[发明专利]一种滚动轴承故障诊断方法

说明书

本发明公开了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；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。本发明有效的克服了现有技术中特征信息复杂且冗余，特征信息表征能力不高以及故障诊断准确率不高的技术问题。同时在旋转设备在线监测领域拥有独特的优势。

技术领域

本发明涉及本发明属于轴承故障诊断领域，尤其涉及一种滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械的重要部件，研究钻承的故障诊断技术，对于保障设备的安全运行具有十分重要的意义。在过去的数十年中，振动信号、声辐射和温度值等参数都曾被用于轴承的损伤诊断，其中振动信号因其具有轴承状态信息丰富、测试简便和相关理论较为成熟的特点而得到广泛应用。

目前工程人员提出基于时域特征提取方法有峭度，裕度和峰值等，频域上的傅里叶变换以及时频域上的经验模态分解(EMD)、局部均值分解和本征时间尺度分解等。但是由于滚动轴承损坏过程特征信息具有复杂性和多变性的特点，并且轴承振动信号的指标之间存在很强的关联性，冗余信息较多且信号中往往含有强噪声，所以故障特征很难提取尤其是在轴承早期发生故障的时候。

发明内容

针对滚动轴承故障特征难以提取的问题，本文提出了一种基于PCA+KICA和SVM的滚动轴承故障诊断方法，即将主成分分析法(PCA)的降维去噪技术和核独立成分分析(kernel independent component analysis，KICA)法的盲源分离技术相融合并结合SVM(支持向量机)对滚动轴承故障进行准确分类的方法。该方法比传统的PCA+SVM的诊断方法提取的故障特征信息表征能力更强分类准确率更高。

为实现上述技术目的，本发明采取的技术方案为：

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。

为优化上述技术方案，采取的具体措施还包括：

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

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