一种基于改进LSSVM的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于改进LSSVM的滚动轴承故障诊断方法，涉及滚动轴承故障诊断领域，解决了现有利用加速度传感器提取轴承座处的振动信号进行诊断，会受到采集到的振动信号多表现为非线性、非平稳特征，而影响分析诊断的准确性的问题，现提出如下方案，其通过诊将模糊嫡应用于实测轴承故障振动信号的复杂度计算,实验分析表明模糊嫡能够作为区分轴承不同故障状态的特征参数，而有效的在提高准确率的同时，减少了运行的时间。本方法具有运行高效，且分析诊断准确的特点。且分析诊断准确的特点。

【技术实现步骤摘要】
一种基于改进LSSVM的滚动轴承故障诊断方法


[0001]本专利技术涉及滚动轴承故障诊断领域，尤其涉及一种基于改进LSSVM的滚动轴承故障诊断方法。

技术介绍

[0002]随着现代化工业技术的发展，机电设备呈复杂化、高速化、自动化和智能化特点，滚动轴承是在机械设备中一个重要组成部分0。椐统计，机械设备30％故障是滚动轴承引起的，用一定故障诊断方法对轴承工作状态进行检测，对轴承故障类型进行准确预测，把滚动轴承故障消灭在初始状态，最大限度的发挥滚动轴承工作潜力，具有十分重要实际意义回。
[0003]最早的滚动轴承故障诊断方法为:温度法和油样分析法，温度法检测对滚动轴承速度、载荷和润滑变化十分敏感，但是对早期点蚀、剥落、轻微磨损则不能检测到。
[0004]随着科技的发展，利用加速度传感器提取轴承座处的振动信号是轴承故障诊断技术中的一种有效手段，得到了广泛的应用。由于轴承通常工作在多振源的环境中，实际采集到的振动信号多表现为非线性、非平稳特征，因而其将对所提取的信号数据造成一定的干扰，而影响分析诊断的准确性。因此提出一种基于改进LSSVM的滚动轴承故障诊断方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于改进LSSVM的滚动轴承故障诊断方法，解决了现有利用加速度传感器提取轴承座处的振动信号进行诊断，会受到采集到的振动信号多表现为非线性、非平稳特征，而影响分析诊断的准确性的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于改进LSSVM的滚动轴承故障诊断方法，包括以下步骤：
[0007]S1：采用小波包变换对滚动轴承振动信进行降噪处理；
[0008]S2：利用小波包变换提取滚动轴承故障的能量特征向量；
[0009]S3：通过LSSVM对训练样本{(x
i
，y
i
)}，i＝1，2，
…
n，分别得到其拉格朗乘子矩阵，即：α
i
＝[α1…
α
n
]T
；
[0010]S4：通过LSSVM对训练样本{(x
i
，y
i
)}和α
i
＝[α1…
α
n
]T
进行学习，计算出LSSVM的权值向量w
i
；
[0011]S5：在S3的基础上，计算出LSSVM的偏置向量b
i
；
[0012]S6：通过利用训练样本{(x
i
，y
i
)}、α
i
＝[α1…
α
n
]T
、w
i
和b
i
建立滚动轴承故障的分类决策函数，即LSSVM分类器；
[0013]S7：将模糊嫡参数输入LSSVM分类器，识别和判断轴承故障；
[0014]S8：采用待检测的测试样本{(x
i
，y
i
)}对建立滚动轴承故障的分类模型的性能进行检验，对分类结果进行分析和评判，看是否达到系统的要求，从而决定最后的滚动轴承故障分类模型；
[0015]S9：利用已经建交好的最优动轴承故障分类模型对未知滚动轴承样本的故障类型
进行辩识。
[0016]优选的，所述S1与S2中无频率折叠的小波分解算法为：
[0017][0018]其中，c
n，k
第k层趋势分量的第n个小波系数，d
n，k
第k层细节趋势分量的第n个小波系数。
[0019]优选的，通过所述小波分解，任何信号c
n，0
可以分解成d
n，1
，d
n，2
，
…
，d
n，N
和c
n，N
信号分量，相应的分解的重构算法为：
[0020][0021]优选的，所述S2中首先确定接收的振动信号x(t)，表示为：
[0022][0023]式中，x(t)表示故障引起的振动信号，n(t)表示故障以外部分引起的振动信号，T表示故障冲击的周期；
[0024]在信号分析中采用时间局部化特性好的小波包算法对振动信号x(t)进行分解，得到2
N
个子频带，即：
[0025][0026]式中，x(t)表示滚动轴承振动信号在第m个子频带内的分量；
[0027]设取信号被小波包分解后得到的M个频带，每个频带的能量为：
[0028][0029]从而可以采用提取轴承振动信号的能量特征，能量特征向量E为:
[0030][0031]式中，E
r
表示信号的能量均方根。
[0032]优选的，所述S7中模糊嫡为的计算式为：
[0033][0034]其中，m为模式维数，r为相似容限，N为数据长度。
[0035]与相关技术相比较，本专利技术提供的一种基于改进LSSVM的滚动轴承故障诊断方法具有如下有益效果：
[0036]本专利技术提供一种基于改进LSSVM的滚动轴承故障诊断方法，通过诊将模糊嫡应用
于实测轴承故障振动信号的复杂度计算,实验分析表明模糊嫡能够作为区分轴承不同故障状态的特征参数，而有效的在提高准确率的同时，减少了运行的时间。
[0037]使得本方法具有运行高效，且分析诊断准确的特点。
具体实施方式
[0038]下面将结合本专利技术实施例对本专利技术技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]本专利技术提供一种技术方案：一种基于改进LSSVM的滚动轴承故障诊断方法，包括以下步骤：
[0040]S1：采用小波包变换对滚动轴承振动信进行降噪处理；
[0041]S2：利用小波包变换提取滚动轴承故障的能量特征向量；
[0042]S3：通过LSSVM对训练样本{(x
i
，y
i
)}，i＝1，2，
…
n，分别得到其拉格朗乘子矩阵，即：α
i
＝[α1…
α
n
]T
；
[0043]S4：通过LSSVM对训练样本{(x
i
，y
i
)}和α
i
＝[α1…
α
n
]T
进行学习，计算出LSSVM的权值向量w
i
；
[0044]S5：在S3的基础上，计算出LSSVM的偏置向量b
i
；
[0045]S6：通过利用训练样本{(x
i
，y
i
)}、α
i
＝[α1…
α
n
]T
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进LSSVM的滚动轴承故障诊断方法，其特征在于，包括以下步骤：S1：采用小波包变换对滚动轴承振动信进行降噪处理；S2：利用小波包变换提取滚动轴承故障的能量特征向量；S3：通过LSSVM对训练样本{(x
i
，y
i
)}，i＝1，2，
…
n，分别得到其拉格朗乘子矩阵，即：α
i
＝[α1…
α
n
]
T
；S4：通过LSSVM对训练样本{(x
i
，y
i
)}和α
i
＝[α1…
α
n
]
T
进行学习，计算出LSSVM的权值向量w
i
；S5：在S3的基础上，计算出LSSVM的偏置向量b
i
；S6：通过利用训练样本{(x
i
，y
i
)}、α
i
＝[α1…
α
n
]
T
、w
i
和b
i
建立滚动轴承故障的分类决策函数，即LSSVM分类器；S7：将模糊嫡参数输入LSSVM分类器，识别和判断轴承故障；S8：采用待检测的测试样本{(x
i
，y
i
)}对建立滚动轴承故障的分类模型的性能进行检验，对分类结果进行分析和评判，看是否达到系统的要求，从而决定最后的滚动轴承故障分类模型；S9：利用已经建交好的最优动轴承故障分类模型对未知滚动轴承样本的故障类型进行辩识。2.根据权利要求1所述的一种基于改进LSSVM的滚动轴承故障诊断方法，其特征在于，所述S1与S2中无频率折叠的小波分解算法为：其中，c
n，k

【专利技术属性】
技术研发人员：周子恒，胡樾明，宋智超，
申请(专利权)人：河海大学，
类型：发明
国别省市：