[发明专利]一种滚动轴承故障位置及性能退化程度诊断方法

说明书

技术领域

本发明涉及一种滚动轴承故障位置及性能退化程度诊断方法，属于轴承故障诊断技术领域。

背景技术

滚动轴承是众多旋转机械的关键性部件，其运行的不同时刻，故障程度不同。现有的滚动轴承故障诊断一般集中在故障位置(内环、外环、滚动体)的确定，性能退化程度诊断是最近提出的新的研究方向，它是从理念和方法上对现有的故障诊断技术的全新拓展。

最近，一些性能退化程度诊断方法被提出并受到越来越多的关注。威斯康辛大学和密西根大学的学者们提出了基于小脑模型神经网络、逻辑回归、自组织特征图神经网络、隐马尔可夫模型等性能退化诊断方法；Qiu等人[QIU H，LEE J，LIN J，et al.Robust performance degradation assessment methods for enhanced rolling element bearing prognostics[J]Advanced Engineering Informatics，2003，17：127-140.]建立了基于最优小波滤波器和自组织特征映射的滚动轴承性能退化的评估方法；Kang等人[KANG P J，BIRTWHISTLE D.Condition assessment of power transformer on load tap changers using wavelet analysis and self-organizing map：field evaluation[J]IEEE Transactions on Power Delivery，2003，18(1)：78-84.]利用小波分析和自组织映射实现电力变压器状态评估；现有技术中还提出了一种基于小波包和支持向量数据描述的轴承性能退化诊断方法，该方法采用小波包提取特征建立智能评估模型，用支持向量数据描述计算测试状态向量到球心的距离，进而诊断故障程度。在此基础上有学者又提出了一种基于提升小波包分解和模糊的C-均值轴承性能退化程度诊断方法。由提升小波包分解节点的能量组成特征向量。正常和最终失败的数据作为训练样本用于建立评估模型，利用模糊C-均值进行识别诊断。经验模态分解(Empirical Mode Decomposition，EMD)方法适合分析非线性、非平稳信号[刘立君，王奇，杨克己，等.基于EMD和频谱校正的故障诊断方法[J]仪器仪表学报，2011，32(6)：1278-1283.]。EMD结合AR模型对转子故障、滚动轴承性能退化程度进行特征提取获得了较好效果[CHENG J S，YU D J，YANG Y.A fault diagnosis approach for roller bearings based on EMD method and AR model[J]Mechanical Systems and Signal Processing，2006，20：350-362.；康守强，王玉静，杨广学，等.基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法[J]中国电机工程学报，2011，31(14)：96-102.]。

奇异值分解(Singular Value Decomposition，SVD)是一种有效的代数特征提取方法。矩阵的奇异值是矩阵的固有特征，具有较好的稳定性。基于EMD结合SVD的滚动轴承故障位置振动信号的特征提取方法得到了一定的应用。