[发明专利]一种轴承状态监测及故障诊断方法

权利要求书

1.一种轴承状态监测及故障诊断方法，其特征在于，包括如下步骤：

A1、通过振动传感器采集获取原始振动数据并进行特征提取，所述特征包括时域特征、频域特征和时频域特征，所述时域特征、频域特征和时频域特征组成特征向量；

A2、通过特征向量进行状态监测；

A3、通过特征向量进行故障诊断。

2.根据权利要求1所述的轴承状态监测及故障诊断方法，其特征在于，所述时域特征包括方差、均方值、均值根植、偏度、峭度、波形指标、裕度指标、脉冲指标、峰值指标和峭度指标。

3.根据权利要求1所述的轴承状态监测及故障诊断方法，其特征在于，所述频域特征包括平均频率、频率中心、均方根频率、标准偏差频率和峰度频率。

4.根据权利要求1所述的轴承状态监测及故障诊断方法，其特征在于，所述时频域特征包括固有模态函数的能量和固有模态函数的模糊熵值；所述固有模态函数通过对所述原始振动数据进行经验小波变换得到。

5.根据权利要求1所述的轴承状态监测及故障诊断方法，其特征在于，所述步骤A2包括：

A21、离线建模：提取轴承正常运行状态下历史振动数据的时域、频域和时频域特征，建立数据模型并获得所述数据模型的控制限；

A22、在线监测：在线获取轴承运行振动数据，通过轴承运行振动数据得到统计量，将所述统计量与所述控制限对比；

若所述统计量大于所述控制限，则轴承是故障状态；

若所述统计量小于等于所述控制限，则轴承是正常运行状态。

6.根据权利要求5所述的轴承状态监测及故障诊断方法，其特征在于，在所属步骤A21中，利用主元分析法，获得所述数据模型的控制限。

7.根据权利要求1所述的轴承状态监测及故障诊断方法，其特征在于，所述步骤A3包括：

A31、离线建模：提取轴承正常运行状态下历史振动数据的时域、频域和时频域特征形成混合数据特征向量，将混合数据特征向量输入预先准备的概率神经网络进行训练；

A32、在线识别：在线获取轴承运行振动数据，提取轴承运行振动数据的时域、频域和时频域特征形成新的混合数据特征向量，并得到新的数据特征矩阵，将所述新的数据特征矩阵输入预先训练好的概率神经网络中，判断轴承的运行状态。

8.根据权利要求7所述的轴承状态监测及故障诊断方法，其特征在于，所述运行状态包括正常状态、内圈故障、滚动体故障和外圈故障。