一种滚动轴承多通道数据故障识别方法技术

本发明专利技术公开了一种滚动轴承多通道数据故障识别方法，首先使用EMMWPE方法来计算多通道信号的故障特征向量；其次，通过t

A multi-channel data fault identification method for rolling bearings

【技术实现步骤摘要】
一种滚动轴承多通道数据故障识别方法


[0001]本专利技术属于机械故障诊断
，具体涉及一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法。

技术介绍

[0002]滚动轴承是机械设备中不可或缺的关键零部件，具有机械效率高、拆装以及维修方便等优点。但是轴承常常工作在高温、高压和复杂的力学环境中，随着工作时限的增加，轴承会出现各种各样的故障。当轴承发生故障并且没有得到及时维修，可能会导致整个机械设备无法正常工作甚至损坏，造成巨大损失。
[0003]在对滚动轴承的运行状态进行监测时，往往需要多个传感器从多个方位进行数据的采集。不同的数据通道包含的故障信息也各不相同，为了从多个数据通道中提取到更为全面故障信息，往往通过MMPE对多通道信号进行特征融合、提取。但是MMPE方法忽略了数据序列的振幅信息，并且在多尺度上存在信息丢失等问题，这会导致随着尺度因子的增加，MMPE方法的稳定性急剧下降。因此，本专利技术提出了EMMWPE的多通道数据特征提取方法，克服了MMPE的存在问题。最后，将EMMWPE高维向量特征集进行t
‑...

【技术保护点】

【技术特征摘要】
1.一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，其特征在于，包括以下步骤：S1：首先将多通道信号进行增强多尺度粗粒化过程，对于给出长度为n的时间序列X＝[x1、x2、x3
…
xn]，可以根据给出τ和式(1)将其分别处理为τ个不同的粗理化序列其中i＝1,2,
…
,τ；S2：分别计算τ个粗理化序列的多元加权排列熵，再求取这τ个熵值的平均值即等于增强多元多尺度加权排列熵，如式(2)所示：S3：通过t
‑
SNE算法对EMMWPE值进行降维，除去冗余特征，使计算得到的特征可视化；S4：将每种不同故障类型以及损伤程度的多通道数据集分为N组，其中训练样本有M组，测试样本则有N
‑
M组；S5：基于随机森林模型，对样本进行训练和测试，实现滚动轴承不同类型以及损伤程度的故障识别。2.根据权利要求1所述一种基于EMMWPE与随机森林的滚动轴承多通道数据故障识别方法，其特征在于，所述S2中MWPE函数的计算方法如下：S2.1：将一个m维、长度为N的时间序列定义为t＝1,2,
…
,N，引入嵌入维数d、时间延迟系数τ进行相空间重构；根据式(3)进行相空间重构，得到重构序列数d、时间延迟系数τ进行相空间重构；根据式(3)进行相空间重构，得到重构序列S2.2：将重构后的时间序列按升序进行排列，其排序后的结果如式(4)所示：[x
i
(l+(k1‑
1)τ)≤x
i
(l+(k2‑
1)τ)≤...≤x
i
(l+(k
d
‑
1)τ)] (4)S2.3：考虑中存在相同值的元素，通过比较k的值进行排列，这样就可以得到中所有元素的排列：π＝[k1,k2,...,k
d
] (5)S2.4：对于嵌入维数为d的相空间，可以出现的排列总数为d！；N
j
表示第j次排序出现的次数，其中1≤j≤d！；和分别表示的均值和权重值：的均值和权重值：S2.5：第j个排列的加权概率p
i,j
可由式(8)进行计算：
S2.6：对于一个m维的时间序列...

【专利技术属性】
技术研发人员：王晓东，张爽，马军，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：