[发明专利]基于GRCMSE与流形学习的滚动轴承故障诊断方法

说明书

本发明涉及一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，包括以下步骤：步骤S1:利用加速度传感器采集滚动轴承振动加速度信号；步骤S2:利用GRCMSE算法对振动加速信号进行特征提取；步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理，并将降维后的滚动轴承故障特征信息，按比例分为训练样本低维特征集和测试样本低维特征集；步骤S4:根据训练样本低维特征，训练PSO‑SVM分类器，得到训练好的PSO‑SVM分类器；步骤S5:将测试样本低维特征集输入训练好的PSO‑SVM分类器，诊断得到故障类型。本发明克服了多尺度样本熵中粗粒化存在的不足，解决了高维故障特征存在的信息冗余问题，能够有效诊断滚动轴承不同状态类型。

技术领域

本发明属于机械故障诊断与信号处理领域，具体涉及一种基于GRCMSE与流形学习的滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械的关键部件，其复杂的工作环境使得滚动轴承长时间运转后极易因疲劳而产生故障，进而引发一系列的事故，因此对其进行故障诊断有着现实的理论和实际意义。

滚动轴承故障诊断的关键在于特征提取，近几年，随着非线性理论的发展，基于熵值特征提取方法受到学者青睐，如近似熵，样本熵，排列熵，模糊熵，多尺度熵和多尺度样本熵(MSE)等。其中，多尺度样本熵综合了多尺度熵可以从其他尺度上全面表征故障特征信息，以及样本熵具有适合衡量短数据序列复杂性特征和弥补近似熵匹配自身的缺陷的优势，因此，在许多领域得到很好的应用。但将MSE应用于滚动轴承特征提取过程仍然存在以下两点缺陷：①通过均化数据的粗粒化过程，在一定程度上“中和”了原始信号的动力学突变行为，使得估计的熵值存在偏差；②MSE熵值稳定性会随粗粒化尺度因子增大而增加。

此外，为全面表征滚动轴承故障信息，构建的故障特征通常表现为高维、非线性和冗余等，增加的分类器识别的负担，并影响识别效果。

发明内容

有鉴于此，本发明的目的在于提供一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，克服了多尺度样本熵中粗粒化存在的不足，解决了高维故障特征存在的信息冗余问题。

为实现上述目的，本发明采用如下技术方案：

一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，包括以下步骤：

步骤S1:利用加速度传感器采集滚动轴承振动加速度信号；

步骤S2:利用GRCMSE算法对振动加速信号进行特征提取，得到滚动轴承故障特征信息；

步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理，并将降维后的滚动轴承故障特征信息，按比例分为训练样本低维特征集和测试样本低维特征集；

步骤S4:根据训练样本低维特征，训练PSO-SVM分类器，得到训练好的PSO-SVM分类器；

步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器，诊断得到故障类型。

进一步的，所述振动加速度信号包括正常状态，外圈故障状态，内圈故障状态和滚动体故障状态下传动轴径向振动加速度信号。

进一步的，所述GRCMSE算法具体为：

(1)对时间序列{x(i),i＝1,2,...,N}，采用下式计算出广义复合粗粒化序列

(2)对于尺度因子s，分别计算出该尺度因子下每个广义粗粒化序列的m维及m+1维空间向量个数，定义为

(3)在1≤h≤s范围内，计算与的平均值，分别为与即可得到时间序列x(i)在尺度因子为s下的GRCMSE熵值：