[发明专利]一种滚动轴承健康退化状态辨识方法

说明书

一种滚动轴承健康退化状态辨识方法，包括步骤：步骤1，获取滚动轴承的历史监测信号，对监测信号进行预处理，去除奇异值并降噪；步骤2，对预处理后监测信号分别进行时域分析、功率谱分析和CEEMDAN分解，得到时域、功率谱和本征模态能量特征；步骤3，利用监测信号的各个特征对CSVM模型进行训练；步骤4，针对在线实时采集的滚动轴承的监测信号，将步骤2获取的各个特征，输入到步骤3中训练好的CSVM模型中，获得滚动轴承当前的健康退化状态辨识结果。本发明能够对滚动轴承的健康退化状态进行实时精确辨识，实现滚动轴承的状态实时监测，保障数控机床的安全、稳定、长周期运行。

技术领域

本发明属于滚动轴承检测技术领域，具体地说是一种滚动轴承健康退化状态辨识方法。

背景技术

滚动轴承是滚动轴承最常见的部件之一，其工作状态直接影响整个滚动轴承的可靠性与安全性。一旦滚动轴承出现故障，滚动轴承将会停转，出现功能丧失等各种异常现象，甚至造成重大安全事故。因此开展滚动轴承状态识别对于提高滚动轴承的维修效率、降低其维修成本，保证其长时间稳定运行等都具有重大的实际意义。

支持向量机(Support Vector Machine,SVM)是一种经典的数据驱动的分类方法，其在解决小样本、非线性和高维分类问题方面具有许多独特的优势。对于非线性的分类问题，支持向量机的核函数可以将输入数据转化到高维空间，以实现数据的分类。然而，支持向量机核函数的较大的计算负担限制了其在大规模数据集上的应用。

因此，亟需一种简便易行且能实时辨识滚动轴承的健康退化状况的支持向量机方法。

发明内容

为了解决上述的技术问题，本发明提供了一种基于聚类支持向量机(ClusteredSupport Vector Machine，简称CSVM)模型的滚动轴承健康退化状态高精高效辨识方法。

为了解决上述技术问题，本发明采取以下技术方案：

一种滚动轴承健康退化状态辨识方法，包括以下步骤：

步骤1，获取滚动轴承的历史监测信号，对监测信号进行去奇异值处理和降噪处理；

步骤2，对步骤1处理后的监测信号分别进行：

1)时域分析，提取监测信号的时域特征；

2)功率谱分析，提取监测信号的功率谱特征；

3)基于自适应噪声的完备经验模态分解(CompleteEnsembleEmpirical ModeDecompositionwith Adaptive Noise，简称CEEMDAN)，得到监测信号的各个本征模态分量，计算每个本征模态分量的能量值并作为滚动轴承健康退化状态的本征模态能量特征；

步骤3，利用步骤2获得的监测信号的时域特征、功率谱特征和本征模态能量特征对聚类支持微量机CSVM模型进行训练，获得训练好的CSVM模型；

步骤4，针对在线实时采集的滚动轴承的监测信号，按照步骤2分别提取监测信号的时域特征、功率谱特征和本征模态能量特征，输入到步骤3中训练好的CSVM模型中，获得滚动轴承当前的健康退化状态辨识结果。

所述时域特征包括平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子；功率谱特征包括频率中心、均方频率、均方根频率、频率方差和频率根方差。

所述步骤3中CSVM模型的训练过程如下：

步骤3.1，给定训练数据集S＝{x₁,x₂,…,x_n}，其中x_n∈R^γ×1，γ表示步骤2中所有提取的特征的总数目；