[发明专利]一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法

说明书

本发明涉及基于K‑means聚类和证据推理的旋转机械滚珠轴承故障诊断方法。该方法通过K‑means聚类获取似然信度表和K个参考中心向量，由似然信度表获取K个参考证据；计算故障特征数据与K个参考中心向量之间的距离，并由此来修正参考证据，生成K个诊断证据；在线获取多种故障特征的取值后，分别计算它们激活的诊断证据，再将这些被激活的诊断证据融合，利用融合后的证据做出故障决策，得到该在线故障特征数据所对应的故障类型。本发明方法在K‑means聚类的基础上进行故障诊断证据的融合推理，利用多源诊断信息有效提高了旋转机械滚珠轴承的故障诊断精度。

技术领域

本发明涉及一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，属于旋转机械滚珠轴承状态监测与故障诊断技术领域。

背景技术

滚珠轴承由于摩擦阻力小、结构简单、价格低廉、润滑性能好等优点而被广泛应用于旋转机械。作为机械设备微小零部件之一，它具有承受载荷、传递动力和力矩的功能，在机械设备中起着举足轻重的作用，特别是旋转机械系统中的核心组成部件。作为机械设备中连接旋转部件与固定部件的“关节”，滚珠轴承在运行过程中会受到多种交变载荷的作用，随着时间的推移，其运行状态会不可避免的发生变化。另外，由于加工误差、安装或操作不当以及工作磨损等原因，轴承元件表面也会出现不同程度的损伤，这使得滚珠轴承是机械设备中最容易发生故障的部件之一。

据相关资料统计：在旋转机械发生的故障中，大约有30％的故障是由于滚珠轴承发生故障而引起的；电机故障中约有40％是滚珠轴承故障造成的；齿轮箱发生的各类故障中，轴承的故障率仅次于齿轮，比例大约占到19％。滚珠轴承出现故障后会影响设备中其他部件的正常运行，进而引发一系列的连锁破坏反应，甚至造成更为危险的事故。由此可见，滚珠轴承在机械系统安全可靠运行过程中发挥着极其重要的作用，其工作状态在相当大程度上决定着整个机械设备甚至是整条生产线的运行状态。因此，对滚珠轴承的状态监测和故障诊断进行研究势在必行。

发明内容

本发明的目的是提出一种基于K-means聚类和证据推理的旋转机械滚珠轴承故障诊断方法，利用K-means聚类获取K个参考中心向量和K个参考证据，计算故障特征数据与K个参考中心向量之间的距离，并由此来修正参考证据，生成K个诊断证据，使用证据推理规则对K个诊断证据进行融合，利用融合后的证据做出故障决策，该方法对故障特征数据进行处理时，未对数据的变化特性、格式、精度等做出任何限制和约束，便于工程实现，且通过融合后证据可以做出精确的诊断。

本发明方法包括以下：

(1)设定旋转机械滚珠轴承的故障集合Θ＝{F₁,...,F_i,...,F_N|i＝1,2,...,N}，F_i表示故障集合Θ中的第i个故障，N为滚珠轴承所含故障模式的个数。

(2)设f_1,i，f_2,i和f_3,i为能够反映故障集合Θ中每个故障F_i的故障特征参数，该特征参数为加速度信号，分别由安装在电机壳体驱动端、风扇端12点钟位置和电机基座的加速度传感器提供，将f_1,i(t)，f_2,i(t)，f_3,i(t)和F_i表示成样本集合M_i＝{[f_1,i(t),f_2,i(t),f_3,i(t),F_i]|t＝1,2,…,S_i}，其中[f_1,i(t),f_2,i(t),f_3,i(t),F_i]为一个样本向量，S_i表示故障为F_i状态下的采样个数，取S_i≥300；分别采样各个故障状态下的样本数据，并将其表示为集合形式共计可获得δ个样本，|M|表示集合M中元素的个数。