[发明专利]一种滚动轴承故障诊断方法

权利要求书

1.一种滚动轴承故障诊断方法，包括以下步骤：

步骤一，获取滚动轴承的原始振动数据；

步骤二，对步骤一所得的原始振动数据提取时域特征；

其特征是：

步骤三，利用PCA算法对步骤二时域特征数据进行降维去噪，提取时域特征主分量；

步骤四，利用KICA算法对PCA得到的特征空间进行处理，得到各分量统计独立的特征空间；

步骤五，利用SVM特征信号进行分类即故障诊断。

2.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征是：步骤二中的时域特征包括均值其中峰值x_p，其中x_p＝max(|x_i|)，幅值平方和x_c，其中均方根x_rms，其中方根幅值x_r，其中标准差x_std，其中歪度x_ske，其中峭度x_kur，其中波形指标x_SF，其中峰值指标I_p，其中I_P＝x_p/x_rms，脉冲指标C_f，其中裕度指标C_e，其中上式中x_i为轴承振动信号数据序列。

3.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征是：步骤三的具体步骤为：

将步骤二所得的轴承不同状态下的各种时域特征组成数据矩阵Y，并对其进行PCA算法降维处理；降维处理是对时域特征提取之后的特征信息组成新的低维数据矩阵，具体步骤如下：

设观测样本信号矩阵Y是d×N型矩阵(d为样本数N为特征数)，即

假定Y是经过中心化后样本矩阵；

标准化观测样本信号矩阵为

式中，Q是Y的样本方差矩阵平方根的逆。

计算的样本协方差矩阵特征值λ₁,…,λ_d及对应的特征向量矩阵C＝(e₁,…,e_d)，其中特征值按降序排列；

(3)依据PCA方法的主元选择标准确定保留的主元个数m，并计算前m个主元，表示为

式中，是前m个特征向量组成矩阵的转置，Y_PCA是经PCA方法降维后由前m个主元组成的新矩阵，通过Y_PCA即得到m个特征向量的时域特征主分量。

4.根据权利要求3所述的一种滚动轴承故障诊断方法，其特征是：步骤四的具体步骤为：

(1)将Y_PCA白化处理,即

式中，P是白化变换矩阵；是Y_PCA经过白化后的矩阵，即满足I是单位矩阵；

(2)选择核函数K(x,y)，根据KICA算法，确定目标函数C(W)；

(3)令得到源信号S₁,S₂,...S_N的估计值X₁,X₂,...X_N,利用Cholesky分解计算估计值的中心化Gram矩阵K₁,K₂,...K_N；

定义λ_H为下式的最大特征值：

其中K₁,K₂.....K_m是观察数据的Gram矩阵，a₁,a₂.....a_m分别是K₁,K₂.....K_m的特征矢量。

(4)设目标函数使其最小化；

(5)对W进行收敛判断，若不收敛，返回到(3)步，收敛则进行(6)步；

(6)利用得到新的时域特征主分量矩阵X,即得到具有独立成分的时域特征主分量。

5.根据权利要求1所述的一种滚动轴承故障诊断方法，其特征是：步骤五的具体具体步骤为：

(1)选择合适的核函数；

(2)采用交叉验证选择最佳参数；

(3)采用最佳参数对整个训练集进行训练获取支持向量机模型；

(4)利用获得的模型进行训练与预测。