[发明专利]一种滚动轴承故障位置及性能退化程度诊断方法

摘要

一种滚动轴承故障位置及性能退化程度诊断方法，属于轴承故障诊断技术领域。解决了现有技术中的滚动轴承智能诊断方法存在故障位置及性能退化程度的诊断正确率较低，训练时间消耗大的问题。提出的集合经验模态分解方法中的加入白噪声准则，可避免人为确定分解参数，提高其分解效率；提出的基于超球球心间距的核参数优化方法，可确定多分类情况下，核参数的小而有效的搜索区间，从而减少训练时间，给出了分类器的最终状态超球模型。基于优化参数的集合经验模态分解和奇异值分解，再结合超球球心间距的核参数优化的超球多类支持向量机的智能诊断方法比已有的诊断方法识别率高。本发明主要应用于滚动轴承故障位置及性能退化程度的智能诊断。

主权项

1.一种滚动轴承故障位置及性能退化程度诊断方法，其特征在于：所述方法是按照以下步骤实现的：步骤一、采集大量的滚动轴承振动信号，包括滚动轴承正常状态的振动信号、滚动轴承内环不同性能退化程度的振动信号、滚动轴承外环不同性能退化程度的振动信号、滚动轴承滚动体不同性能退化程度的振动信号；步骤二、将上述各种状态的振动信号按照x倍交叉验证法的方式将其分为学习部分信号和测试部分信号；步骤三、特征提取：采用优化参数的EEMD结合SVD的方法先对学习部分信号进行特征提取，具体过程为：步骤三(一)、对每个振动信号先进行EMD分解，得到多个IMF分量，将得到第一个IMF分量作为该振动信号的高频成分，然后计算第一个IMF的能量标准差E_h，再计算该原始振动信号的能量标准差E_o，即可获得公式(5)中的参数h；0<g<h2]]>式中，其中，E_n为加入白噪声能量标准差，E_o为原始振动信号的能量标准差，E_h为振动信号的高频成分的能量标准差，g为加入白噪声的比值系数，h为能量比值系数；由公式(5)可推得0<En<14Eh]]>步骤三(二)、获取EEMD方法中的总体平均次数L，根据公式(7)求得总体平均次数L，e=gL]]>式中，e为期望的信号分解相对误差，g为加入白噪声的比值系数，L为EEMD方法中的总体平均次数；步骤三(三)、在求得加入噪声的比值系数与总体平均次数这两个参数的基础上，对每个振动信号进行EEMD分解获取IMF，不同振动信号中IMF最大个数为n，小于n的补充零向量；将每个振动信号得到的n个IMF形成原始特征向量矩阵B＝[c₁ c₂...c_n]^T，对所述原始特征向量矩阵进行奇异值分解，将奇异值分解得到的奇异值描述为特征向量[λ₁，λ₂，...，λ_n]；步骤四、构造特征向量矩阵：滚动轴承各状态的所有学习信号的特征向量[λ₁，λ₂，...，λ_n]构成特征向量矩阵S_kSk=λk,11,λk,12,···,λk,1n;λk,21,λk,22,···,λk,2n;λk,31,λk,32,···,λk,3n;···;λk,Nk1,λk,Nk2,···,λk,Nkn---(15)]]>式中，k＝1，2，...，m，表示滚动轴承的不同故障位置及性能退化程度的状态；N_k为第k类状态学习信号的个数；步骤五、利用改进分类规则的超球多类支持向量机对步骤四中得到的特征向量矩阵S_k进行初步分类，得到滚动轴承各状态初始状态超球；采用超球球心间距最大的方法对改进分类规则的超球多类支持向量机进行核参数优化，即确定核参数最优选范围；具体过程为：步骤五(一)、将各类特征向量矩阵S_k输入到改进分类规则的超球多类支持向量机中，根据各类的特征向量矩阵，确定各类超球的球心，使每个状态k形成一个超球，进而得到各类故障位置及性能退化程度的初始状态超球；步骤五(二)、确定核参数最优选范围的过程为：A、确定学习样本总类数m；B、划分为m(m-1)/2组；C、设定循环次数初始值i_m＝1；D、利用公式(14)对分组i_m的每个待选多核参数计算各类超球球心之间的距离：具体过程为：对于改进分类规则的超球多类支持向量机的特征空间中第k₁类超球球心a^k1到第k₂类超球球心a^k2的距离平方d²定义为：d2=D(ak1,ak2)=||ak1-ak2||2=(ak1·ak1)-2(ak1·ak2)+(ak2·ak2)---(12)]]>将第k类超球球心带入式(12)中，即可求得d2=ΣiΣjαik1αjk1(xik1·xjk1)-2ΣiΣjαik1αjk2(xik1·xjk2)+ΣiΣjαik2αjk2(xik2·xjk2)---(13)]]>式中：为Lagrange乘子，i＝1，2，...，N_k；对于非线性情况，直接在公式(13)中带入相应的核函数k(x，y)即可，则类与类之间超球球心间距计算公式转换为：d=ΣiΣjαik1αjk1k(xik1,xjk1)-2ΣiΣjαik1αjk2k(xik1,xjk2)+ΣiΣjαik2αjk2k(xik2,xjk2)---(14)]]>式(14)中：j＝1，...，N_k，i＝1，...，N_k；E、获取最大超球球心间距d_max对应的核参数值；F、判断循环次数i_m是否小于各类超球的两两组合数，i_m＜m(m-1)/2；如果小于，则执行步骤D，否则执行步骤G；G、找到所有的两两组合超球的球心间距最小值d_min和最大值d_max时所对应的核参数值，将其作为核参数的最优选取范围d_min～d_max；步骤六、对步骤二中分出测试部分信号采用与学习部分信号相同的特征提取方法得到特征向量z＝[λ₁，λ₂，…，λ_n]；步骤七、计算差别系数，评判测试信号状态；获取最优的惩罚系数，核参数值和M区域动态参数β：基于各类初始状态超球和核参数最优选取范围d_min～d_max，得到测试信号的特征向量z＝[λ₁，λ₂，…，λ_n]与各初始状态超球之间的三个差别系数为：和D_MI(z，x_p)；三个差别系数公式中各字母的含义：D(z，a^k)表示测试向量z到第k类超球球心a^k的距离的平方，R_k为第k类球的半径，x_p为M区域中训练样本集合I中的元素；D_MI(z，x_p)表示测试向量z到x_p的距离的平方；若测试信号的特征向量与某个初始状态超球的差别系数最小，就说明该测试振动信号的故障位置及性能退化程度与该初始状态超球的故障位置及性能退化程度最为相近；因此，可判断出测试信号的故障状态；当诊断正确率最高时，确定d_min～d_max之间最优的核参数值、惩罚系数C和M区域动态参数β；步骤八、根据上述参数：d_min～d_max之间最优的核参数值、惩罚系数C和M区域动态参数β，进而得到该参数下各状态的最终状态超球模型：ak=Σiαikxik,αik≠0min(Rk)2+CkΣi=1lkϵik,s.t.(xik-ak)T(xik-ak)≤(Rk)2+ϵikK(xik,xjk)=e[-(xik-xjk)22s2]Rk2=D(z′,ak)=Σi,jαikαjkK(xik,xjk)-2ΣiaikK(xik,z′)+K(z′,z′)ifD(z*,ai)≤RiandβD(z*,aj)<RjorifD(z*,aj)≤RjandβD(z*,ai)<Ri,thenz*in region M---(19)]]>其中：为Lagrange乘子，i＝1，2，...，N_k；s为核参数；为第k类某个信号的特征向量；为引入的松弛变量，z′为超球面上的支持向量，z^*为学习信号或测试信号的特征向量；步骤九、滚动轴承健康状态的实际现场诊断：采集实际现场滚动轴承振动信号，按照与学习部分信号相同的特征提取方法得到特征向量，然后计算实际现场滚动轴承振动信号的特征向量与各最终状态超球模型之间的差别系数，按照差别系数最小值对应的最终状态超球模型所表示的滚动轴承健康状态来评判现场滚动轴承的健康状态：是正常状态还是故障状态，如存在故障则诊断出故障位置及性能退化程度。