；将SDP图像二值化，并提取局部矩阵，每组10个局部矩阵计算一个平均局部矩阵；对每一个局部矩阵进行去噪；计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值；计算五组样本数据的改进曼哈顿距离最大值与最小值；随机选取四种工况共300组测试数据进行测试确定工况。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。

Fault diagnosis method of rolling bearing based on wavelet decomposition and improved Manhattan distance

【技术实现步骤摘要】
基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法
本申请涉及滚动轴承运行故障诊断
，具体涉及一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法。
技术介绍
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小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，所述方法包括：提取滚动轴承运行中四种工况各五组样本数据并对每一组样本数据进行10等分；每组样本数据10等份各采用小波分解方法将时域信号分成五层信号；对每层信号进行SDP极坐标变换，变换为SDP图像；将每层信号SDP图像二值化，并提取局部矩阵，每组10个局部矩阵计算一个平均局部矩阵；对每一个局部矩阵用中值滤波法进行去噪；计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值；计算五组样本数据的改进曼哈顿距离最大值与最小值；随机选取四种工况共300组测试数据进行测试，测试数据每一层信号的改进曼哈顿距离最大值与最小值与四种工况相对应一层信号改进曼哈顿距离最大值与最小值分别计算距离并进行比对与四种工况哪一种工况距离最近即属于哪一种工况，并且五层信号与四种工况相对应五层信号符合次数最多即为最终确定工况。采用上述实现方式，基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，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。结合第一方面，在第一方面第一种可能的实现方式中，所述对每层信号进行SDP极坐标变换，变换为SDP图像包括：通过SDP变换将非平稳，非高斯的原始振动信号变换成在极坐标下由镜像对称点组成的雪花状图形；SDP变换具体公式为：其中，xn是在时刻n时的幅值，xn+l是时刻n+l时的幅值，r(n)为极坐标的半径，θ(n)为极坐标逆时针沿初始线旋转的角度，φ(n)为极坐标顺时针沿初始线旋转的角度，xmin为样本数据的最小值，xmax为样本数据的最大值，θ为镜像对称平面旋转角，g为角度放大因子，l为时间间隔参数。通过观察四种工况图形之间的差异来反映振动信号中幅值和频率的改变，能够更加直观的反映各种故障状态。将原始振动信号转变为极坐标图形时，本申请选取θ＝60°，这样可以将360°的平面分成6个部分，分别为：0°、60°、120°、180°、240°、300°。这六个平面在极坐标中组成了一个六边形。若θ过大或者过小，都会使图像对称性较差，导致特征不明显。通过大量的实验发现，g和l的选取会影响不同信号之间差异，本申请中选取g＝40°，l＝7。结合第一方面，在第一方面第二种可能的实现方式中，所述将每层信号SDP图像二值化，包括：其中，f(i,j)为这一像素点的灰度值，T为选定的阈值。当这一像素点的灰度值大于等于T时，其灰度值置为1，当这一像素点的灰度值小于T时，其灰度值置为0。图像二值化就是使整个图像变为黑白图像的过程。结合第一方面，在第一方面第三种可能的实现方式中，所述对每一个局部矩阵用中值滤波法进行去噪包括：yi,j＝Med{xi,j}其中，xi,j是矩阵里每一点的数，yi,j是经过中值滤波之后的数，Med为取xi,j周围的中值。结合第一方面，在第一方面第四种可能的实现方式中，所述计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值包括：首先计算每一组样本数据均值矩阵的最大特征根，然后计算每一组数据中10份矩阵与其均值矩阵的曼哈顿距离，然后计算矩阵中曼哈顿距离的平均值，最后曼哈顿距离的平均值与均值矩阵的k倍最大特征根相加得到改进的曼哈顿距离，并提取改进曼哈顿距离最大值与最小值，其具体公式为：|λnI-A|＝0(n＝1,2,3,…,680)λmax＝max(λn)Dnew＝Dm+k*λmax其中，I是单位矩阵，A是所求特征值的均值矩阵，根据上述公式求得的λn为所求矩阵的第n个特征根，λmax为最大的特征根。xtk为每种工况的10份矩阵，xmk为均值矩阵，d(t,m)为10份矩阵到均值矩阵的曼哈顿距离，n是矩阵的阶数，dk(t,m)为每一份矩阵到均值矩阵的曼哈顿距离，n是矩阵的阶数，Dm为所求的平均值，Dnew为改进的曼哈顿距离，Dm为平均值，λmax为平均矩阵的最大特征根，k是一正整数。第二方面，本申请实施例提供了一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断系统，所述系统包括：提取模块，用于提取滚动轴承运行中四种工况各五组样本数据并对每一组样本数据进行10等分；小波分解模块，用于每组样本数据10等份各采用小波分解方法将时域信号分成五层信号；变换模块，用于对每层信号进行SDP极坐标变换，变换为SDP图像；二值化模块，用于将每层信号SDP图像二值化，并提取局部矩阵，每组10个局部矩阵计算一个平均局部矩阵；滤波去噪模块，用于对每一个局部矩阵用中值滤波法进行去噪；第一计算模块，用于计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值；第二计算模块，用于计算五组样本数据的改进曼哈顿距离最大值与最小值；确定模块，用于随机选取四种工况共300组测试数据进行测试，测试数据每一层信号的改进曼哈顿距离最大值与最小值与四种工况相对应一层信号改进曼哈顿距离最大值与最小值分别计算距离并进行比对与四种工况哪一种工况距离最近即属于哪一种工况，并且五层信号与四种工况相对应五层信号符合次数最多即为最终确定工况。附图说明图1为本申请实施例提供的一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法的流程示意图；图2为本申请实施例提供的4种工况的时域图像；图3为本申请实施例提供的4种工况的小波分解五层图像；图4为本申请实施例提供的4种工况小波分解五层后的SDP图像；图5为本申请实施例提供的4种工况小波分解五层后的二值图像；图6为本申请实施例提供的一组样本数据4种工况第一层信号的局部区域图像；图7为本申请实施例提供的一组样本数据4种工况第一层信号的平均图像；图8为本申请实施例提供的一组样本数据4种工况第一层信号中值滤波去噪后的局部区域图像；图9为本申请实施例提供的一组样本数据4种工况第一层信号中值滤波去噪后的平均图像；...

【技术保护点】
1.一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，其特征在于，所述方法包括：/n提取滚动轴承运行中四种工况各五组样本数据并对每一组样本数据进行10等分；/n每组样本数据10等份各采用小波分解方法将时域信号分成五层信号；/n对每层信号进行SDP极坐标变换，变换为SDP图像；/n将每层信号SDP图像二值化，并提取局部矩阵，每组10个局部矩阵计算一个平均局部矩阵；/n对每一个局部矩阵用中值滤波法进行去噪；/n计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值；/n计算五组样本数据的改进曼哈顿距离最大值与最小值；/n随机选取四种工况共300组测试数据进行测试，测试数据每一层信号的改进曼哈顿距离最大值与最小值与四种工况相对应一层信号改进曼哈顿距离最大值与最小值分别计算距离并进行比对与四种工况哪一种工况距离最近即属于哪一种工况，并且五层信号与四种工况相对应五层信号符合次数最多即为最终确定工况。/n

【技术特征摘要】
1.一种基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，其特征在于，所述方法包括：
提取滚动轴承运行中四种工况各五组样本数据并对每一组样本数据进行10等分；
每组样本数据10等份各采用小波分解方法将时域信号分成五层信号；
对每层信号进行SDP极坐标变换，变换为SDP图像；
将每层信号SDP图像二值化，并提取局部矩阵，每组10个局部矩阵计算一个平均局部矩阵；
对每一个局部矩阵用中值滤波法进行去噪；
计算10个局部矩阵与平均局部矩阵的改进曼哈顿距离，并提取改进曼哈顿距离最大值与最小值；
计算五组样本数据的改进曼哈顿距离最大值与最小值；
随机选取四种工况共300组测试数据进行测试，测试数据每一层信号的改进曼哈顿距离最大值与最小值与四种工况相对应一层信号改进曼哈顿距离最大值与最小值分别计算距离并进行比对与四种工况哪一种工况距离最近即属于哪一种工况，并且五层信号与四种工况相对应五层信号符合次数最多即为最终确定工况。


2.根据权利要求1所述的基于小波分解和改进曼哈顿距离的滚动轴承故障诊断方法，其特征在于，所述对每层信号进行SDP极坐标变换，变换为SDP图像包括：通过SDP变换将非平稳，非高斯的原始振动信号变换成在极坐标下由镜像对称点组成的雪花状图形；SDP变换具体公式为：









其中，xn是在时刻n时的幅值，xn+l是时刻n+l时的幅值，r(n)为极坐标的半径，θ(n)为极坐标逆时针沿初始线旋转的角度，φ(n)为极坐标顺时针沿初始线旋转的角度，xmin为样本数据的最小值，xmax为样本数据的最大值，θ为镜像对称平面旋转角，g为角度放大因子，l为时间间隔参数。


3.根据权利要...

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