[发明专利]一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法

摘要

本发明公开了一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，使轴承故障诊断过程更加系统化，提高诊断方法的易操作性和实时性能；首先，应用自适应时频分析方法将非线性非平稳的轴承振动信号分解为若干个单组份分量；自适应时频分析方法可以选用经验模态分解、局部均值分解或者局部特征尺度分解方法；然后，对每一个单组份分量，提取其排列熵作为故障特征。PE能够反映信号的复杂性，并具有高鲁棒性和快速性；本发明提出MDTW方法，用以快速、准确地度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断，具有很好的实际工程应用价值。

主权项

一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法，其特征在于实现步骤如下：步骤(1)、应用自适应时频分析方法分解原始振动信号，得到若干个单组分信号分量；步骤(2)、计算每个单组分分量的排列熵作为故障特征，减小工况变化对特征值的影响；步骤(3)、基于提取的故障特征向量，应用流形改进动态时间规整(MDTW)度量测试数据与训练数据之间的相似性，从而确定当前数据对应的故障状态，实现故障分类，从而实现故障诊断；所述步骤(2)计算每个单组分分量的排列熵作为故障特征的过程如下：(1)设原始振动信号为x(t)，经时频分析方法处理，x(t)被分解为m个单组分分量ci(t)和一个残余分量v(t)，即，x(t)＝c1(t)+c2(t)+…+cm(t)+v(t)；(2)对每一个单组分分量ci(t)，计算其排列熵为PEi，而向量W＝[PE1,PE2,…,PEm]就是原始振动信号的一个故障特征向量；所述步骤(3)基于提取的故障特征向量，应用流形改进动态时间规整(MDTW)度量测试数据与训练数据之间的相似性，从而确定当前数据对应的故障状态，实现故障分类具体过程如下：(1)首先，对各种健康状态下的原始振动信号，进行时频分解并提取排列熵特征向量，作为后续健康状态分类时的样本特征矩阵，设共有k种健康状态的数据，则该样本特征矩阵V＝[W1,W2,…,Wk]，其中Wi为第i种健康状态的特征向量；(2)然后，对于任一待确定状态的振动信号，通过时频分析方法分解信号，并提取其排列熵特征向量；(3)应用MDTW算法度量待确定状态的特征向量与样本特征矩阵中各个特征向量的相似性，度量值越小，证明当前待确定的状态与该特征向量的状态越接近，从而确定当前数据的健康状态。