一种基于多源信息融合的微型涡轮机轴承性能退化评价方法技术

本发明专利技术提供了一种基于多源信息融合的微型涡轮机轴承性能退化评价方法，属于故障诊断技术领域。本发明专利技术通过提取加速度信号、位移信号和温度信号的时域、频域特征值建立了初始的特征集，对初始特征值进行归一化后，利用PCA进行降维获得了轴承性能退化过程中的主要特征，将主要特征引入k

A performance degradation evaluation method of micro turbine bearings based on multi-source information fusion

【技术实现步骤摘要】
一种基于多源信息融合的微型涡轮机轴承性能退化评价方法


[0001]本专利技术属于故障诊断
，具体涉及一种基于多源信息融合的微型涡轮机轴承性能退化评价方法。

技术介绍

[0002]滚动轴承是旋转机械中的关键部件，特别是对于以涡轮增压器、微型燃气轮机等为代表的微型涡轮机，轴承作为其转子系统中的薄弱环节，尤其是受到安装不当等影响，极易发生故障，缩短轴承的使用寿命，影响整个机器的稳定运行，严重时造成整机突然停车，影响人身财产安全。因此，针对微型涡轮机轴承服役过程进行状态监测与性能退化评价，及时发现故障，做到视情维修，保证微型涡轮机转子系统稳定运行，避免突然停车，防止重大事故的发生，意义重大。
[0003]目前，国内外对轴承状态监测及评价，主要是对轴承全寿命过程中的振动数据进行处理，获得均方根、峭度、峰值和波峰因子等时域特征参数，或者提取振动信号的特征参数并结合智能评价模型构建合适、鲁棒的轴承性能退化评价方法，此类方法取得了一定的效果。然而，这些指标敏感性或者连续性有时不足，以至于不能单独使用。例如，峭度值、波峰因子和脉冲因子对初始阶段特别有效，随着缺陷尺寸增加这些指标将减小到正常水平。此外，微型涡轮机轴承的运行环境恶劣，噪声干扰严重，增加了轴承性能退化评价的难度。
[0004]滚动轴承在运行过程中，其服役性能受到摩擦、磨损和润滑机制、流体动力学和润滑介质流变学、材料性能、接触力学等方面因素影响，材料表面由于塑性变形、滚动接触磨损和疲劳发生变化，其性能退化过程是一个集振动和温度等因素变化的多源信息响应过程。因此，开展基于多源响应融合的轴承性能退化评价对于提高评价效果具有潜在的可能性。

技术实现思路

[0005]本专利技术针对微型涡轮机轴承进行状态监测和性能评价，基于多源信息融合提出了一种新的评价轴承性能退化的方法。通过提取加速度信号、位移信号和温度信号的时域、频域特征值建立了初始的特征集，对初始特征值进行归一化后，利用PCA进行降维获得了轴承性能退化过程中的主要特征，将主要特征引入k
‑
中心聚类算法建立了性能退化评价模型。轴承性能退化全过程中的主要特征与正常中心的差异性作为退化因子。试验结果验证了本专利技术建立模型的有效性。通过与时域特征参数、基于欧式平方距离的退化因子进行对比，表明本专利技术建立的状态评价模型具有良好的趋势性，可以有效表征微型涡轮机轴承性能退化的整个过程。
[0006]本专利技术的技术方案：
[0007]一种基于多源信息融合的微型涡轮机轴承性能退化评价方法，包括以下步骤：
[0008]步骤1：在特征融合层面建立基于轴承座加速度信号、转轴位移信号和温度信号的特征样本集。
[0009]步骤1.1：连续采样，采集微型涡轮机轴承运行过程中的多源响应信号，包括轴承的加速度信号V
b
，转轴位移信号V
s
和轴承座温度信号T。
[0010]步骤1.2：分别提取步骤1.1中多源响应信号的特征参数，构建初始的特征样本集。
[0011]初始的特征样本集W
p*q
包括加速度信号的时频域特征参数、位移信号的时域特征参数和温度信号的均值。具体特征参数如下所示：提取轴承加速度信号V
b
的时域特征参数：峰峰值、平均值、均方根、方差、标准差、峭度、波形因子、峰值因子、脉冲因子和裕度因子；提取轴承加速度信号V
b
的频域特征参数：内圈转动频率f
r
及其二三倍频、滚动体在外圈的通过频率f
bo
、滚动体在内圈的通过频率f
bi
、保持架公转频率f
c
、滚动体自转频率f
b
。提取转轴位移信号V
s
的时域特征参数：峰峰值、平均值、均方根、方差、标准差、峭度、波形因子、峰值因子、脉冲因子和裕度因子。对于温度信号T：取三测点温度均值。
[0012]步骤1.3：将步骤1.2中的特征参数进行归一化，进而消除各特征参数之间由于量纲不同而造成的差异性。常用的归一化方法有最大最小归一化和z
‑
score归一化，本专利技术采用最大最小归一化方法，相应的公式如下：
[0013][0014]式中，w
k
为第k个特征向量，为相应的归一化后的特征向量。
[0015]步骤1.4：基于PCA的降维处理，获得表征轴承运行状态的特征向量。
[0016]对于归一化后的特征集引入PCA中获得该特征集的主成分PC，即具有最高方差的主成分，从而构建表征轴承运行状态的特征向量f
PC
及特征矩阵F
p*n
。
[0017]首先，计算归一化后特征向量的协方差，具体计算公式如下所示：
[0018][0019]其中，S
k
为归一化后第k个特征向量的协方差，m
k
是相应的平均向量，T表示矩阵转置。
[0020][0021]然后，求取S
k
的特征值和特征向量，其中，最大特征值对应的特征向量为第一主成分，其余主成分以此类推。
[0022]步骤2：构建基于k
‑
中心聚类的状态评价模型
[0023]步骤2.1：将正常状态和失效状态的特征向量f
PC
引入k
‑
medoids聚类算法中，获得正常和失效阶段的聚类中心C
Nor
和C
Fai
。
[0024]步骤2.2：分别利用平方欧式距离和隶属函数计算轴承运行过程中其他状态特征向量与C
Nor
、C
Fai
之间的距离，作为表征轴承性能退化的退化因子DI。距离越短，差异越小。因此，距离越大表明轴承性能退化越严重。
[0025]其中，利用平方欧氏距离计算DI的表达式为：
[0026][0027]其中，h＜n，h为分类个数，n为特征向量f
PC
个数；为任意的特征参数；c
i
为聚类中心。
[0028]采用隶属函数计算DI的表达式为：
[0029][0030]其中，r＝2，下标D
*A
(*为xy或ty)表示计算向量的2范数。
[0031]为了简明扼要地表征轴承运行过程，DI进一步变换为介于0和1之间的置信值(confidence value，CV)，如式(6)所示。
[0032]CV＝exp(
‑
DI/c)
ꢀꢀꢀ
(6)
[0033]其中，c是尺度值。当轴承失效时，CV值趋于0。
[0034]本专利技术的有益效果：通过本专利技术设计的基于多源信息融合提出了一种新的评价轴承性能退化的方法。通过提取加速度信号、位移信号和温度信号的时域、频域特征值建立了初始的特征集，对初始特征值进行归一化后，利用PCA进行降维获得了轴承性能退化过程中的主要特征，将主要特征引入k
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息融合的微型涡轮机轴承性能退化评价方法，其特征在于，该方法包括以下步骤：步骤1：在特征融合层面建立基于轴承座加速度信号、转轴位移信号和温度信号的特征样本集；具体如下：步骤1.1：连续采样，采集微型涡轮机轴承运行过程中的多源响应信号，包括轴承的加速度信号V
b
，转轴位移信号V
s
和轴承座温度信号T；步骤1.2：分别提取步骤1.1中多源响应信号的特征参数，构建初始的特征样本集W
p*q
；步骤1.3：将步骤1.2中的特征参数采用最大最小归一化方法进行归一化，公式如下：式中，w
k
为第k个特征向量，为相应的归一化后的特征向量；步骤1.4：基于PCA的降维处理，获得表征轴承运行状态的特征向量；对于归一化后的特征集引入PCA中获得该特征集的主成分PC，即具有最高方差的主成分，从而构建表征轴承运行状态的特征向量f
PC
及特征矩阵F
p*n
；步骤2：构建基于k
‑
中心聚类的状态评价模型步骤2.1：将正常状态和失效状态的特征向量f
PC
引入k
‑
medoids聚类算法中，获得正常和失效阶段的聚类中心C
Nor
和C
Fai
；步骤2.2：分别利用平方欧式距离和隶属函数计算轴承运行过程中其余状态特征向量与C
Nor
、C
Fai
之间的距离，作为表征轴承性能退化的退化因子DI；距离越短，差异越小；因此，距离越大表明轴承性能退化越严重；其中，利用平方欧氏距离计算DI的表达式为：其中，h＜n，h为分类个数，n为特征向量f
PC
个数；为任意的特征参数；c
i
为聚类中心；采用...

【专利技术属性】
技术研发人员：云向河，张昊，韩清凯，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：