[发明专利]基于逻辑回归和J散度的滚动轴承故障预诊方法及系统

说明书

本发明公开了一种基于逻辑回归和J散度的滚动轴承故障预诊方法，包括以下步骤：采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；本发明依据轴承的健康衰退程度对轴承进行有针对性的故障诊断，同时根据不同工况不同对象，改变训练样本类型、特征值类型、健康阈值等参数，训练后的模型可以调整，具有实时性强、数据处理精度高、核心算法鲁棒性好、状态评估准确性高、诊断结果准确度高等优点。

技术领域

本发明涉及机械产品质量可靠性评估与故障诊断技术领域，尤其涉及了一种基于逻辑回归和J散度的滚动轴承故障预诊方法及系统。

背景技术

滚动轴承是旋转机械的重要支撑件，其实时运行状态直接决定了机械设备的可靠性，因此，对滚动轴承在线故障诊断研究非常重要，实时评估滚动轴承当前运行状态、定位故障部位和量化故障严重程度，对机械设备的维护和设计有极其重要的指导意义。本专利针对滚动轴承实现了一种基于逻辑回归和J散度的在线故障预诊办法，能够实时评估滚动轴承的运行状态，基于当前运行状态地定位故障部位。

现有在线故障诊断方法的研究有很多，目前成熟的方法有时域有效值峰值判断法、振幅概率密度分析法，冲击脉冲法等。这些方法只能给出故障或正常两种状态，事实上，轴承大部分时间的运行状态介于故障和正常之间，既非完全故障，亦非完全正常，可以将这种中间态称为健康衰退状态。轴承健康衰退状态不同于常见的轴承故障，是一个隐性的、渐变的、漫长的过程。处于此状态的轴承，在稳定衰退期，轴承的性能呈现稳定和缓慢的下降趋势并形成早期故障，从早期故障到最终故障状态，轴承性能会有较快速的下降，通过监测技术和信号处理技术将整个衰退过程量化和显性化，有助于更好地管理轴承的健康状态。显然，上述方法只给出故障或正常两种状态数据而丢失大部分健康衰退状态数据，无法准确评估轴承运行状态，有较高的误判率和漏判率。

发明内容

本发明针对现有技术中无法准确地评估轴承运行状态的缺点，提供了一种基于逻辑回归和J散度的滚动轴承故障预诊方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于逻辑回归和J散度的滚动轴承故障预诊方法，包括以下步骤：

采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

作为一种可实施方式，所述逻辑回归模型获取方法的具体步骤包括，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：