[发明专利]一种滚动轴承故障诊断方法

说明书

本发明涉及一种滚动轴承故障诊断方法，包括步骤：采集滚动轴承的不同故障状态信号；利用广义复合多尺度加权排列熵算法GCMWPE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；利用监督等度规映射流形学习算法S‑Isomap对高维故障特征进行降维处理，获取其低维故障特征集；利用低维故障特征集对粒子群优化支持向量机PSO‑SVM进行训练，利用训练好的粒子群优化支持向量机PSO‑SVM进行故障诊断。本发明解决了滚动轴承故障特征提取困难的问题，能够有效、精准的诊断出滚动轴承各故障类型。

技术领域

本发明涉及滚动轴承故障分析技术领域，特别是一种滚动轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械应用广泛且容易损坏的零部件，对其进行故障诊断有着重要的理论和实际意义。

滚动轴承振动信号通常表征为非平稳和非线性等特性，因此，众多衡量机械动力学系统的非线性时间序列复杂性方法相继被提出，并被应用于故障诊断领域。其中，多尺度加权排列熵(MWPE)综合了多尺度熵和加权排列熵的优势，能够从多个尺度衡量时间序列的复杂度，因此，被广泛应用于多个领域。但将MWPE应用于滚动轴承特征提取过程，仍存在以下3点不足：(1)MWPE的熵值估计偏差会随粗粒化尺度因子的增大而增加；(2)MWPE粗粒化过程忽略了其他粗粒化序列上的有用信息，影响熵值准确度。(3)MWPE进行粗粒化构造时，利用均值处理方式在一定程度上会中和原始信号的动力学突变行为，影响特征提取结果。滚动轴承故障诊断的关键在于特征提取，然而提取的故障特征往往存在信息冗余，不利于后续处理。

发明内容

有鉴于此，本发明的目的是提出一种滚动轴承故障诊断方法，解决了滚动轴承故障特征提取困难的问题，能够有效、精准的诊断出滚动轴承各故障类型。

本发明采用以下方案实现：一种滚动轴承故障诊断方法，包括以下步骤：

采集滚动轴承的不同故障状态信号；

利用广义复合多尺度加权排列熵算法(GCMWPE)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；

利用监督等度规映射流形学习算法(S-Isomap)对高维故障特征进行降维处理，获取其低维故障特征集；

利用低维故障特征集对粒子群优化支持向量机(PSO-SVM)进行训练，利用训练好的粒子群优化支持向量机(PSO-SVM)进行故障诊断。

进一步地，所述采集滚动轴承的不同故障状态信号具体为：利用加速度传感器采集滚动轴承在正常状态、外圈故障状态、内圈故障状态和滚动体故障状态下的径向振动加速度信号。

进一步地，所述利用广义复合多尺度加权排列熵算法(GCMWPE)进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集具体为：利用广义复合多尺度加权排列熵算法(GCMWPE)对每组振动信号进行熵值特征提取，构建原始高维特征集。

具体的，所述利用广义复合多尺度加权排列熵算法(GCMWPE)对每组振动信号进行熵值特征提取，构建原始高维特征集具体包括以下步骤：

步骤S11：对不同故障状态信号的时间序列X＝{x₁,x₂,...,x_N}，采用下式计算出广义复合粗粒化序列

式中，表示尺度s下的第k个广义复合粗粒化序列，s为尺度因子，τ为时延，N为时间序列长度；

步骤S12：对于每个尺度因子s，分别计算每个广义粗粒化序列的WPE值；

步骤S13：均化同一尺度下多个WPE值，得到对应故障信号在s尺度下的GCMWPE值，对应表达式如下：