[发明专利]一种基于多尺度符号动力学熵的轴承故障诊断方法

摘要

本发明提供一种基于多尺度符号动力学熵的轴承故障诊断方法，结合了多尺度、符号动力学与熵的概念，符号动力学熵是对时间序列复杂度的一种定量度量，也是时间序列一个重要的非线性特征，熵值会随着系统状态的变化而变化。此外，利用了多尺度熵的概念，计算不同尺度上的符号动力学熵，从不同的时间尺度上衡量信号的复杂度。将多尺度符号动力学熵应用到滚动轴承的故障诊断中，利用其提取滚动轴承的故障信息，同时结合分类器，准确识别出滚动轴承3种不同故障类型。

主权项

一种基于多尺度符号动力学熵的轴承故障诊断方法，其特征在于，包括以下步骤：步骤一：轴承的振动加速度信号对应为一个时间序列Y{y(i'),i'＝1,2,…,N}，其中i'表示时间序列对应某一时刻的数值，N表示时间序列的长度；该序列中的数值，按照尺度因子τ进行粗粒化分割，形成若干粗粒向量Xjτ=1τΣi=(j-1)τ+1jτyi,1≤j≤Nτ]]>其中τ为正整数(建议τ取值范围:1‑20)；若干粗粒向量形成新的子时间序列,可将其进一步表述为X{x(i),i＝1,2,…,N0}。其中i表示子时间序列在i时刻所对应的数值，N0表示分割后子时间序列的长度；步骤二：对步骤一得到的每个子时间序列，分别求取符号动力学熵。符号动力学熵的求解过程包括以下子步骤：子步骤一：采用等概率区间划分准则，将子时间序列的幅值域划分成ε(3≤ε≤12)个区间，将ε称为符号数。用符号σ代替时间序列中元素的数值，从而形成符号序列Z{z(k),k＝1,2,…,N0}，z(k)表示原始时间序列符号化后第k个数值所对应的符号σ；子步骤二：人为给定的嵌入维数m和时间延迟λ，将符号序列Z{z(k),k＝1,2,…,N0}分割成一系列的嵌入向量，Zjm,λ{z(j),z(j+λ),...,z(j+(m-1)λ)}]]>其中j＝1,2,...,N0‑(m‑1)λ，用qε,m,λ表示子向量出现的模式种类，同时统计状态模式qε,m,λ在所有嵌入向量中出现的概率P(qε,m,λ)，并构建状态模式矩阵εm表示为状态模式数；子步骤三：符号序列视为由一系列连续的状态模式组成的，相邻两个状态模式可视为由上一个状态模式迁移到下一个状态模式；当已经观测到状态模式qε,m,λ时，之后出现符号为σ的概率为状态迁移概率，表示为P(σ|qε,m,λ)，计算公式如下：P(σ|qε,m,λ)＝P{z(j+mλ)＝σ|j:j≤N‑mλ,type(Zε,m,λ)＝qε,m,λ}在状态迁移概率的基础上，构建εm×ε的状态迁移矩阵：子步骤四：根据信息理论中香农熵的定义，定义符号动力学熵SDE等于状态模式概率熵和状态迁移概率熵之和，计算公式如下：式中，m是嵌入维数，λ是时间延迟，ε是符号数；子步骤五：符号动力学熵SDE(X,m,λ,ε)取得最大值为ln(εm+1)；将SDE进行归一化：SDE(X,m,λ,ε)＝SDE(X,m,λ,ε)/ln(εm+1)步骤三：根据每个时间子序列的符号动力学熵，求取多尺度符号动力学熵MSDE，公式如下：MSDE(y,τ,m,λ,ϵ)=SDE(Xjτ,m,λ,ϵ)]]>步骤四：根据多尺度符号动力学熵MSDE，采用最小冗余最大相关方法(mRMR)对特征进行特征排序，选出最优特征构建成新的特征向量，输入到最小二乘支持向量机(LSSVM)中识别滚动轴承不同的故障类型。