基于EEMD能量熵的滚动轴承运行状态评估方法技术

本发明专利技术涉及基于EEMD能量熵的滚动轴承运行状态评估方法，包括：采集轴承全寿命振动数据；计算得到轴承的全寿命时域特征值；将不同时间段的轴承振动信号分解成模态分量，计算EEMD能量熵；计算得到轴承的全寿命的综合指标值；利用时域特征值、模态分量能量熵和综合指标值构建数据集；利用数据集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的参数；采集待检测轴承的振动信号，计算时域特征值和模态分量能量熵，并输入轴承寿命预测模型，根据模型输出的综合指标值对待检测轴承进行运行状态评估。本发明专利技术利用时域指标和时频域特征指标提取得到综合指标值，利用混沌粒子群算法搜索确定最优的模型参数，得到预测精度高的轴承寿命预测模型。的轴承寿命预测模型。的轴承寿命预测模型。

【技术实现步骤摘要】
基于EEMD能量熵的滚动轴承运行状态评估方法


[0001]本专利技术属于轴承寿命预测领域，具体涉及一种基于EEMD能量熵的滚动轴承运行状态评估方法。

技术介绍

[0002]旋转机械在关系国计民生的行业如航天航空、军工事业和石油工业等中应用非常广泛。滚动轴承在旋转机械里面是一种极易损坏或故障的元件。相关数据表明，大约有三分之一的旋转机械失效是由滚动轴承发生失效而引起的；在电机的故障中；原由是轴承故障失效的大概有五分之二；在我国部分动车中，所有用过的滚动轴承都要经过检测，其中约有三分之一的滚动轴承是要调换的，否则很容易引起不可逆的严重事故发生。以上事实表明，为保证设备的稳定和有效工作，采取相应的监测手段和故障诊断手段是非常必要的，对保证人员安全减少经济损失更是具有实际意义。
[0003]滚动轴承在旋转机械中充当着实现传动以及连接功能的角色，其运行状态与设备系统的安全运行有着直接的关联。因此，需要有效的故障分析与诊断方法对其进行健康监测。近年来，基于机器学习的故障诊断方法被广泛应用在机械零部件的运行状态评估及性能退化趋势预测。例如，于广滨等构造出一种基于信息最小二乘生成对抗网络，结合优化算法与Softmax分类器可提高滚动轴承的寿命预测准确率。王奉涛等从轴承振动数据中提取各项指标并构造退化特征参数集，搭建长短期记忆网络预测模型并利用所得特征参数集实现轴承运行状态的精准识别。王玉静等通过快速傅里叶变换和卷积神经网络构造轴承的性能退化特征向量集，并改进深度森林模型，利用优化的模型和性能特征向量进行剩余寿命预测。曾大懿等利用并行多通道网络和长短时记忆网络搭建了一种新的轴承寿命预测模型并实现轴承剩余寿命的精准预测。

技术实现思路

[0004]本专利技术的技术问题是滚动轴承的剩余寿命难以精确预测，现有的基于机器学习的轴承故障诊断方法依赖高维特征参数集预测轴承剩余寿命，缺乏对轴承振动信号特征参数的深度挖掘，现有的轴承故障诊断方法依赖的高维特征参数集存在数据冗余和噪声，影响了轴承剩余寿命的精确预测。
[0005]本专利技术的目的是针对上述问题，提出一种新的基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)能量熵的滚动轴承运行状态评估方法，利用轴承振动信号的时域和时频域指标，以及核主成分分析(Kernel Principal Component Analysis,KPCA)处理所得的综合指标，结合改进得到的混沌粒子群算法(Chaos Particle Swarm Optimization,CPSO)，搭建回归型支持向量机(Support Vector Machine For Regression,SVR)预测模型，实现滚动轴承的状态评估和寿命预测。
[0006]本专利技术的技术方案是基于EEMD能量熵的滚动轴承运行状态评估方法，将计算得到的分段轴承振动信号的时域特征值和集合经验模态分解的模态分量能量熵合成得到轴承
振动信号的综合指标值，利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，得到最优的回归型支持向量机的惩罚系数以及核函数的参数，轴承寿命预测模型根据根据时域特征值、模态分量能量熵得到综合指标值，利用轴承信号的综合指标值评估滚动轴承当前的运行状态，分析轴承性能变化趋势。
[0007]所述的基于EEMD能量熵的滚动轴承运行状态评估方法，包括以下步骤：
[0008]步骤1：采集轴承全寿命振动信号，按时间点将信号均分为若干段并进行降噪处理；
[0009]步骤2：计算得到每段轴承振动信号的时域特征；
[0010]步骤3：采用集合经验模态分解法将每段轴承振动信号分解成模态分量，计算模态分量的能量熵；
[0011]步骤4：采用核主成分分析法处理步骤2、步骤3得到的轴承振动信号全寿命时域特征指标值和模态分量能量熵，得到轴承振动信号全寿命综合指标值；
[0012]步骤5：利用步骤2
‑
4得到的轴承振动信号时域特征值、模态分量能量熵作为轴承寿命预测模型的输入，综合指标值作为输出，将特征数据集分为训练集和预测集；
[0013]步骤6：采用回归型支持向量机建立轴承寿命预测模型，利用训练集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的回归型支持向量机的惩罚系数以及核函数的参数；
[0014]步骤7：将预测集作为步骤6得到的回归型支持向量机的输入数据，根据轴承寿命预测模型的输出的综合指标值评估待检测轴承当前的运行状态，分析得到待检测轴承性能变化趋势。
[0015]步骤2中，轴承振动信号的时域特征包括峰峰值、均方根值、峭度、波形因子和裕度因子5项。给定离散信号x
i
(i＝1,2,
…
,N)，N表示信号的采样点数，时域特征值的计算式如下：
[0016]峰峰值x
pp
＝max(x
i
)
‑
min(x
i
)，
[0017]均方根值
[0018]方根幅值
[0019]峭度
[0020]波形因子
[0021]裕度因子L＝max|x
i
|/x
r
，
[0022]式中|x
i
|表示离散信号x
i
的绝对值，表示离散信号x
i
(i＝1,2,
…
,N)的均值，x
r
为中间值。
[0023]步骤3中，将分段后的振动信号X(t)利用集合经验模态分解法分解为若干个模态分量c
j
(t)和残余分量r(t)的和，分解得到的振动信号X(t)的表达式如下
[0024][0025]计算各个模态分量的的频带能量E
j
和相对能量
[0026][0027]式中c
j
(t)表示集合经验模态分解得到的第j个模态分量，j＝1,2,
…
,n；n表示集合经验模态分解得到的模态分量的总个数。
[0028]模态分量的能量熵的计算式如下：
[0029][0030]式中E
j
、分别表示第j个模态分量的的频带能量和相对能量，j＝1,2,
…
,n。
[0031]步骤6中，所述混沌粒子群算法，通过Logistic映射模式，产生混沌变量和序列来代替原粒子群算法的粒子进行混沌搜索，混沌搜索的迭代公式如下
[0032]x
k+1
＝μx
k
(1
‑
x
k
)
[0033]式中x
k
、x
k+1
分别表示第k次、第k+1次迭代得到的混沌变量，μ表示控制参数，当μ∈(3.56,4)时，混沌变量为混沌状态。
[0034]初始化粒子群X＝{x
...

【技术保护点】

【技术特征摘要】
1.基于EEMD能量熵的滚动轴承运行状态评估方法，其特征在于，从轴承振动信号的时域特征值和集合经验模态分解的模态分量能量熵提取得到轴承振动信号的综合指标值，利用回归型支持向量机建立轴承寿命预测模型，将混沌搜索算法和粒子群算法相结合，利用混沌变量和序列代替粒子群算法的粒子进行混沌搜索，得到最优的回归型支持向量机的惩罚系数以及核函数的参数，轴承寿命预测模型根据根据时域特征值、模态分量能量熵得到综合指标值，利用轴承信号的综合指标值评估滚动轴承当前的运行状态，分析轴承性能变化趋势，所述方法包括以下步骤：步骤1：采集轴承全寿命振动数据，按时间点将信号均分为若干段并进行降噪处理；步骤2：计算得到轴承振动信号的全寿命时域特征值；步骤3：采用集合经验模态分解法将不同时间段的轴承振动信号分解成模态分量，计算模态分量的能量熵；步骤4：采用核主成分分析法处理步骤2、步骤3得到的轴承振动信号全寿命时域特征指标值和模态分量的能量熵，得到轴承振动信号的全寿命综合指标值；步骤5：利用步骤2
‑
4得到的轴承振动信号时域特征值、模态分量能量熵作为轴承寿命预测模型的输入，综合指标值作为输出，构建轴承寿命预测模型的训练集；步骤6：采用回归型支持向量机建立轴承寿命预测模型，利用训练集和混沌粒子群算法对轴承寿命预测模型进行训练，确定最优的回归型支持向量机的惩罚系数以及核函数的参数；步骤7：采集待检测轴承的振动信号，计算待检测轴承的振动信号的时域特征值和模态分量能量熵，并输入轴承寿命预测模型，根据轴承寿命预测模型的输出的综合指标值评估待检测轴承当前的运行状态，分析得到待检测轴承性能变化趋势。2.根据权利要求1所述的滚动轴承运行状态评估方法，其特征在于，步骤2中，轴承振动信号的时域特征包括峰峰值、均方根值、峭度、波形因子和裕度因子5项，方根幅值为时域指标中间值；给定离散信号x
i
(i＝1,2,
…
,N)，N表示信号的采样点数，时域特征值的计算式如下：峰峰值x
pp
＝max(x
i
)
‑
min(x
i
)，均方根值方根幅值峭度波形因子裕度因子L＝max|x
i
|/x
r
，
其中|x
i
|表示离散信号x
i
的绝对值，表示离散信号x
i
(i＝1,2,
…
,N)的均值。3.根据权利要求1所述的滚动轴承运行状态评估方法，其特征在于，步骤3中，将分段后的振动信号X(t)利用集合经验模态分解法分解为若干个模态分量c
j
(t)和残余分量r(t)的和，分解得到的振动信号X(t)的表达式如下计算各个模态分量的的频带能量E
j
和相对能量和相对能量式中c
j
(t)表示集合经验模态分解得到的第j个模态分量，j＝1,2,
…
,n；n表示集合经验模态分解得到的模态分量的总个数；模态分量的能量熵的计算式如下：式中E
j
、分别表示第j个模态分量的的频带能量和相对能量，j＝1,2,
…
,n。4.根据权利要求1所述...

【专利技术属性】
技术研发人员：王林军，徐洲常，刘洋，蔡康林，
申请(专利权)人：三峡大学，
类型：发明
国别省市：