【技术实现步骤摘要】
本专利技术涉及故障检测，尤其涉及一种基于熵与神经网络判决的滚动轴承微弱故障诊断方法。
技术介绍
1、滚动轴承广泛应用于国民经济和国防事业的各个领域，起着承受、传递载荷的重要作用，由于轴承所处的高载荷、高转速的工作环境，极易发生故障，从而影响整个旋转机械系统的好坏。滚动轴承微弱故障诊断可以提前准确地确定故障的部位和故障程度，有利于减少投入维修的费用，提高支承传动系统的使用寿命，进而提高旋转机械的安全性。在轴承故障诊断方面，主要的方法有振动检测、声发射检测、温度检测、间隙检测等。其中振动检测因其易于测量而得到了广泛应用。对于轴承早期微弱故障诊断，从振动信号中获取故障信号的主要阻碍在于背景噪声的干扰，因此设计一种减少背景噪声的方法从而达到有效判断故障类型显得尤为重要。此外，在已知滚动轴承故障类型的基础上，如何进一步对已降噪信号中与故障程度有关联的特征信息进行提取，从而识别故障损伤程度，是极具挑战性和实用性的。
2、能量比ε可视为信号中故障冲击与总冲击的相对大小，ε越大，可视为信号中的故障冲击越严重，即信号的故障越严重。对于正常信号，信号中的故障冲击成分较小，ε值偏小，而对于故障信号，信号中的故障冲击成分较大，ε值较大，定义εn为正常信号所能达到的最大ε值，即当ε≤εn时，信号为正常信号，ε>εn时，信号为故障信号。
3、传统振动信号的分析和处理常用傅里叶分析，但它的窗口函数固定不变，因而在非平稳信号的分析上效果不太好。小波分析要优于傅里叶分析，它是一种时间和频率窗都可改变的时频局部化分析方法，在局部和频域
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于熵与神经网络判决的滚动轴承微弱故障诊断方法，将小波包、峭度-相关系数-排列熵、香农熵-指数熵-多层前向神经相结合，可以有效识别轴承故障类型及其损伤程度，为轴承的故障类型判断与损伤程度识别提供参考。
2、为解决上述技术问题，本专利技术所采取的技术方案是：
3、一种基于熵与神经网络判决的滚动轴承微弱故障诊断方法，包括如下步骤：
4、步骤1：通过振动传感器采集到轴承的振动信号，通过测量得到轴承的参数，包括接触角α、滚珠数z、滚珠直径d/mm、节径d/mm；同时设置好采样频率，记为fs；将采集得到的振动信号设为x；
5、步骤2：对采集到的振动信号进行hilbert变换得到频域信号，计算频域信号的能量比，与正常轴承能量比值对比，判断轴承是否发生故障；
6、步骤3：经小波包对振动信号进行分解，得到不同的imf分量；
7、步骤4：对通过小波包分解得到的imf分量进行筛选和重构；
8、综合峭度值、相关系数、排列熵后定义v值为三者的综合筛选指标，对三种不同的指标取相同的权重进行分析和计算，并对三个指标进行归一化处理；计算出各imf分量在小波包分解后的v值，并对其进行排序；经融合参数比筛选符合要求的t个imf分量进行线性重构，得到重构信号y；
9、步骤5：对重构信号进行hilbert变换获得频域信号，获取轴承的故障特征频率，与已知故障类型的故障特征频率比对，判断故障类型；
10、步骤6：对重构信号进行香农熵、指数熵计算，构建基于香农熵-指数熵-多层前向神经网络模型，对轴承故障损伤程度进行识别。
11、进一步地，所述步骤2中，计算频域信号的能量比的具体方法为：
12、定义在包络谱中幅值的平方视为信号的能量值，则一段振动信号的总能量视为在对应频率段内每一个频率点处对应的幅值的平方和，即其中n为频率点最大值；一段振动信号的故障能量视为在特征故障频率及其倍频处的能量之和，即其中m为故障特征倍频数量，；能量比的数学表达式为：
13、
14、计算振动信号的能量比值，将其与正常轴承的能量比值比较，基于故障轴承的能量比值是否大于正常轴承信号的能量比值，进而判断轴承是否发生故障。
15、进一步地，所述步骤3中，小波包变换公式为：
16、
17、式中，φn(t)表示原信号序列；hk和gk分别表示长度为2n+的低通滤波器和高通滤波器；小波包分解算法公式为：
18、
19、式中，和为小波系数；j为尺度参数，j∈z+；k、n为平移参数，k、n∈z，z为整数；m*为频率参数，m*∈{2j-1,2j-2,…,0}；hn-2k为小波包分解中的低通滤波器；gn-2k为小波包分解中高通滤波器；
20、小波包重构算法公式为：
21、
22、式中，为小波包重构后的小波包系数；hk-2n为小波包重构的低通滤波器；gk-2n为小波包重构的高通滤波器；
23、通过小波包分解，获得八个imf分量。
24、进一步地，所述步骤4中，筛选和重构的具体方法为：
25、步骤4.1：峭度-相关系数-排列熵参数融合；
26、峭度指标的计算公式为：
27、
28、式中，e为期望；y代表振动信号幅值；代表振动信号幅值y的均值；s代表故障信号的标准差；
29、相关系数是用来研究各变量之间密切程度的指标；相关系数是[-1,1]之间的数值，数值越大则变量间的相关程度越大；设两样本分别为x和y，相关系数为：
30、
31、式中，r为x和y相关系数；cov(x,y)为x和y的协方差；为x的方差；为y的方差；
32、排列熵指标的计算公式如下：
33、
34、式中，h为排列熵值；pi为每一种排列情况出现次数的概率；k*为所有排列情况的数量；
35、排列熵值h的大小表示一种时间序列的复杂程度；越有序的时间序列所对应的排列熵的值越小，越复杂的时间序列所对应的排列熵的值越大；
36、求出每个imf分量的峭度值、相关系数、排列熵值，将三个指标值归一化，对每个指标值赋予相应的权重值，进而将三个指标值相加作为一个新指标值，记为v指标，v指标定义为：
37、v＝λ1k+λ2ε+λ3(1-h) (8)
38、式中，k为峭度值，r为相关系数，h为排列熵，λ1是峭度值的权重值，λ2是相关系数的权重值，λ3是排列熵的权重值，三个权重值应满足：
39、λ1+λ2+λ3＝1 (9)
40、步骤4.2：重构分量筛选原则；
41、基于分量信号的v值作为t的筛选指标，首先，对八本文档来自技高网...
【技术保护点】
1.一种基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤2中，计算频域信号的能量比的具体方法为：
3.根据权利要求1所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤3中，小波包变换公式为：
4.根据权利要求3所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤4中，筛选和重构的具体方法为：
5.根据权利要求1所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤6的具体方法为：
6.根据权利要求5所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述香农熵计算使用的统计量是修正的香农熵，其定义为：
7.根据权利要求5所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述多层前向神经网络包括输入层k1、隐层j2、输出层i3，隐层和输出层中的节点的输入为前一层所有节点输出值之和，每一节点的激励输出
...【技术特征摘要】
1.一种基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤2中，计算频域信号的能量比的具体方法为：
3.根据权利要求1所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤3中，小波包变换公式为：
4.根据权利要求3所述的基于熵与神经网络判决的滚动轴承微弱故障诊断方法，其特征在于：所述步骤4中，筛选和重构的具体方法为：
5.根据...
【专利技术属性】
技术研发人员：栾孝驰，钟承豪，沙云东，杨杰，赵奉同，赵聪，郭小鹏，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。