改进奇异谱分析和R制造技术

本发明专利技术公开了一种改进奇异谱分析和R

【技术实现步骤摘要】
改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法


[0001]本专利技术属于信号分析与故障诊断方法
，具体涉及一种改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法。

技术介绍

[0002]滚动轴承作为旋转机械中应用最广泛的核心部件之一，起着支撑和连接旋转部位、传递动力的作用，它的运行状态对整个机械设备的精度、性能、可靠性和寿命等都有重要影响，其极容易产生故障，导致设备非计划停机，严重的还会造成巨大经济损失甚至人员伤亡。
[0003]不同故障特征信号之间相互耦合，难以采用传统的单故障识别方法进行诊断，是滚动轴承复合故障诊断技术中的重点和难点问题之一。现有的复合故障诊断识别的相关研究大部分处理方法采用先分离后诊断的策略，但也存在缺陷：
①
由于信号分离方法自身的局限性，在分离过程中容易出现分离不准确的现象，造成漏诊或误诊，另外，采用先分离的方法必然面临“遍历式”辨识方法带来的“冗余诊断”或“定点式”辨识方法带来的“欠缺诊断”，这都严重影响到诊断结果的准确性；
②
在实际工况中，由于多种因素的影响，不同复合故障信号的分离难易程度不同，难以分离的复合故障信号采用先分离后诊断的方法会导致诊断效果不好，甚至会失效。

技术实现思路

[0004]本专利技术的目的是提供一种改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，该方法可以在强背景噪声下、滚动轴承复合故障耦合且难以识别的条件下，提高故障诊断的准确性。
[0005]本专利技术所采用的技术方案是：
[0006]改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，包括：采集复合故障信号；根据嵌入维数最优选择原则确定最佳嵌入维数值L
opt
；利用拒绝准则筛选周期性分量对应的奇异值子对；重构筛选出的奇异值子对对应的分量，得到过滤后的重构信号；将重构的复合故障信号数据进行片段的划分，估计每个分段的概率密度函数(PDF)，并基于不同α值的每个分段的PDF计算R
é
nyi熵值；计算每个片段R
é
nyi熵的平均值μ，将R
é
nyi熵值大于平均值μ的片段隔离出来；分析隔离出的均值最大的片段，识别滚动轴承不同类型的复合故障。
[0007]本专利技术的特点还在于：
[0008]改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，具体按照以下步骤实施：
[0009]步骤1、采集滚动轴承不同类型复合故障信号；
[0010]步骤2、计算滚动轴承复合故障中每种类型故障的故障特征频率，根据嵌入维数最优选择原则确定最佳嵌入维数值的取值范围，并根据该范围选择最佳嵌入维数值L
opt
；
[0011]步骤3、利用拒绝准则筛选周期性分量对应的奇异值子对，进而对信号降噪和排除
干扰成分预处理；
[0012]步骤4、重构步骤3中筛选出的奇异值子对对应的分量，经过重组和对角平均对复合故障信号进行重构，得到过滤后的重构信号；
[0013]步骤5、将步骤4得到的重构的复合故障信号数据进行片段的划分，该片段长度必须大于单一故障类型在一个周期内的采样点数，估计每个分段的PDF，并基于不同α值的每个分段的PDF计算R
é
nyi熵值；
[0014]步骤6、计算每个片段R
é
nyi熵值的平均值μ，将其作为隔离故障特征信息的自适应阈值，若片段内的值大于μ，则将片段隔离出来；
[0015]步骤7、分析步骤6隔离出的均值最大值的片段，根据时域波形图和包络谱图识别滚动轴承不同类型的复合故障。
[0016]步骤2具体包括以下步骤：
[0017]步骤2.1、计算滚动轴承复合故障中每种类型故障的故障特征频率；
[0018]步骤2.2、计算复合故障中不同类型故障在一个周期内的最大采样点数L
max
，L
max
计算公式为式(4)：
[0019]L
max
＝[L1,L2,
…
,L
j
]max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]式(4)中：j∈N
+
为不同类型的故障数目，L
j
＝f
s
/f
j
为不同类型故障在一个周期内的采样点数，f
s
为采样频率，f
j
为时间序列中的故障特征频率；
[0021]步骤2.3、利用最大采样点数L
max
计算最佳嵌入维数取值范围的下限，计算公式为式(5)：
[0022][0023]式(5)中：L
max
为在一个周期内的最大采样点数，d∈N
+
；
[0024]步骤2.4、利用奇异值对形成原理构建滚动轴承复合故障嵌入维数的最优选择原则，根据式(6)给出最佳嵌入维数选择范围，进而确定最佳嵌入维数值L
opt
：
[0025][0026]式(6)中：N为所选取数据的总长度。
[0027]步骤3具体包括以下步骤：
[0028]步骤3.1、选择满足不等式(7)条件的特征值数k，如果不满足不等式(7)，则忽略其对应的特征值对，不等式(7)为：
[0029][0030]式(7)中：m为满足不等式的特征值个数，l为总的特征值个数；
[0031]步骤3.2、为了只得到周期分量，采用启发式准则来识别步骤3.1得到的特征值对。
[0032]步骤3.2中的启发式准则具体为：
[0033]如果以下条件(8)、(9)、(10)同时共存，则选择特征值并作为不存在噪声的周期对：
[0034]i，j小于k(8)
[0035][0036][0037]式(8)、(9)、(10)中：λ
i
、λ
j
是特征值，f
m
、f
n
是指从特征向量的傅立叶变换获得的最高值。
[0038]步骤5中使用正态核估计器估计每个分段的PDF。
[0039]步骤5中的PDF由公式(11)计算得出：
[0040][0041]式(11)中，K是核函数，h是核带宽，
[0042][0043]式(12)中，K(x)≥0且满足
[0044]式(11)中的h由式(13)计算得出：
[0045][0046]式(13)中，为标准差。
[0047]R
é
nyi熵值计算公式如下：
[0048][0049]式(14)中，α是1的实数，N为信号总长度。
[0050]本专利技术的有益效果是：
[0051]本专利技术提出了一种改进奇异谱分析和R
é
nyi熵的滚动轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，其特征在于，包括：采集复合故障信号；根据嵌入维数最优选择原则确定最佳嵌入维数值L
opt
；利用拒绝准则筛选周期性分量对应的奇异值子对；重构筛选出的奇异值子对对应的分量，得到过滤后的重构信号；将重构的复合故障信号数据进行片段的划分，估计每个分段的概率密度函数(PDF)，并基于不同α值的每个分段的PDF计算R
é
nyi熵值；计算每个片段R
é
nyi熵的平均值μ，将R
é
nyi熵值大于平均值μ的片段隔离出来；分析隔离出的均值最大的片段，识别滚动轴承不同类型的复合故障。2.根据权利要求1所述的改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，其特征在于，具体按照以下步骤实施：步骤1、采集滚动轴承不同类型复合故障信号；步骤2、计算滚动轴承复合故障中每种类型故障的故障特征频率，根据嵌入维数最优选择原则确定最佳嵌入维数值的取值范围，并根据该范围选择最佳嵌入维数值L
opt
；步骤3、利用拒绝准则筛选周期性分量对应的奇异值子对，进而对信号降噪和排除干扰成分预处理；步骤4、重构步骤3中筛选出的奇异值子对对应的分量，经过重组和对角平均对复合故障信号进行重构，得到过滤后的重构信号；步骤5、将步骤4得到的重构的复合故障信号数据进行片段的划分，该片段长度必须大于单一故障类型在一个周期内的采样点数，估计每个分段的PDF，并基于不同α值的每个分段的PDF计算R
é
nyi熵值；步骤6、计算每个片段R
é
nyi熵值的平均值μ，将其作为隔离故障特征信息的自适应阈值，若片段内的值大于μ，则将片段隔离出来；步骤7、分析步骤6隔离出的均值最大值的片段，根据时域波形图和包络谱图识别滚动轴承不同类型的复合故障。3.根据权利要求2所述的改进奇异谱分析和R
é
nyi熵的滚动轴承复合故障识别方法，其特征在于，步骤2具体包括以下步骤：步骤2.1、计算滚动轴承复合故障中每种类型故障的故障特征频率；步骤2.2、计算复合故障中不同类型故障在一个周期内的最大采样点数L
max
，L
max
计算公式为式(4)：L
max
＝[L1,L2,
…
,L
j
]
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式(4)中：j∈N
+
...

【专利技术属性】
技术研发人员：李胜强，剡昌锋，侯运丰，刘斌，吕明，黄渊，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：