[发明专利]一种基于模糊支持向量机的轴承故障诊断方法

说明书

技术领域

本发明属于故障诊断领域，涉及一种针对轴承故障所建立的模糊C均值聚类与支持向量机相结合的故障诊断方法。

背景技术

滚动轴承是电力、冶金、石化、机械、航空航天以及一些军事工业部门中使用最广泛的机械零件，也是机械设备最易受损的零件之一。有关统计资料表明：在使用轴承的旋转机械中，大约有30％的机械故障是由轴承引起的。这是因为轴承是机械设备中工作条件最为恶劣的部件，在机械设备中起着承受载荷和传递载荷的作用，工况复杂，其运行状态是否正常往往直接影响到整台机器的性能，若轴承在工作状态中发生故障，轻则使整个系统失效，造成一定的经济损失，严重的还会导致灾难性的事故。基于此，轴承的故障诊断方法是众多学者研究的热点。但是有的学者没有考虑轴承故障数据中的异常点的干扰，有的利用神经网络或者FCM进行分类，而轴承的故障诊断属于小样本问题。本发明建立的模糊支持向量机(FSVM)模型，对于不同的样本赋予不同的惩罚系数，在构造目标函数时不同的样本有不同的贡献，对异常样本赋予较小的权值，从而大大降低了异常点的影响。支持向量机(SVM)是建立在统计学习理论的VC维和结构风险最小化原理基础上的机器学习方法，实现的是结构风险最小化，在解决小样本、非线性及高维模式识别等问题中表现出了许多特有的优势。因此，本发明采用模糊C均值聚类算法计算模糊隶属度，与支持向量机相结合进行轴承故障诊断，为避免因轴承故障造成重大事故、经济损失等提供了理论方法，具有重要参考价值。

发明内容

本发明的目的是提供一种轴承故障诊断方法，首先提取故障特征值，之后建立模糊支持向量机模型，最后进行故障的训和预测。

本发明是采用以下技术手段实现的：一种基于模糊支持向量机的轴承故障诊断方法，1、通过Hilbert变换、时域、频域分析等数据预处理方法以及根据轴承的相关参数进行计算，确定特征参数，并提取特征向量；2、根据模糊C均值聚类算法的相关理论求解模糊隶属度矩阵，选取每个样本对各类别的模糊隶属度中最大值作为该样本的模糊隶属度，即得到所有训练样本的模糊隶属度标签；3、根据支持向量机相关理论，选取核函数及其参数；结合模糊C均值聚类算法建立模糊支持向量机模型，并通过matlab软件编程实现建立的FSVM模型算法；4、实例验证，利用建立的算法模型对训练样本进行训练，进而对测试样本进行预测，得到测试结果。

1、数据预处理及特征参数的选取

针对正常轴承、内圈单点故障、外圈单点故障和滚动体单点故障，这4种状况进行分析，选取n个样本。

采集到滚动轴承轴承的振动信号是典型的时域信号，其时域统计特征参数如均方根值、峰度、峰峰值、峭度等统计量能够很好地反映振动强度、信号能量、冲击时域等信息，因此选取时域信号当中的部分参数当做特征向量。时域特征参数提取后，经分析对比选择均方根值、峰峰值作为时域特征参数，表征能量和振动强度，其中均方根值其中N为采样点数，此处为1200，y_i为振动数据中加速度幅值。峰峰值FF＝y_max-y_min，其中y_max为振动样本中最大值，y_min为最小值。时域特征参数只能大概地判断轴承是否出现故障，至于是滚珠、内圈还是外圈的故障却定位不到。故障定位一般是在频域里找到故障特征频率。对振动信号采用Hilbert变换进行解调，对解调后的信号进行频谱分析找到故障特征频率的幅值。