[发明专利]滚动轴承故障的高斯过程多特征智能诊断方法

说明书

技术领域

本发明属于滚动轴承故障诊断领域，具体涉及一种滚动轴承故障的高斯过程多特征智能诊断方法。

背景技术

随着现代工业和科学技术的发展，旋转机械正朝着大型化、高速化、连续化、集中化、自动化方向发展。生产设备系统之间的联系也越来越紧密。旋转机械长期处于高速运行状态(一般为每分钟3000转以上甚至高达10000转)，由于各种随机因素的影响，难免会出现一些机械故障，而旋转机械的任何一个小小的故障，都可能引起连锁反应。因此，旋转机械故障发生频率较高并且故障发生后往往造成巨大经济损失甚至灾难性后果。例如国内某电厂机组主轴断裂，损失达亿元以上。国外类似的事故自1970年以来仅正式报道的就多达50余起。旋转机械故障诊断技术的研究和应用能及早发现故障隐患，故障发生后也能及时准确判别故障发生的原因、部位、严重程度及其发展趋势，这对于避免巨额的经济损失和灾难性事故的发生有着重要意义。

大型复杂机械设备故障往往具有复杂性、不确定性、多故障并发性等，运用单一的智能故障诊断技术，存在精度不高、泛化能力弱等问题，难以获得满意的诊断效果。

随着旋转设备状态监测和故障诊断技术理论的发展和应用实践，利用振动信号监测分析来判断滚动轴承的运行情况成为可能。一般来说，滚动轴承由内圈、外圈、保持架和滚动体四部件组成。当任何一个部件出现缺陷时，轴承座振动速度频谱都会表现出不同的传感器信号特征。

目前轴承故障诊断主要分为两种：一种是单一特征提取，然后利用神经网络、支持向量机等方法进行训练，通过分类实现诊断；另一种是多特征提取，然后利用神经网络、支持向量机等方法进行训练并达到故障诊断的目的。然而，神经网络、支持向量机等技术需要大量数据，而现实生活中轴承故障率较低，因此故障数据也相对较少。

发明内容

根据本发明，提供了一种滚动轴承故障智能诊断方法，所述方法包括：针对滚动轴承的不同的运行状态，分别提取数据特征，并计算每个运行状态的每个数据特征的类内标准差和类间标准差，随后计算所述类内标准差与所述类间标准差的比值，用数值1减去所述比值所得的结果作为数据特征的敏感度；针对滚动轴承的不同的运行状态，选择预定数量的数据特征作为敏感特征以构成敏感特征集；使用所述敏感度构造判断矩阵，计算所述敏感特征的权值，并对敏感特征集中的敏感特征进行加权；根据加权的敏感特征集来建立高斯过程组合分类模型，以判断滚动轴承故障。

根据本发明的一个实施例，提取数据特征的步骤包括：对滚动轴承的原始振动数据进行小波包分解，以获得8个分频带；对所述原始振动数据进行经验模态分解(Empirical Mode Decomposition，EMD)，以获得8个本征模式分量；从所述原始振动数据、所述分频带信号和所述本征模式分量分别提取数据特征。

根据本发明的一个实施例，所述数据特征包括无量纲特征和有量纲特征，所述无量纲特征包括偏斜度、峭度、峰值、波形、脉冲以及裕度，所述有量纲特征包括有效值、均值、标准差、方根幅值以及最大值。

根据本发明的一个实施例，选择预定数量的数据特征作为敏感特征以构成敏感特征集的步骤包括：选择8个敏感度最高的数据特征作为所述敏感特征以构成敏感特征集。

根据本发明的一个实施例，使用所述敏感度构造判断矩阵包括：用所述敏感特征的敏感度两两做比值作为判断矩阵的元素，从而构造判断矩阵。

根据本发明的一个实施例，所述权值是所述判断矩阵的最大的特征值所对应的特征向量的元素。

根据本发明的一个实施例，所述滚动轴承的运行状态包括所述轴承的正常状态、内圈故障状态、外圈故障状态以及滚动体故障状态，并且所述高斯过程组合分类模型包括第一高斯过程二分类器、第二高斯过程二分类器和第三高斯过程二分类器。

根据本发明的一个实施例，所述第一高斯过程二分类器用于判断所述轴承处于正常状态还是故障状态。

根据本发明的一个实施例，所述第二高斯过程二分类器用于当所述第一高斯过程二分类器的判断结果为所述轴承的故障状态时判断所述轴承处于内圈故障状态还是非内圈故障状态。

根据本发明的一个实施例，所述第三高斯过程二分类器用于当所述第二高斯过程二分类器的判断结果为所述轴承的非内圈故障状态时判断所述轴承处于外圈故障状态还是滚动体故障状态。

附图说明

图1是根据本发明的实施例的轴承故障智能诊断方法的流程图。

图2是根据本发明的示例性实施例的高斯过程组合分类模型的框图。