[发明专利]一种艇用离心泵滚动轴承故障诊断方法

权利要求书

1.一种艇用离心泵滚动轴承故障诊断方法，其特征在于：首先采用小波降噪的方法对振动信号进行降噪处理，然后采用局部特征尺度分解对降噪后的振动信号进行时频分析，获取各故障模式信号的内禀尺度分量，之后提取各内禀尺度分量的样本熵作为振动信号的故障特征，在故障诊断时，利用提取的各故障模式内禀尺度分量的样本熵对随机森林进行训练，并利用Bagging的方式随机抽取训练样本对决策树进行训练，建立多棵决策树，然后利用训练好的随机森林对测试数据进行诊断测试，从而获得故障诊断结果。

2.根据权利要求1所述的一种艇用离心泵滚动轴承故障诊断方法，其特征在于所述小波降噪具体包括如下步骤：

S1)信号分解：选定小波函数和分解层数j，对信号进行j层小波分解；

S2)小波细节系数去噪：对于每一层小波，设定一个阀值，对细节系数进行阀值处理；

S3)信号重构：基于第j层的原始概貌系数和第1层到第j层修正的细节系数，进行信号的重构。

3.根据权利要求1所述的一种艇用离心泵滚动轴承故障诊断方法，其特征在于所述局部特征尺度分解具体包括如下步骤：

S1)定义内禀尺度分量：基于极值点的局部特征尺度参数，定义瞬时频率具有物理意义的单分量信号-内禀尺度分量，在满足此单分量信号瞬时频率具有物理意义的条件上提出了局部特征尺度分解，假设任何复杂的信号由不同的内禀尺度分量组成，任何两个内禀尺度分量之间相互独立，把任何一个信号x(t)分解为有限个内禀尺度分量之和；

S2)确定物理意义的条件：

(Ⅰ)在信号的整个数据中，任意两个相邻的极大值与极小值之间要具有单调性；

(Ⅱ)在信号的整个数据中，设所有极值为对应的时刻为τ_k(k＝1,2,…,M)，M为极值点的个数，连接任意两个相邻的极大值点(或极小值点(τ_k,X_k)、(τ_k+2,X_k+2))，确定的直线为l_k，见公式(1)：

在二者之间的极值点相对应的时刻τ_k+1函数值，记为A_k+1，由公式(2)得A_k+1的值为：

让A_k+1与X_k+1的比值保持不变，一般情况下：

aA_k+1+(1-a)X_k+1＝0a∈(0,1) (3)

即要满足：

取

S3)局部特征尺度分解过程：

(Ⅰ)确定x(t)所有极值X_k及其相对应的时刻τ_k，k＝1,2,…,M；

(Ⅱ)根据公式(2)计算A_k+1的值，上式(3)中的值一般取0.5，然后依据公式计(5)算出所有的值，

L_k＝aA_k+(1-a)X_k (5)；

(Ⅲ)所有的L₁,L₁,…,L_M由三次样条连接，得到均值曲线或基线BL₁(t)；

(Ⅳ)将基线从原信号中分离出来，见公式(6)，

h₁(t)＝x(t)-BL₁(t) (6)

h₁(t)满足条件(I)、(II)，即是一个ISC分量，令ISC₁＝h₁(t)；

(Ⅴ)h₁(t)不满足条件(I)、(II)，将h₁(t)作为原始数据重复上述步骤，可以得到：

h₁₁(t)＝h₁(t)-BL₁₁(t) (7)

h₁₁(t)不满足条件(I)、(II)，则重复上述步骤k次，直到h_1k(t)满足ISC分量条件，为第一个ISC分量，记为ISC₁＝h_1k(t)，对于判断满足ISC分量的第二个条件，依据式(3)，A_k+1与X_k+1之和不可能都等于0，采用标准偏差法作为终止判据来终止迭代循环，标准偏差值小于0.5即可得到理想的ISC分量了。SD定义式如下：

(Ⅵ)将ISC₁从原始信号中分离出来，见公式(9)：

r₁(t)＝x(t)-ISC₁ (9)

再将r₁(t)作为原始数据重复上述步骤①～⑤，循环n次，直到剩余量r_n(t)为一个单调函数，从而将x(t)分解为n个ISC和一个单调函数的参与量之和，见公式(10)：

S4)提取样本熵：已知序列{x(i)}，其中i＝1,2,…,N为{x(i)}第i点数据值，N为数据长度，

(Ⅰ)选定m，组成m维矢量X(i)：

X(i)＝[x(i),x(i+1),…,x(i+m-1)] (12)

式中，i＝1,2,…,N-m+1，m为模式维数；

(Ⅱ)定义矢量X(i)与X(j)之间的距离d[X(i),X(j)]为两者所对应元素中的最大差值，即：

d[X(i),X(j)]＝max[|x(i+k)-x(j+k)|] (13)

式中，k＝1,2,…,m-1，i,j＝1,2,…,N-m+1,i≠j；

(Ⅲ)设定相似容限r的阈值，

统计d[X(i),X(j)]＜r的数目，为Num＝d[X(i),X(j)]＜r，

并将其余矢量总数N-m作比，记为

式中，i,j＝1,2,…,N-m+1,i≠j

将N-m+1个的平均值记为B^m(r)，即：

式中，为两个序列在下匹配个点的概率；

(Ⅳ)将m增加到m+1，重复步骤(Ⅰ)-(Ⅲ)，得：

式中，B^m+1(r)为两个序列在r下匹配m+1个点的概率；

(Ⅴ){x(i)}的样本熵为：

为有限值时，则样本熵的计算值为：

S5)随机森林对测试数据进行诊断测试：

假设随机森林是由K棵CART决策树组成的，假设产生第i棵决策树的函数表示为：f_i(x,Θ_i):X→Y,i＝1,2,…,K，其中x就是输入向量，Θ是独立同分布的随机向量，随机森林可以表示为：F＝{f₁,f₂,…,f_K}，其中K为森林的规模；

用随机森林对样本数据分类，形式化的表示如下：

其中，I(·)是示性函数，它的取值范围是0和1，当括号中的条件成立时值为1，否则为0，随机森林就是选择投票最多的类别作为样本数据的最终类别。