[发明专利]用于滚动轴承智能故障诊断的方法

说明书

技术领域

本发明涉及一种滚动轴承故障诊断方法，核心是基于小波包变换和奇异值分解的滚动轴承故障特征提取技术以及基于PNN神经网络的模式识别技术。

背景技术

滚动轴承是旋转机械的关键零部件之一，在使用过程中受到机械应力、磨损等一系列物理作用，使轴承发生形变、腐蚀等损伤。同时，由于加工制造工艺的不规范以及装配不当等原因，轴承也会产生人为损伤，这些损伤的累积与加深最终导致了轴承的故障。一旦轴承发生故障，将导致机组停机，甚至发生重大生产事故。因此，滚动轴承的故障诊断至关重要。

当前滚动轴承的故障诊断大多采用振动分析法作为技术手段，在故障特征提取方面主要是通过时域、频域以及时频分析三种方法。然而，时域和频域方法只能从整体上描述振动信号的特征，割裂了信号时域和频域的联系，不能详细的反映振动信号的内在信息。在滚动轴承故障诊断的研究中，故障的征兆和故障类型存在很复杂的非线性数学关系，使得诊断的合适的数学模型很难找到。时频分析方法能够在时域和频域上反映信号的特征。小波变换是目前信号时频分析中常用的方法之一，但是它只能够对低频段信号进行分解，对于信号的高频部分不再进行处理，而滚动轴承的故障特征信息往往集中在信号的中高频段，这就限制了小波变换在滚动轴承故障诊断中的应用。从小波变换发展而来的小波包分解技术不仅体现信号低频段的近似部分，也能体现信号高频段的细节部分，因而在处理非线性及非平稳信号的领域中具有非常明显的优势。

故障诊断的关键在于故障特征的提取，矩阵奇异值是矩阵的固有特征，通过对矩阵的奇异值分解可以有效提取矩阵中的关键信息。奇异值具有良好的稳定性，即当矩阵元素发生小的变动时，矩阵的奇异值变化也很小，这个性质可以有效地降低测量噪声对振动信号特征提取的影响；同时，矩阵的奇异值可以通过少数的值表征原矩阵的特性，从而降低特征矩阵的维数，有利于提高神经网络的诊断精度和速度。

概率神经网络(PNN)是一种用于模式分类的神经网络。概率神经网络是基于统计原理的神经网络模型，在分类功能上与最优贝叶斯分类等价，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，同时它不像传统的多层前向网络那样需要BP算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高。

发明内容

本发明的目的在于提供一种用于滚动轴承智能故障诊断的方法，该方法易于实现、精度高、实时性好，适用于滚动轴承故障诊断。

实现本发明目的的技术解决方案为：

一种用于滚动轴承智能故障诊断的方法，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。

本发明与现有技术相比，其显著优点为：(1)本发明首先采用小波包变换的方法对轴承振动信号进行分解和重构，能够将振动信号分解到不同频段，以较高的时频分辨率凸显各频段重构信号中所蕴含的轴承故障信息；(2)对重构后的不同频段信号进行奇异值分解，提取出轴承的故障特征向量，能够有效地降低测量噪声对振动信号特征提取的影响，同时降低特征矩阵的维数，并且该特征向量具有良好的聚类性和可分性，有利于提高神经网络的诊断精度和速度；(3)采用PNN神经网络，能够自动的对滚动轴承的故障进行识别，不需要人工观察频谱特性，自动化程度和可靠性较高，并可依据计算机网络实现滚动轴承的远程故障诊断和状态监测。

附图说明

图1为本发明用于滚动轴承智能故障诊断的方法流程图。

图2为滚动轴承正常状态振动信号。

图3为滚动轴承内圈故障振动信号。

图4为滚动轴承外圈故障振动信号。

图5为滚动轴承滚动体故障振动信号。

图6为滚动轴承振动信号的三层小波包分解树示意图。

图7为滚动轴承正常状态下8个频段的重构信号。

图8为滚动轴承不同状态下的振动信号特征向量柱状图。

图9为滚动轴承振动信号特征向量的三维效果图。

图10为概率神经网络拓扑结构示意图。

图11为采用PNN神经网络的分类结果。