[发明专利]一种轴承单一故障智能检测方法

说明书

本发明公开了一种轴承单一故障智能检测方法。按下述步骤进行：a.信号采集：采集轴承多传感器数据，构建数据集；b.数据预处理：从数据集中随机抽样，形成训练集和测试集；c.特征提取：基于SAE算法进行训练集和测试集的特征提取，得到特征数据集；d.分类器训练：对特征数据集中的特征数据进行分类训练，得到多个分类器；e.IDS融合：通过改进的D‑S证据理论对所有分类器的分类结果进行融合计算，得到融合结果；所述的改进的D‑S证据理论是通过建立识别框架和重新计算分配权重函数得到的；f.得到准确度：将实际标签与融合结果进行比较，得到所提方法的精度。本发明检测精度高，适用性强。

技术领域

本发明涉及一种轴承故障诊断方法，特别是一种轴承单一故障智能检测方法。

背景技术

滚动轴承作为机械设备中的核心部件之一，其健康状况是保证设备正常运行的关键.据不完全统计，旋转机械中约有30％的故障是由于轴承损坏导致，因此，轴承故障诊断技术的研究具有重要的经济价值和社会效益。目前对轴承多故障诊断的研究主要集中在信号分解方法的使用和人工对耦合信号的分析、变换及分离上。这些研究的方法通常集中于三个或两个组合故障点的诊断，而没有分析其遍及的所有多故障组合故障的情况，也没有考虑使用特征自动提取方法来将单一故障从不同的多故障中检测识别出来。

发明内容

本发明的目的在于，提供一种轴承单一故障智能检测方法。本发明检测精度高，适用性强。

本发明的技术方案：一种轴承单一故障智能检测方法，按下述步骤进行：

a.信号采集：采集轴承多传感器数据，构建数据集；

b.数据预处理：从数据集中随机抽样，形成训练集和测试集；

c.特征提取：基于SAE算法进行训练集和测试集的特征提取，得到特征数据集；

d.分类器训练：对特征数据集中的特征数据进行分类训练，得到多个分类器；

e.IDS融合：通过改进的D-S证据理论对所有分类器的分类结果进行融合计算，得到融合结果；所述的改进的D-S证据理论是通过建立识别框架和重新计算分配权重函数得到的；

f.得到准确度：将实际标签与融合结果进行比较，得到所提方法的精度。

前述的轴承单一故障智能检测方法所述的步骤d中，所述的分类器为SVM 分类器。

前述的轴承单一故障智能检测方法所述的步骤e中，所述的改进的D-S证据理论具体通过下述步骤改进得到：

e1.将每个分类器作为一个证据体，训练得到的多个分类器给同一个测试样本后得到一个被称为BPA的判断概率矩阵；

e2.根据皮尔逊相关性系数计算证据体权重，构建相关性矩阵；

e3.分配证据体信任度权重，得到证据体可信度；

e4.使用证据体可信度对原始证据体BPA进行修正，得到新的BPA矩阵；

e5.0因子修正：修正新的BPA中概率为0的项，修正大小为0.01，修正后得到修正BPA；

e6.根据D-S计算规则对上述修正后的BPA进行计算，得到可信度向量；

e7.将可信度向量加入到原始BPA中组成新的基本概率分布矩阵；

e8.重复步骤e5的0因子修正；

e9.重复步骤e6的D-S计算规则计算，得到最终的融合结果。