[发明专利]用于滚动轴承智能故障诊断的方法

权利要求书

1.一种用于滚动轴承智能故障诊断的方法，其特征在于包括以下步骤：

1)利用加速度传感器获取滚动轴承振动信号；

2)采用小波包变换对滚动轴承振动信号进行分解并重构；

3)运用奇异值分解方法对重构信号进行奇异值分解，将各频段的奇异值组合成特征向量；

4)将滚动轴承不同状态下的特征向量构成特征矩阵，并输入到PNN神经网络中进行训练，得到训练好的PNN神经网络；

5)将振动信号经步骤2)、3)特征提取后输入到训练好的PNN神经网络中进行故障模式识别。

2.根据权利要求1所述的用于滚动轴承智能故障诊断的方法，其特征在于：所述步骤1)中，利用加速度传感器分别采集滚动轴承在正常、内圈故障、外圈故障以及滚动体故障四种状态下的振动信号。

3.根据权利要求1所述的用于滚动轴承智能故障诊断的方法，其特征在于：所述步骤2)中，采用小波包变换对滚动轴承振动信号进行分解，对分解得到的各频带信号进行重构，具体包括以下步骤：

2.1)对振动信号X进行零均值化处理，X＝X-E(X)，式中，E(·)是求均值；

2.2)对零均值化后的振动信号进行小波包分解；

利用MATLAB中小波包分解函数wpdec，其调用格式为Tr＝wpdec(X,L,'wname')，设置小波包分解层数L，L为正整数，设置小波基函数wname，其中X为振动信号，Tr为小波包分解树，包含2^L个频段的小波包分解系数；

2.3)对2^L个频段的小波包系数进行重构，利用MATLAB中的小波包系数重构函数wprcoef，该函数的调用格式为S_L,i＝wprcoef(T_r,[L,i])，其中S_L,i(i＝0,1,2,…2^L-1)为第L层的第i个重构信号，[L,i]表示第L层的第i个节点。

4.根据权利要求1所述的用于滚动轴承智能故障诊断的方法，其特征在于：所述步骤3)中，运用奇异值分解方法对重构信号进行奇异值分解，将各频段的奇异值组合成特征向量，具体包括以下步骤：

3.1)分别计算2^L个重构信号的奇异值；

S_L,i＝U_i∑_iV_i^T,i＝0,1,…,2^L-1

其中：U_i∈R^m×m为正交矩阵，V_i∈R^n×n为正交矩阵，Σ_i∈R^m×n为对角矩阵，其中∑_i对角线上的非零元素λ_i为重构信号S_L,i的奇异值；

3.2)将各频段的奇异值组合成滚动轴承特征向量_p；

5.根据权利要求1所述的用于滚动轴承智能故障诊断的方法，其特征在于：所述步骤4)中，将滚动轴承不同状态下的特征向量构成特征矩阵，并输入到PNN神经网络中进行训练，得到训练好的PNN神经网络，具体包括以下步骤：

4.1)设置滚动轴承正常、滚动体故障、内圈故障以及外圈故障四种常见状态的类别向量，PNN神经网络的输入为滚动轴承四种状态下振动信号经特征提取后的特征向量；输出为滚动轴承四种工作状态的类别向量，(1,0,0,0)对应正常状态，(0,1,0,0)对应滚动体故障，(0,0,1,0)对应内圈故障，(0,0,0,1)对应外圈故障；

4.2)利用MATLAB中的newpnn函数构建PNN神经网络，该函数的调用格式为net＝newpnn(P,T,spread)，其中P为输入矩阵，T为目标矩阵，spread为扩展速度，net为训练好的PNN神经网络；PNN神经网络输入层有2^L个神经元，分别对应特征向量p中的2^L个特征值；输出层有4个神经元，分别对应类别向量的四个元素值；

4.3)将滚动轴承四种状态的特征向量构成输入矩阵I，将相应的类别向量构成目标矩阵T，选取训练集对PNN神经网络进行训练，保存训练好的神经网络作为识别网络。