[发明专利]一种基于EMD和PCA的滚动轴承状态辨识方法

说明书

技术领域

本发明属于轨道交通安全技术领域。本发明涉及一种基于EMD和PCA的滚动轴承状态辨识方法。

背景技术

在轨道车辆、汽车、工程机械行业中，滚动轴承的应用十分广泛，但同时故障率也较高，据统计仅有10%～20%的滚动轴承可以达到设计寿命。因此准确有效的滚动轴承运行状态监测和识别对于提高工作效率、降低运营成本、保障设备运行安全具有重要意义。

特征的提取和状态的辨识是滚动轴承状态监测中需解决的关键问题，国内外学者已经对此进行了深入研究。在特征提取方面，经验模态分解(Empirical Mode Decomposition，EMD)是一种较新的信号处理方法，具有自适应和高信噪比的特点，十分适合于机械振动信号等非平稳、非线性信号的分析处理，且通过EMD分解出的本征模函数(Intrinsic Mode Function,IMF)分量可用于提取故障特征信息。目前，已有学者采用计算各IMF的能量矩、能量熵、Renyi熵、Shannon熵以及计算IMF矩阵奇异值等方法进行了故障特征提取的研究。但上述研究均未考虑振动信号的统计特征，而振动信号的各种统计量往往包含了丰富的对象运行状态信息，可检测出其运行状态的变化。主成分分析(Principal Component Analysis,PCA)是一种典型的多元统计模式识别方法，参数限制少，计算简单。迄今，基于PCA的多元统计性能监控方法在质量控制、过程监测和故障诊断等领域已有诸多应用。在状态监测中，通过PCA对当前状态的采样数据进行最佳综合简化后，可求得不同子空间的统计变量值及其控制限，这些统计变量及其控制限可以表征当前状态的统计特性。在状态辨识方面，最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)是一种基于经典支持向量机(Support Vector Machine,SVM)的扩展和改进的智能分类方法。其不仅具有经典SVM的小样本学习能力强、泛化性能好、有效避免局部极小的特点，而且运算速度快，无需指定逼近精度。因此LSSVM在模式识别、预测控制等领域有广泛应用。

安全域分析及估计理论最早由WU等提出，应用于电力系统安全状态评价,之后扩展到网络控制、公路交通、电子政务等方面。针对滚动轴承状态监测和识别的研究，其安全域是一个在从域的角度全面描述滚动轴承可正常（无故障）运行区域的定量模型。直观来说，在状态特征变量所确定的空间中划定一个区域，估计此区域的边界，当滚动轴承的状态特征变量值所确定的状态点落在此区域内时，则认定此时滚动轴承运行状态正常（无故障），当状态点落在此区域外时，则认为此时滚动轴承运行状态非正常（故障）。当状态特征变量数为2，即所确定的空间为二维平面空间时，滚动轴承的运行状态安全域如图1所示，其中v₁、v₂为两个状态特征变量，P₁、P₂分别表示滚动轴承运行状态正常和故障时的两个状态点。安全域估计的主要工作是获得安全域边界，即一能够区分正常和故障两种状态的分类决策函数。

发明内容

本发明的目的是对滚动轴承运行状态进行监测和识别，获取滚动轴承安全域边界以辨识正常和故障两种运行状态，进而辨识滚动轴承的正常及滚动体、内圈、外圈故障四种运行状态。本发明可以为滚动轴承的状态监测提供可行的途径，进而提高滚动轴承的工作效率、降低运营成本，对滚动轴承的安全稳定运行提供保障。

一种基于EMD和PCA的滚动轴承状态辨识方法包括以下步骤：

1）获取实验数据：分别采集滚动轴承的运行状态处于正常和故障情况下的振动加速度数据，故障包括滚动体故障、内圈故障和外圈故障；

2）进行两类状态实验数据划分或四类状态实验数据划分；

两类状态实验数据划分是指：按照时间间隔t_I分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量；

四类状态实验数据划分是指：按照时间间隔t_I分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；