[发明专利]基于GS-SVM的不同工况下轴承损伤程度诊断方法

说明书

本发明涉及一种基于GS‑SVM的不同工况下轴承损伤程度诊断方法，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法的参数;步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。本发明能够构建最优的SVM，对于轴承损伤程度的诊断更为精准。

技术领域

本发明涉及转类机械故障智能诊断领域，具体涉及一种基于 GS-SVM的不同工况下轴承损伤程度诊断方法。

背景技术

轴承作为传动系统不可或缺的零部件，其运行状态的好坏将直接关系到整个设备的工作情况。因此，轴承的状态监测和故障诊断一直备受关注。及时发现轴承故障类型，根据其损伤程度采取相应的处理措施能够有效的避免连锁故障的发生，从而可以降低设备维护成本，避免重大危险事故的发生。

当轴承发生故障时，常用信号处理方法进行分析，后使用Hilbert 变换进行包络解调分析。然而，当同一种故障的严重程度不同时，包络谱无法对损伤程度进行表征。故常规的故障诊断方法难以实现轴承损伤程度的诊断。近年来，神经网络、聚类分析、支持向量机等智能诊断方法深受学者青睐，在故障分类、故障智能识别、传动系统健康评估、零部件的寿命预测都有较广的应用。对于轴承损伤程度的诊断，两个主要技术难点是如何特征提取和选择分类算法。

对于特征选取，有学者采用小波分解、EMD分解、EEMD分解后，对其若干分量进行能量提取或者近似熵的计算，从而构造智能识别算法所需的特征向量。尽管这些方法在故障特征提取得了一定的效果，但仍存在以下问题：(1)小波分解难以根据不同信号实现小波基和分解层数的自适应选择；(2)EMD分解存在端点效应及模态混叠现象， EEMD分解尽管改善了EMD中的模态混叠现象，但白噪声的选择不具有自适应性。不同于上述信号处理方法，变分模态分解(VMD)是一种非递归的自适应信号分解方法，能够有效避免模态混叠、端点效应等问题。显然VMD较上述方法更适合故障信息的提取。另一方面，样本熵则是一个优于近似熵的能够表征序列特征的指标。实际操作中，仅使用信号分解后，分量的特征指标往往也较难得到较好的诊断分类效果。为此，使用原始信号的时域指标与频域指标与分量的指标构成特征向量，能够完整的表征信号特征信息。

对于智能识别算法的选择，有学者采用BP神经网络、K-均值聚类算法等智能分类算法对故障类型进行判别分类。神经网络和聚类算法的特征向量个数会直接影响到分类结果且神经网络的训练需要大量样本。在多特征向量训练情况下，上述两种模式识别算法还需要对特征向量进行降维。SVM是由Vapnik提出的一种模式识别方法问，其理论基础是统计学习理论的VC维理论和结构风险最小原理，统计学习理论是一种专门研究小样本条件下机器学习规律的理论，该理论是针对小样本统计问题建立起的一套新型理论体系，在该体系下的统计推理规则不仅考虑了对渐进性能的要求，而且追求在有限信息条件下的得到最优结果，该方法对小样本条件下的非线性映射具有独特的优势，又能限制过学习，特别适合小样本的数据处理，在故障样本较少的机械故障诊断中，SVM已经得到广泛应用。

发明内容

有鉴于此，本发明的目的在于提供一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，以解决轴承不同故障程度产生的冲击信号难以被提取的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，其特征在于，包括如下步骤：

步骤S1：获取不同工况下轴承的振动加速度信号；