滚动轴承故障智能诊断方法、系统、电子设备以及存储介质技术方案

本发明专利技术实施例公开了滚动轴承故障智能诊断方法、系统、电子设备以及存储介质，在获取轴承的振动信号之后，使用InMPE进行熵值特征提取并构成特征数据集，分为特征样本的训练集和测试集，并利用训练集对MFO

【技术实现步骤摘要】
滚动轴承故障智能诊断方法、系统、电子设备以及存储介质


[0001]本公开涉及机械故障诊断领域，尤其涉及一种滚动轴承故障智能诊断方法、系统、电子设备以及存储介质。

技术介绍

[0002]滚动轴承是现代旋转机械中的重要零部件，其主要功能为支撑旋转部件，减少旋转体之间的摩擦损失。然而，轴承也是最容易损坏的部件，据统计，旋转机械失效案例中45％
‑
55％是由滚动轴承失效引起的。滚动轴承的故障可能会导致整个机械系统的损坏，造成大量的经济损失。因此，为了保证设备运行时的安全性和可靠性，对滚动轴承进行故障诊断是很有必要的。
[0003]在故障特征提取方面，受负载、间隙、摩擦等因素的影响，滚动轴承的振动信号通常表现为非平稳性和非线性，一些技术采用采用非线性动力学方法中的熵值提取信号中隐藏的非线性特征，如采用排列熵方法提取了轴承振动信号故障特征；但排列熵只能用于描述单一尺度上的时间序列信息。为描述不同尺度下时间序列信息，在排列熵的基础上，提出了多尺度排列熵(MPE)，并取得良好的故障识别效果，但在MPE中，粗粒化后的序列长度等于原时间序列的长度除以尺度因子，在大的尺度因子下，粗粒化序列长度会急剧变短，使得MPE的粗粒化序列不可避免地会遗漏一些重要的故障信息，导致提取滚动轴承故障特征不充分。降低提取滚动轴承故障特征准确度，从而降低设备运行时的安全性和可靠性，进而导致整个机械系统的损坏，造成大量的经济损失。

技术实现思路

[0004]提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0005]本公开实施例提供了一种方法及系统，解决了因MPE的粗粒化序列不可避免地会遗漏一些重要的故障信息，使得提取滚动轴承故障特征不充分的问题，提高了提取滚动轴承故障特征准确度，并且提高了故障速度，从而提高设备运行时的安全性和可靠性，降低整个机械系统的损坏的几率，避免大量的经济损失。
[0006]第一方面，本公开实施例提供了一种滚动轴承故障智能诊断方法，包括：获取轴承的振动信号之后，使用InMPE(插值多尺度排列熵)进行熵值特征提取，构成特征数据集；
[0007]将特征数据集划分为特征样本的训练集和测试集，并利用训练集对MFO(飞蛾火焰算法)
‑
SVM(支持向量机)分类器进行训练，使用测试集对训练完成的MFO
‑
SVM分类器进行测试评估；
[0008]用训练完成的MFO
‑
SVM分类器，对测试特征样本集进行模式识别，根据分类器输出结果，判断滚动轴承故障位置和故障程度。
[0009]结合第一方面的实施例，在一些实施例中，所述获取轴承的振动信号之后，使用
InMPE进行熵值特征提取，构成特征数据集，包括：
[0010]滚动轴承有u种故障状态类型，每种类型采集v组样本，并根据信号数据分析确定InMPE的4个参数，包括尺度因子τ、时间延迟λ、样本长度N和嵌入维数m；
[0011]计算各样本的InMPE值，作为输入特征向量，构成特征数据集。
[0012]结合第一方面的实施例，在一些实施例中，所述计算InMPE值的步骤，包括：
[0013]将采集的样本进行编号x
i
，构成原始时间序列{x
i
,i＝1,2,
…
,N},构造粗粒化时间序列
[0014][0015]尺度因子τ＝2时，在原始时间序列{x
i
,i＝1,2,
…
,N}中两个相邻数据点之间插入一个节点，计算这两个相邻数据点的均值，作为该节点的值，得到该尺度下的粗粒化序列
[0016][0017]尺度因子τ＝3时，在粗粒化序列中粗粒化序列中两个相邻数据点之间再次插入一个节点，并计算这两个相邻数据点的均值，作为此节点的值，得到该尺度下的粗粒化序列
[0018][0019]以此类推，直至计算出所有尺度因子下的粗粒化时间序列为止；
[0020]对粗粒化后的序列重构，如下式所示：
[0021][0022]式中：m为嵌入维数，λ为时间延迟，l＝1,2,
…
，N
‑
(m
‑
1)λ
[0023]为重构分量，矩阵Y共有l个重构分量；
[0024]将每一个重构分量按照升序重新排列，得到向量中各元素位置的列索引构成一组符号序列
[0025]S(g)＝{j1,j2,
…
,j
m
},g＝1,2,
…
,l,且l≤m！
[0026]n维相空间映射不同的符号序列总共有m！种；
[0027]计算每一种符号序列出现的概率p
i
[0028][0029]计算给定的所有尺度因子的PE，并得到InMPE值H
PE
(m)
[0030][0031][0032]结合第一方面的实施例，在一些实施例中，所述将特征数据集划分为特征样本的
训练集和测试集，并利用训练集对MFO
‑
SVM分类器进行训练，使用测试集对训练完成的MFO
‑
SVM分类器进行测试评估，包括：
[0033]将计算信号InMPE值H
PE
(m)整理制作成特征样本数据集，根据故障类型设置e个标签，每种类型选取部分样本组成训练样本集，剩余样本组成测试样本集；
[0034]输入训练特征样本集和测试特征样本集，确定适应度函数
[0035]初始化MFO参数，设定训练特征样本集规模n、最大迭代次数T0、螺旋函数常数η，确定SVM参数c和g的搜索范围；
[0036]在设定范围内随机生成飞蛾，计算各飞蛾的适应度函数值，找到最优飞蛾个体位置并保存在火焰矩阵F中；
[0037]判断迭代次数：
[0038]迭代次数T超过最大迭代次数T0时，输出最佳参数c和g；
[0039]迭代次数T不超过最大迭代次数T0时，计算更新火焰数量
[0040][0041]式中：T为当前迭代次数，n为最大火焰数量；
[0042]更新飞蛾和火焰的位置，种群中的每只人工飞蛾M
i
围绕特定的火焰F
j
进行位置更新，使用对数螺旋S(M
i
,F
j
)作为飞蛾的更新机制
[0043]S(M
i
,F
j
)＝D
ij
·
e
ηt
·
cos(2πt)+F
j
[0044]D
ij
＝|F
j
‑
M
i
|
[0045]式中：D
ij
为飞蛾到火焰的距离，η为螺旋线的形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障智能诊断方法，其特征在于，所述方法包括：获取轴承的振动信号之后，使用InMPE进行熵值特征提取，构成特征数据集；将特征数据集划分为特征样本的训练集和测试集，并利用训练集对MFO
‑
SVM分类器进行训练，使用测试集对训练完成的MFO
‑
SVM分类器进行测试评估；用训练完成的MFO
‑
SVM分类器，对测试特征样本集进行模式识别，根据分类器输出结果，判断滚动轴承故障位置和故障程度。2.根据权利要求1所述的方法，其特征在于，所述获取轴承的振动信号之后，使用InMPE进行熵值特征提取，构成特征数据集，包括：滚动轴承有u种故障状态类型，每种类型采集v组样本，并根据信号数据分析确定InMPE的4个参数，包括尺度因子τ、时间延迟λ、样本长度N和嵌入维数m；计算各样本的InMPE值，作为输入特征向量，构成特征数据集。3.根据权利要求2所述的方法，其特征在于，所述计算InMPE值的步骤，包括：将采集的样本进行编号x
i
，构成原始时间序列{x
i
,i＝1,2,
…
,N},构造粗粒化时间序列,N},构造粗粒化时间序列尺度因子τ＝2时，在原始时间序列{x
i
,i＝1,2,
…
,N}中两个相邻数据点之间插入一个节点，计算这两个相邻数据点的均值，作为该节点的值，得到该尺度下的粗粒化序列节点，计算这两个相邻数据点的均值，作为该节点的值，得到该尺度下的粗粒化序列尺度因子τ＝3时，在粗粒化序列中粗粒化序列中两个相邻数据点之间再次插入一个节点，并计算这两个相邻数据点的均值，作为此节点的值，得到该尺度下的粗粒化序列个节点，并计算这两个相邻数据点的均值，作为此节点的值，得到该尺度下的粗粒化序列以此类推，直至计算出所有尺度因子下的粗粒化时间序列为止；对粗粒化后的序列重构，如下式所示：式中：m为嵌入维数，λ为时间延迟，l＝1,2,
…
，N
‑
(m
‑
1)λ为重构分量，矩阵Y共有l个重构分量；将每一个重构分量按照升序重新排列，得到向量中各元素位置的列索引构成一组符号序列S(g)＝{j1，j2，
…
，j
m
Lg＝L2，
…
，l，且l≤m！n维相空间映射不同的符号序列总共有m！种；计算每一种符号序列出现的概率p
i
计算给定的所有尺度因子的PE，并得到InMPE值H
PE
(m)(m)4.根据权利要求3所述的方法，其特征在于，所述将特征数据集划分为特征样本的训练集和测试集，并利用训练集对MFO
‑
SVM分类器进行训练，使用测试集对训练完成的MFO
‑
SVM分类器进行测试评估，包括：将计算信号InMPE值H
PE
(m)整理制作成特征样本数据集，根据故障类型设置e个标签，每种类型选取部分样本组成训练样本集，剩余样本组成测试样本集；输入训练特征样本集和测试特征样本集，确定适应度函数初始化MFO参数，设定训练特征样本集规模n、最大迭代次数T0、螺旋函数常数η，确定SVM参数c和g的搜索范围；在设定范围内随机生成飞蛾，计算各飞蛾的适应度函数值，找到最优飞蛾个体位置并保存在火焰矩阵F中；判断迭代次数：迭代次数T超过最大迭代次数T0时，输出最佳参数c和g；迭代次数T不超过最大迭代次数T0时，计算更新火焰数量式中：T为当前迭代次数，n为最大火焰数量；更新飞蛾和火焰的位置，种群中的每只人工飞蛾M
i
围绕特定的火焰F
j
进行位置更新，使用对数螺旋S(M
i
,F
j
)作为飞蛾的更新机制S(M
i
，F
j
)＝D
ij
·
e
ηt
·
cos(2πt)+F
j
D
ij
＝|F
j
‑
M
i
|式中：D
ij
为飞蛾到火焰的距离，η为螺旋线的形状，F
j
为第j个火焰，t为[
‑
1,1]内的随机数；计算飞蛾的适应度值，更新并保存飞蛾和火焰的空间位置，找到最优飞蛾个体位置，返回继续判断迭代次数；用最优参数c和g训练SVM预测模型，采用训练特征样本集对MFO
‑
SVM分类器进行训练，得到优化后参数c和g及对应的训练完成的MFO
‑
SVM分类器模型。5.一种滚动轴承故障智能诊断系统，其特征在于，所述系统包括：特征提取单元，获取轴承的振动信号之后，使用InMPE进行熵值特征提取，构成特征数据集；训练单元，将特征数据集划分为特征样本的训练集和测试集，并利用训练集对MFO
‑
SVM分类器进行训练，使用测试集对训练完成的MFO
‑
...

【专利技术属性】
技术研发人员：王博麟，刘宇，
申请(专利权)人：王博麟，
类型：发明
国别省市：