[发明专利]基于改进多尺度模糊熵的滚动轴承故障诊断方法

说明书

本发明涉及一种基于改进多尺度模糊熵的滚动轴承故障诊断方法，采集滚动轴承的振动信号；计算振动信号的改进多尺度模糊熵；将前八个尺度上的改进模糊熵作为轴承故障特征向量；将故障特征向量分为训练集和测试集；利用训练集对支持向量机进行训练并用训练好的模型对测试集进行预测；根据预测结果识别滚动轴承的工作状态与故障类型。对模糊熵算法进行改进，用一个总体均值代替的传统模糊熵计算中的局部均值，计算不同尺度下的改进模糊熵。改进后的多尺度模糊熵能更全面地反映信号的特征，从而更准确地评估轴承的运行状态。本发明能够提取更加丰富的轴承状态信息，在故障模式识别过程中有更高的识别率。

技术领域

本发明涉及一种故障诊断技术，特别涉及一种基于改进多尺度模糊熵的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中关键的部件之一，其运行状态往往决定着整台机器的性能。因此，滚动轴承的故障诊断有重要的意义。在各种轴承故障诊断方法中，基于振动信号的诊断是最常用、最有效的方法之一。而滚动轴承在运行过程中难免会受到摩擦、间隙和非线性刚度等非线性因素的影响，所采集的振动信号往往呈现出很强的非线性、非稳态特征。因此，传统的基于线性系统的时域和时频域信号分析方法很难准确地提取轴承的故障特征信息。随着非线性动力学的发展，出现了一些非线性动力学分析技术，为分析轴承复杂的非线性动力学行为提供了一种很好的选择。这其中近似熵、样本熵、多尺度熵和多尺度模糊熵等都被引入到滚动轴承的故障诊断中，并取得了很好的诊断效果。近似熵是对时间序列复杂度的一种度量，样本熵是对近似熵的一种改进，减少了对序列长度依赖的同时克服了近似熵自身匹配的缺点。模糊熵是把模糊集的概念引入到样本熵的计算中，其对参数的依赖性更小、相对一致性更强且抗噪能力更好。多尺度模糊熵是定义在不同尺度下的模糊熵，用来衡量时间序列在不同尺度下的复杂性，比单一尺度的模糊熵能更全面的衡量信号的复杂度。

然而，模糊熵在构建计算所需的向量时减去了一个局部均值，这使得在计算熵值时忽略了信号的整体趋势。而对于滚动轴承的故障诊断而言，只有全面考虑振动信号所包含的特征，才能提取可以更加全面地反映轴承运行状态的故障特征信息。

发明内容

本发明是针对传统的多尺度模糊熵算法在提取轴承状态信息时存在局限的问题，提出了一种基于改进多尺度模糊熵的滚动轴承故障诊断方法，对模糊熵算法进行改进，用一个总体均值代替的传统模糊熵计算中的局部均值，计算不同尺度下的改进模糊熵。改进后的多尺度模糊熵能更全面地反映信号的特征，从而更准确地评估轴承的运行状态。

本发明的技术方案为：一种基于改进多尺度模糊熵的滚动轴承故障诊断方法，具体包括如下步骤：

1)、测量滚动轴承的振动信号；

2)、计算轴承振动信号的改进多尺度模糊熵：

对测量得到的轴承振动信号进行粗粒化；针对模糊熵计算过程中存在的局限性，对模糊熵算法进行改进；计算不同尺度因子下粗粒序列的改进模糊熵，改进模糊熵算法点为利用总体均值代替原模糊熵算法公式中的局部均值u₀(i)，即对于一个N点时间序列{u(i):1≤i≤N},构建一个m维向量

其中，表示从第i点开始的连续m个u值减去总体均值

3)、选取前八个尺度上的改进模糊熵作为轴承故障特征向量；

4)、将得到的轴承故障特征分为训练样本和测试样本；

5)、利用训练样本对支持向量机进行训练得到预测模型；

6)、利用得到的预测模型对测试样本进行预测；

7)、根据预测结果识别滚动轴承的工作状态与故障类型。

本发明的有益效果在于：本发明基于改进多尺度模糊熵的滚动轴承故障诊断方法，改进传统的模糊熵算法，能够提取更加丰富的轴承状态信息，在故障模式识别过程中有更高的识别率。