一种基于概率神经网络的轴承健康状态识别方法技术

一种基于概率神经网络的轴承健康状态识别方法，步骤如下：1）采集原始信号；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征，评估选取参数对已知数据分配的能力。3）构造概率神经网络模型；4）将输入参数输入概率神经网络进行状态识别。本发明专利技术将轴承的运行状态分为正常，亚健康和故障三种状态，采用概率神经网络（PNN）对轴承的健康状态进行估计，使用样本熵等作为概率神经网络（PNN）的输入特征参数，评估数据的分布能力，通过与传统轴承状态的正常-故障模型进行实验对比，并给出了轴承健康状态的识别结果。

【技术实现步骤摘要】
【专利摘要】，步骤如下：1）采集原始信号；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征，评估选取参数对已知数据分配的能力。3）构造概率神经网络模型；4）将输入参数输入概率神经网络进行状态识别。本专利技术将轴承的运行状态分为正常，亚健康和故障三种状态，采用概率神经网络（PNN）对轴承的健康状态进行估计，使用样本熵等作为概率神经网络（PNN）的输入特征参数，评估数据的分布能力，通过与传统轴承状态的正常-故障模型进行实验对比，并给出了轴承健康状态的识别结果。【专利说明】
本专利技术涉及一种用于工业生产中机械设备滚动轴承的故障诊断方法，尤其是。
技术介绍
机械设备的故障诊断技术在现在的成果中越来越重要。如果设备故障没有及时的发现并消除，不仅会引起机械设备的损伤，还会导致严重的死机。工业生产中对机械安全性和可靠性的要求越来越高，并且对机械要求智能化状态监测和故障诊断系统。滚动轴承故障就是工业设备中最常见的故障，有效的发现并诊断出滚动轴承的故障不仅能够保证其可靠性，并且还能减少维修费用。故障诊断的通用技术是震动信号分析，许多研究都是基于震动信号处理的，这些研究大体分为三种领域:频域分析，时域分析，时频域分析。小波变换是最好的一种时频分析，不像时频分布那样是一种信号的时频表示，它是信号的时标表示，并已经广泛的应用于轴承故障诊断的信号处理中。开发一种智能的故障诊断体制是非常有价值的，这可以使相对不熟练的操作员对机器的运行状态做出更加可靠和快速的判定。为了解决这个问题，近年来各种智能计算技术集中地运用到故障诊断领域，例如人工神经网络(ANN)和支持向量机(SVM)，这些技术的应用在很大程度上提高了故障诊断在实践中的自动化和性能。但是在这些方法中，轴承的故障都简单的分为两类(正常状态和故障状态)，而从正常状态到故障状态还有一段过程。最近几年，大量的研究集中在轴承性能退化或者健康状态的评估中，其中有文献提出了一种滚动轴承健康评估的新方法，即转速异步平均包罗谱特征提取技术。有的研究运用粗糙支持向量数据描述来评估轴承性能退化，并运用适当的向量机和逻辑回归做出评估，有些研究则运用提升的小波包分解技术和模糊C均值方法。通常情况下轴承处于正常和故障之间中间状态的状态，即“亚健康”状态。当轴承处于亚健康状态下，不能说它已经发生故障，但是如果置之不理，那很快就会发生故障，所以这种状态的诊断非常重要。传统的健康-故障模型简单的把轴承的状态分为两种状态:健康状态和故障状态。这种分类方法具有一定的缺陷，即当诊断为故障状态时，表明轴承已经发生了严重致命的故障。一旦轴承处于故障状态，整个机械设备就随时可能发生故障，从而引起重大事故和重大的经济损失。这种分类方法不利于故障的早期发现和排除。
技术实现思路
本专利技术提供一种更加科学合理的便于管理的轴承健康状态识别方法，它能够及时全面分析轴承状态。该方法引入轴承健康度的概念，根据健康度的值，将轴承的运行状态分为健康，亚健康和故障三种状态；运用概率神经网络(PNN)对轴承的健康状态进行估计。本专利技术的目的是通过下述技术方案实现的:，其特征在于，步骤如下:I)采集原始信号:通过数据采集系统采集正常轴承和单点驱动端缺陷的数据；2)选择和评估参数:运用统计学原理计算震动信号产生的特征集，选取的统计特征如下:幅度:【权利要求】1.，其特征在于，步骤如下: 1)采集原始信号:通过数据采集系统采集正常轴承和单点驱动端缺陷的数据； 2)选择和评估参数:运用统计学原理计算震动信号产生的特征集，选取的统计特征如下: 幅度: Range=max (Xi) -min (Xi)(8) 有效值: 【文档编号】G06N3/02GK103512751SQ201310278309【公开日】2014年1月15日 申请日期:2013年7月3日 优先权日:2013年7月3日 【专利技术者】张利, 田立, 刘萌萌, 陈朋杰, 赵中洲 申请人:辽宁大学本文档来自技高网...

【技术保护点】
一种基于概率神经网络的轴承健康状态识别方法,其特征在于，步骤如下：1）采集原始信号：通过数据采集系统采集正常轴承和单点驱动端缺陷的数据；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征如下：幅度：Range=max(xi)?min(xi)????????????????????（8）有效值：μx=1NΣi=1Nxi---(9)绝对平均值：μ|x|=1NΣi=1N|xi|---(10)均方值：ψx2=1NΣi=1Nxi2---(11)均方根（RMS）：ψx=1NΣi=1Nxi2---(12)方差：σx2=1NΣi=1N(xi-μx)2---(13)标准差：SD=Σi=1n(xi-μ)2n-1---(14)偏度：S=M3δ3=E(X)[(X-μ)3]δ3---(15)峰态：K=M4δ4=E(X)[(X-μ)4]δ4---(16)峰值：peak=max(Xi)???????????????????（17）波形指标：WI=peakμx=max(xi)1/NΣi=1Nxi---(18)脉冲指标：II=peakμ|x|=max(xi)1/NΣi=1N|xi|---(19)样本熵：其计算过程如下步骤一：N点序列，首先计算N*N的距离矩阵D，第i行第j列的元素就是d，并定义成点i，j之间的距离。dij=1,|u(i)-u(j)|<r0,u(i)-u(j)|≥r(i=1,2,...,n;j=1,2,..,n,i≠j)---(20)步骤二：用矩阵D中的元素很容易得到和假设窗长度是2；Ci2(r)=Σi,j=1N-2dij∩d(i+1)(j+1)---(21)Ci3(r)=Σi,j=1N-2dij∩d(i+1)(j+1)∩d(i+1)(j+2)---(22)步骤三：通过和计算得到和φm(r)=1N-m+1Σi=1N-m+1lnCim(r)---(23)步骤四：计算样本熵SampEn(m,r,N)=-lnφm+1(r)φm(r)---(24)评估上述13个参数对已知数据分配的能力，并另外选取性能比较好的绝对值平均值，峰态，标准差，均方根和样本熵作为输入特征。3）构造概率神经网络模型：输入层有5个节点表示输入特征，求和层和输出层都是3个节点，表示健康的三个状态，模式层有150个节点，表示选取的150个样本；4）将输入参数输入概率神经网络进行状态识别，根据健康度的定义HD=P(healthy)?P(failure)，计算健康度的值，根据轴承健康度的阈值来判定轴承所处的运行状态为健康、亚健康或故障。当0.4...

【技术特征摘要】

【专利技术属性】
技术研发人员：张利，田立，刘萌萌，陈朋杰，赵中洲，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：