[发明专利]一种滚动轴承故障诊断方法及系统

说明书

本发明公开一种滚动轴承故障诊断方法及系统，该方法包括以下步骤：获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。

技术领域

本发明涉及工业设备故障诊断技术领域，具体涉及一种基于改进粒子群优化算法的模糊C均值聚类算法的滚动轴承故障诊断方法及系统。

背景技术

进入21世纪以来，随着国民经济的快速发展，我国工业高速发展，已经成为世界工业大国，极大地促进了我国各行业的发展。其中，工业的高速发展离不开工业设备的大量使用，滚动轴承作为工业设备的关键部件之一，其运行状态好坏直接影响整个系统的可靠性，因此对其进行状态监测和故障诊断变得尤为重要。

PSO算法是Kennedy等人受到鸟群飞行及觅食行为的启发提出的一种智能优化算法，该算法结构简单，可操作性强，便于实现，得到了许多学者的关注和研究，但该算法存在早熟，在处理高维复杂函数时容易陷入局部极值和搜索精度不高等问题。

聚类分析是重要的数据挖掘与模式识别方法，目的是寻找数据集中所包含的簇结构，根据数据属性，将数据集分群，被广泛应用于故障诊断领域。其中，K-means算法是一种经典的模式识别算法，这个算法简单且收敛速度快，在学术界和工业界都得到了广泛的应用。但是，算法的聚类结果易受初始聚类中心影响，极易陷入局部最优解的情况。工业设备故障通常是一个渐变的过程，因此提取的故障特征通常具有模糊性，直接通过故障特征进行故障诊断具有一定的难度。而模糊聚类分析方法为解决这类问题提供了一条有效的解决途径。FCM算法是K-means算法的优化与扩展,其基本思想是在K-means算法的基础上增加模糊隶属度，该算法可以避免陷入局部最优解的情况。

发明人在研发过程中发现，现有的工业设备故障诊断方法还存在以下问题：

(1)传统的PSO算法在处理高维复杂函数时容易陷入局部极值、收敛速度慢和搜索精度不高等问题；

(2)工业设备故障通常是一个渐变的过程，因此提取的故障特征通常具有模糊性，直接通过故障特征进行故障诊断具有一定的难度，并且传统FCM算法没有考虑总体变异对距离远近的影响，使故障诊断精确度不高。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于改进PSO算法的FCM算法的滚动轴承故障诊断方法及系统，首先利用改进的PSO算法更新粒子的速度和位置获得聚类中心，然后利用改进的FCM算法对数据样本进行聚类分析，最后对滚动轴承进行故障诊断；将PSO算法和FCM算法进行融合可充分发挥各自的优势，提高滚动轴承故障诊断的精确度。

本发明一方面提供的一种滚动轴承故障诊断方法的技术方案是：

一种滚动轴承故障诊断方法，该方法包括以下步骤：

获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；

基于训练样本集中滚动轴承的振动数据，采用小波包分解方法提取训练样本集中滚动轴承的故障特征；

利用基于改进PSO算法的FCM算法对训练样本集中滚动轴承的故障特征进行故障聚类；

提取测试样本集中滚动轴承的故障特征，根据故障聚类结果，判断测试样本集中滚动轴承的故障类型。

本发明另一方面提供的一种滚动轴承故障诊断系统的技术方案是：

一种滚动轴承故障诊断系统，该系统包括：

数据获取模块，用于获取滚动轴承的振动数据，并将其划分为测试样本集和训练样本集；