【技术实现步骤摘要】
一种滚动轴承声信号早期故障敏感特征筛选方法和系统
[0001]本专利技术涉及轴承故障检测
，具体涉及一种滚动轴承声信号早期故障敏感特征筛选方法和系统。
技术介绍
[0002]随着机电设备朝着大型化、精密化方向发展，智能化的程度也日益提高，对设备的运行可靠性提出了更高的要求。作为旋转机械中的核心回转支撑部件，其表面的轻微缺陷就可能引发整个系统的运行故障，并造成巨大的人员伤亡和财产损失。机械设备中30％以上的故障是由于滚动轴承故障所致，传统的滚动轴承监测方法，需要工作人员定期从设备上将滚动轴承拆卸下来进行安全检查，耗费大量人力物力，影响工业生产进程，因此开展轴承状态检测和故障诊断对保障设备安全运行具有重要意义。
[0003]由于声学信号对于大多数旋转机械故障敏感，而且基于声学信号分析方法具有测量系统简单、诊断速度快、精度较高、故障定位直观、便于在线检测等一系列优点，已成为机械故障诊断领域行之有效的测量方法。声学信号的处理与状态特征提取是状态评估和故障诊断的关键技术，它直接关系到诊断的准确性和故障早期预报的可靠性。轴...
【技术保护点】
【技术特征摘要】
1.一种滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述方法包括以下过程：采集轴承在不同故障类型下声学信号的时域波形，构建轴承样本信号数据集；根据VMD算法，对所述轴承样本信号数据集内各轴承样本信号分别进行分解，得到对应的IMF分量，并根据所述IMF分量计算对应的混合域特征指标，构建声学信号的特征指标数据集；对所述特征指标数据集进行降维处理，获得降维后特征指标数据集；对所述降维后特征指标数据集中的数据计算所述混合域特征指标对应的敏感性评估因子；将根据所述敏感性评估因子筛选得到的敏感指标输入分类器进行识别，判断轴承的故障类型。2.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述混合域特征指标包括时域指标和熵指标。3.根据权利要求2所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述时域指标包括：峭度、偏度、均方根、平均值、形状系数、峰值、波峰因子、脉冲系数、裕度因子和方差，所述熵指标包括：排列熵、样本熵和模糊熵。4.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述轴承的故障类型包括正常、滚子故障、内圈故障、外圈故障。5.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述构建声学信号特征指标数据集包括以下过程：分别对所述轴承样本信号数据集内的各轴承样本信号使用VMD算法分解后，得到i个所述IMF分量，计算第i个IMF分量的谱相关系数；若所述第i个所述IMF分量的谱相关系数小于预设的谱相关系数阈值，最小分解层数的计算公式如下：K＝i
‑
1，其中，K表示最小分解层数，i表示IMF分量的个数；根据所述最小分解层数，计算各所述IMF分量的所述混合域指标，根据所述混合域指标构建所述声学信号的特征指标数据集。6.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，获得所述降维后特征指标数据集的过程如下：计算所述特征指标数据集中任两点的相似条件概率分布；根据所述相似条件概率分布，计算高维空间中的任两个数据点的联合概率分布；计算低维空间中的任两个数据点的联合概率分布；根据所述低维空间中的任两个数据点的联合概率分布和所述高维空间中的任两个数据点的联合概率分布，使用KL散度求取代价函数；使用梯度下降法优化所述代价函数的梯度；根据优化后的所述代价函数，获得所述降维后特征指标数据集。7.根据权利要求1所述的滚动轴承声信号早期故障敏感特征筛选方法，其特征在于，所述敏感指标的筛选过程如下：计算所述降维后特征指标数据集中，每类轴承样本数据的中心坐标；根据所述每类轴承样本数据的中心坐标，计算每类轴承样本数据类内距离的平均值；
根据所述每类轴承样本数据类内距离的平均值，计算轴承样本数...
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。