[发明专利]一种滚动轴承故障诊断方法

摘要

一种滚动轴承故障诊断方法，属于旋转机械故障诊断领域。该方法主要包括4个步骤：获取轴承在正常及故障状态下的振动信号样本集，然后计算样本集的典型时域统计参数，获得初始特征集；计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；计算未知样本和已知样本集的聚类中心之间的贴近度，根据贴近度的大小确定未知样本的故障类型。该方法简单，方便，可大大减少计算量，准确识别故障类型划分及识别，具有很大的实用价值。

主权项

1.一种滚动轴承故障诊断方法，其特征在于：本方法包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动体故障状态下的振动加速度信号，得到时域信号样本集；步骤二、计算样本集中每个样本的若干个典型时域统计参数，构成初始特征集；步骤三、计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；具体进行如下处理：步骤3.1：构造一个具有m个样本点的临近图G，第i个节点对应xi，第j个节点对应xj ；如果xi和xj足够近，则有边连接，否则没有边连接；步骤3.2：如果节点i和j是连通的，则令其中，i，j＝1，…，m，其中t是一个合适的常数；否则令S_ij＝0；步骤3.3：对于第r个特征，定义fr＝[fr1，fr2，…，frm]T，D＝SI，I＝[1，…，1]T，L＝D‑SD为对角阵，矩阵L称为图G的拉普拉斯矩阵，fri表示第i个样本的第r个特征，I为单元矩阵，fr为各fri的特征元素集合，i＝1，…，m；步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合步骤3.5：计算第r个特征的拉普拉斯分值Lr表示第r个特征的拉普拉斯分值；步骤四、采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；设xi表示数据集，n表示数据集中元素的个数，c表示聚类中心，1＜c＜n，dij＝||xj‑vi||表示样本xj和聚类中心vi的欧氏距离，uij表示第j个样本到第i个聚类中心的隶属度，U＝[uij]c×n表示关系矩阵，V＝[vij]s×c表示聚类中心矩阵；总体样本的中心向量为下面给出聚类数c的自适应函数在不做特殊要求下取m＝2，k表示迭代次数，取大于或等于1的整数；具体进行如下处理：步骤4.1：给出迭代标准ε＝0.001，聚类数c＝2，聚类数为1的自适应函数L(c)＝0，初始分类矩阵V(0)，k＝0；步骤4.2：用下面公式计算U(k)如果存在j，r，使得则令且对i≠r，步骤4.3：用下面公式计算V(k+1)，比较V(k+1)和V(k)，若||V(k+1)‑V(k)||≤ε，则停止迭代，否则，置k＝k+1，转向步骤4.1；步骤4.4：计算L(c)，在c＞2且c＜n的情况下，若L(c‑1)＞L(c‑2)且L(c‑1)＞L(c)，则聚类过程结束，否则，置c＝c+1，转向步骤4.1；步骤五、计算未知样本和已知样本集的聚类中心之间的贴近度，根据贴近度的大小确定未知样本的故障类型。