[发明专利]一种基于滚动轴承故障诊断方法、电子装置及存储介质

权利要求书

1.一种滚动轴承故障诊断方法，其特征在于，包括：

获取滚动轴承在不同运行状态下的多个振动加速度信号；其中，所述运行状态包括故障状态、工况以及故障程度；故障状态包括正常工况、内圈故障、外圈故障和滚动体故障；工况包括转速和载荷；

对每个所述振动加速度信号经调理放大以及采样量化后，以获得与每个振动加速度信号对应的一维离散数字信号；

对所述一维离散数字信号经双谱计算后，获得二维频谱；

对所述二维频谱进行数据降维，获得二维特征矢量；

根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量；

通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断；

根据不同状态下的二维特征矢量构建对应的自适应矩阵，并通过自适应矩阵对二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量，具体为：

获取各个状态下的两个不同工况的二维特征矢量，计算各个状态对应的格拉姆矩阵和交叉格拉姆矩阵；

基于格拉姆矩阵和交叉格拉姆矩阵构建核矩阵；

基于不同状态下二维特征矢量构造测度矩阵和中心矩阵；

基于核矩阵、测度矩阵和中心矩阵，构造特征矩阵；

对特征矩阵作特征分解，构建满足不同运行状态的滚动轴承特征矢量的自适应矩阵；

通过自适应矩阵对所述二维特征矢量进行投影，实现不同运行状态下特征知识迁移，以获得对应的适合其当前运行状态的特征向量。

2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，对所述一维离散数字信号经双谱计算后，获得二维频谱，具体为：

对所述一维离散数字信号进行预处理操作，以使其均值为零；

对所述预处理操作后的一维离散数字信号进行分段，以将一维离散数字信号分为K个数据段；

计算每一个数据段的离散傅立叶系数；

根据离散傅立叶系数，计算离散傅立叶系数的三重相关系数；

对三重相关系数进行平均值估算，获得二维频谱。

3.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，对所述二维频谱进行数据降维，以获得二维特征矢量，具体为：

基于对称特性对所述二维频谱进行区域划分，以将所述二维频谱划分为N个区域；

选择无冗余信息区域的二维频谱进行数据旋转、合并操作后，以获得无冗余信息的二维频谱；

对所述无冗余信息的二维频谱进行奇异值分解，以获得降维后的二维特征矢量。

4.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，通过特征向量训练隐马尔可夫模型，以获得不同故障状态的隐马尔可夫模型，并根据不同故障状态的隐马尔可夫模型构成状态辨识模型集，以根据所述状态辨识模型集对滚动轴承在变工况、变故障程度下的智能故障诊断，具体为：

将每个特征向量的构成元素分为M类，并定义隐马尔可夫模型的概率初始分布概率和及状态转移概率矩阵：

基于期望最大似然算法以及迭代运算确定当前隐马尔可夫模型参数；

分别采用不同运行状态的特征向量训练对应的隐马尔可夫模型，以确定滚动轴承不同故障状态的隐马尔可夫模型参数；

基于不同故障状态的隐马尔可夫模型，构成状态辨识模型集；

将未知运行状态下获得的特征向量输入状态模型集，计算不同运行状态隐马尔可夫模型后验似然概率；

根据最大似然概率模型对应的运行状态，将其作为待诊断运行状态，以实现滚动轴承在变工况、变故障程度的智能故障诊断。