[发明专利]一种基于频谱的轴承故障分类方法及系统

说明书

本发明公开了一种基于频谱的轴承故障分类方法及系统。方法包括S1、计算轴承每个状态的振动信号的频率频谱；S2、计算轴承每种状态之间的频率差异；S3、计算每个状态频谱之间每个差异的比率K；S4、选择比率K大于设定值的频率振幅的频率；S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。本发明通过较少的FFT和公共频率选择实现特征向量的选取，计算量小，便于工程实现。

技术领域

本发明涉及轴承故障分类领域，更具体地说，特别涉及一种基于频谱的轴承故障分类方法及系统。

背景技术

装备日益趋于大型化，在故障诊断和故障检测领域中越来越多的研究表明，健康检测和故障诊断对设备的安全运行起着至关重要的作用。轴承是设备中连接转动件和支撑件的重要部件，已经有大量的故障检测手段。

目前，应用于轴承故障分类的方法包括频域中的特征频率分析方法、包络分析方法等，时域中的统计分析方法，神经网络分析方法等。其中，特征频率分析方法是最简单的分析方法，但是在噪音较大，故障早期的时候，并不能及时有效的分析出故障；神经网络方法，能够较为准确的分辨出故障，但是需要准确的特征输入或者大量的数据。这样就导致了神经网络的方法一般较为复杂。因此，需要一种简便准确的、可用于工业上的轴承故障分类方法及系统。

发明内容

本发明的目的在于提供一种基于频谱的轴承故障分类方法及系统，以克服现有技术所存在的缺陷。

为了达到上述目的，本发明采用的技术方案如下：

一种基于频谱的轴承故障分类方法及系统，包括以下步骤：

S1、计算轴承每个状态的振动信号的频率频谱；

S2、计算轴承每种状态之间的频率差异；

S3、计算每个状态频谱之间每个差异的比率K；

S4、选择比率K大于设定值的频率振幅的频率；

S5、按照如下公式设置参数R，R＝R1/R2，R1为需要分析训练集频率的共同频率振幅数，R2为所有的训练集频率的全部频率振幅数；

S6、从每个状态中选取公共频率的振幅形成R个特征向量，将计算出的特征向量输入到K邻近值分类，K均值聚类，线性支持向量机中进行分类。

进一步地，所述轴承状态包括正常工况轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承。

进一步地，所述步骤S1的具体步骤为：

S10、以设定采样率且在同一恒定转速下分别对正常工况轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号进行采样；

S11、将得到的数据点划分为2ⁿ个点为一个状态样本；

S12、将划分好的状态样本进行快速傅里叶变换，得到每个状态的频率频谱，正常工况轴承的振动信号的频率频谱由矢量normal表示、内圈故障轴承的振动信号频谱由矢量inne表示、外圈故障轴承的振动信号频率由矢量outer表示、滚动体故障轴承的振动信号频率由矢量rolling表示。

进一步地，所述步骤S11中的2ⁿ优选为32768。

进一步地，所述步骤S3中的K＝100％*Ai/Amax，Ai是表示频谱中第i个频率所对应的振幅，Amax是频谱中的最大振幅