[发明专利]基于小波主成分分析的滚动轴承故障预测方法

说明书

技术领域

本发明涉及滚动轴承技术领域，尤其涉及一种基于小波主成分分析的滚动轴承故障预测方法。

背景技术

20世纪60年代，滚动轴承的故障诊断开始出现在科技领域中，经过几十年的迅猛发展，到现在已经成为一个融合了机械检测领域和自动控制领域以及模式识别领域的综合性应用学科。

滚动轴承在许多机电设备中起到至关重要的作用，滚动轴承的工作状况也是影响设备状态的关键因素。由于设备工况的复杂和环境参数的不稳定，滚动轴承的故障原因难以识别。另外，滚动轴承由外环、内环、滚子和保持架等单元组成，故障复杂性还体现在单元故障特征多样性，单元的故障原因不唯一以及单元故障的随机耦合性，通过轴承故障诊断，定位轴承故障单元，对找出故障原因起着关键作用。

滚动轴承的故障诊断技术的核心部分是信号处理技术。信号处理技术经历了漫长的发展历程。1946年出现的短时傅里叶变换是最早提出的一种时频分析方法，只适于分析在时间窗内平稳的一些缓变的非平稳信号，时间窗内的分辨率是固定不变的。经验模态分解是一种基于经验的非线性、非平稳信号分析方法，目前尚未有原理证明该方法的科学性。经验模态分解提取的本征模态函数(Intrinsic Mode Function，IMF)个数的判别算法并不完善，容易出现端点效应，丢失信号的频率信息，使诊断精度受到影响，并且提取信号边际谱和希尔伯特谱的算法时间复杂度高，不利于实际操作。

发明内容

本发明的实施例提供了一种基于小波主成分分析的滚动轴承的工作状态故障预测方法，以实现在轴承故障早期做出判别预警。

为了实现上述目的，本发明采取了如下技术方案。

一种基于小波主成分分析的滚动轴承的故障预测方法，包括：

提取滚动轴承的振动加速度信号的小波包变换系数，计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵；

运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理，得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度；

根据所述多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度监测滚动轴承的运行状态，根据比较所述融合特征测度的变化趋势识别出处于正常状态、故障状态和隐患状态的滚动轴承的融合区间。

优选地，所述的提取滚动轴承的振动加速度信号的小波包变换系数，包括：

将原始的轴承振动加速度信号分解为j层，得到2^j个小波包分量，所述2^j个小波包分量表示将原始信号频率平均分解成2^j个频带后，每个频带包含的时域幅值；

对所述2^j个小波包分量分别重构，获得2^j个小波包分量系数。

优选地，所述的计算出所述小波包变换系数与所述轴承振动加速度信号之间的多分辨率相似系数熵，包括：

设原始轴承振动加速度信号的周期采集点数为n，一个采集周期内的轴承振动加速度信号的第j层小波包分量系数集合为N⁺:正整数；

原始轴承振动加速度信号一个采样周期内的时域幅值为{B_k|k∈N⁺∪，k∈[1,n]}；

则小波包分量系数与原始轴承振动加速度信号之间的时域幅值相似系数的计算公式为：

ρ∈[0,1]；

其中，A代表小波包分量系数，B代表原始时域幅值系数。为对原始信号进行j层小波包分解，第j层第i个小波分量系数的第k个时间序列对应的幅值，B_k为第k个时间序列对应的幅值系数，是小波包分量系数均值，是时域幅值系数均值；

求出小波包变换系数与原始轴承振动加速度信号之间的多分辨率相似系数熵H(x)的计算公式为：

x∈N∪x∈[1,2^j]，代表第x个小波包分量系数与原始信号的相关熵数值。将多个相关熵数值加和累积得到相关熵数值H(x)；

按照上述过程，分别求出2^j个小波包分量对应的2^j个相似系数熵。

优选地，所述的运用小波主成分分析算法对所述多分辨率相似系数熵进行特征融合处理，得到多分辨率状态融合空间的滚动轴承的振动加速度信号的融合特征测度，包括：

构建状态融合空间的数学模型，所述数学模型包括n维状态融合空间，采用多分辨率状态融合空间作为所述数学模型的具体应用模型；