滚动轴承复合故障诊断方法、系统、存储介质及计算设备技术方案

本发明专利技术涉及一种滚动轴承复合故障诊断方法、系统、存储介质及计算设备，其包括将预先采集到的不同轴承状态原始振动信号作为样本数据，将样本数据利用ALIF分解，每一个样本都可以得到若干个IMF分量和一个残余分量；从每个样本中选择包含主要故障信息的前K个IMF分量，计算出各分量的能量特征E和样本熵SampEn，并将其融合构建成一个维度为2K的故障特征向量；将所有样本按预先设定比例划分为训练样本和测试样本，对KELM智能诊断模型进行初始化；对每个样本的故障特征向量进行归一化处理；让KELM智能诊断模型通过训练样本的故障特征向量集进行不断学习后，再对测试样本的故障特征向量集进行测试，最终识别出不同轴承故障类型并输出结果。并输出结果。并输出结果。

【技术实现步骤摘要】
滚动轴承复合故障诊断方法、系统、存储介质及计算设备


[0001]本专利技术涉及一种机械设备故障诊断
，特别是关于一种基于ALIF和KELM的滚动轴承复合故障诊断方法、系统、存储介质及计算设备。

技术介绍

[0002]滚动轴承的实际工作环境大多非常恶劣。经过长时间的运行，它们很容易出现故障。除了单一故障外，故障类型也很容易表现为多种故障同时发生而形成的复合故障。据相关统计，旋转机械设备所有故障中约有30％是由滚动轴承故障引起的。可见，对滚动轴承的健康状态进行有效监测，及时排除故障隐患，对于保证设备安全可靠运行、减少经济损失、避免事故发生具有极其重要的作用。
[0003]目前现有的方法大多基于滚动轴承振动信号处理复合故障诊断技术，其中信号分解法是处理振动信号的有效方法之一。现有的经验模式分解算法以及将EMD和自适应陷波滤波器相结合实现的滚动轴承复合故障的自适应分离和诊断，由于EMD缺乏严格的数学理论推导，信号中的奇异点容易导致模态混叠现象的发生，三次样条插值存在欠拟合或过拟合，在噪声的干扰下不稳定。针对所存在的这些问题，研究人员们受E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承复合故障诊断方法，其特征在于，包括：将预先采集到的不同轴承状态原始振动信号作为样本数据，设定每个样本对应的故障标签，并将样本数据利用ALIF分解，每一个样本都可以得到若干个IMF分量和一个残余分量；从每个样本中选择包含主要故障信息的前K个IMF分量，计算出各分量的能量特征E和样本熵SampEn，并将其融合构建成一个维度为2K的故障特征向量；将所有样本按预先设定比例划分为训练样本和测试样本，对KELM智能诊断模型进行初始化；对每个样本的故障特征向量进行归一化处理；将训练样本的故障特征矩阵以及样本对应的故障标签输入进KELM智能诊断模型中进行不断学习，再将测试样本和测试样本对应的故障标签输入进KELM智能诊断模型中，最终识别出不同轴承故障类型并输出结果。2.如权利要求1所述滚动轴承复合故障诊断方法，其特征在于，所述ALIF分解方法包括：根据预处理信号X(t)和滤波函数f(t)确定滑动算子Γ(X(t))；通过预处理信号X(t)与滑动算子Γ(X(t))的差计算出波动算子K(X(t))；判断波动算子K(X(t))是否符合IMF分量的条件，只有符合条件的波动算子作为IMF分量被提取；否则，则需要对波动算子进行进一步的筛选。3.如权利要求2所述滚动轴承复合故障诊断方法，其特征在于，所述滑动算子Γ(X(t))为：式中，τ表示时间延迟，t表示时刻；h(z)为滤波区间，N为X(t)的个数；λ为设定数值；a
n
为X(t)的极值点个数。4.如权利要求2或3所述滚动轴承复合故障诊断方法，其特征在于，所述滤波函数f(t)的确定方法为：确定Fokker
‑
Planck方程，并将其转换为微分方程的表达式，由微分方程得到朝中心点聚集的效果与扩散的效果平衡时的表达式：
‑
α(p(x)g)
x
+β(q2(x)g)
xx
＝0此时，微分方程有非零解，且满足如下条件：且则Fokker
‑
Planck方程中的解g(x)即为滤波函数f(t)；式中，α和β为两个不同的稳态系数，且α、β∈(0,1)；p(x)和q(x)为区间(a,b)内存在的两个可导函数；q表示Fokker
‑
Planck方程的解。5.如权利要求2所述滚动轴承复合故障诊断方法，其特征在于，所述对波动算子进行进
一步的筛选，在筛选过程中波动算子为：K
n

【专利技术属性】
技术研发人员：马洁，梁士通，杜正昱，陈明，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：