[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

说明书

技术领域

本发明涉及轴承变工况故障诊断的技术领域，具体涉及一种基于排列熵(permutation entropy,PE)、流形改进动态时间规整(manifold-based dynamic time warping,MDTW)的自适应故障诊断方法。

背景技术

轴承广泛应用于旋转机械，其健康状态直接影响整个旋转机械的正常运转，进而影响整个系统。近年来，轴承故障诊断已经成为研究的热点，尤其是基于振动信号的故障诊断，目前已经有较多有效的方法。轴承故障诊断的过程主要包括故障特征提取和故障状态确定两方面。本发明方法旨在使轴承故障诊断过程更加系统、高效、易操作，并保证较好的实时特性。

对于如何提取有效的故障特征，问题的关键是如何处理非线性非平稳的轴承振动信号。传统的时域或频域分析方法在这种情况下是不适用的。近年来，研究学者提出了一些时频分析方法，其中的自适应时频分析方法得到了大量的关注，典型的方法有：经验模态分解(empirical mode decomposition,EMD)、局部均值分解(local mean decomposition,LMD)和局部特征尺度分解(local characteristic-scale decomposition,LCD)。EMD是1998年由N.E.Huang等人提出来的，而后在机械故障检测和诊断中得到了大量的应用。随后，2005年，Jonathan S.Smith提出了LMD。与EMD相比，LMD保持了更好的局部特征，避免了欠包络和过包络问题，并且为单组分分量提供了更合理的物理解释。LCD是2012年由程军圣等学者在EMD的基础上提出来的，由于减少了无效的分量并避免了模态混淆问题，LCD的效果比EMD好。虽然，LMD和LCD都被证实过效果比EMD好，但是LMD与LCD的效果并没有对比过，而且EMD自诞生以来在很多故障诊断问题中都取得了良好的效果，所以，本发明方法不指定自适应时频分析方法。在工程实际应用中，可以分别利用这三种方法对轴承的振动信号进行处理，对比结果来确定最终方案。在分解原始振动信号得到单组分分量之后，基于单组分分量进一步提取故障特征。

近年来，由于熵可以识别非线性参数，基于熵的方法被广泛应用于故障检测和诊断中，如近似熵、样本熵、模糊熵和多尺度熵。然而，近似熵过度依赖于数据长度；样本熵基于的单位阶跃函数在边界位置不连续，会出现阶跃现象；模糊熵基于隶属度函数的概念，很难进行准确地确定；多尺度熵的提出是基于样本熵的，只不过是从多个尺度上计算样本熵。为了分析信号的复杂性，Bandit和Pompe提出了排列熵的概念。由于排列熵有着简单、计算速度快、鲁棒性好、对非线性变换具有不变性的优点，已经在很多领域中得到了应用。随后，多尺度排列熵诞生，从多个不同的尺度上计算排列熵，但却无法揭示信号的本征尺度特征。而自适应时频分析方法可以反映信号的局部特征，基于单组分分量的排列熵可以提供更准确的故障信息。因此，本发明方法计算单组分分量的排列熵作为轴承的故障特征。

对于故障状态确定，关键是准确地度量测试数据与样本数据之间的相似性。动态时间规整(dynamic time warping,DTW)方法提出于1978年，最初是为了解决语音识别的问题。而后，作为一种模式匹配技术，DTW在很多其他领域得到了应用，如指纹验证、行为识别、在线签名验证、数据挖掘、计算机视觉和计算机动画、过程监测和故障诊断等。与其他模式匹配方法相比，DTW简单、容易，具有较好的实时能力。但是，在DTW算法中，相似性度量是基于欧式距离平方的，无法保证小数据样本间的可分离性，更无法反映数据的全局一致性。

发明内容

本发明技术解决问题：克服现有技术的不足，提供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，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。

本发明采用的技术方案为：一种基于PE-MDTW的自适应轴承变工况故障诊断方法，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)、针对每一个单组分信号分量，提取其稳定的排列熵作为故障特征值，以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。