[发明专利]一种基于KICA-分形理论的滚动轴承故障诊断方法

权利要求书

1.一种基于KICA-分形理论的滚动轴承故障诊断方法，其特征在于：

Step1：对滚动轴承不同故障状态下的原始振动信号进行EMD分解，获得k个IMF分量，通过计算各IMF分量与原始振动信号的相关系数，选取包含滚动轴承主要故障信息的前m个IMF分量进行重构，得到重构振动信号数据；

Step2：对重构振动信号数据通过KICA进行建模分析，得到IC，并通过监控IC对应的T²和SPE统计量是否超出正常设定的控制限，实现对异常信号的检测；

Step3：对得到的IC进行分形故障特征提取，提取IC的关联维数和盒维数；

Step4：将提取到的关联维数和盒维数与历史训练的各故障关联维数和盒维数进行匹配处理，输出识别结果，并且判断故障诊断结果；

所述Step1具体为：

Step1.1：对原始振动信号进行EMD分解，分解为k个模态分量IMF₁,IMF₂,IMF₃,…,IMF_k，具体为：

Step1.1.1：读取待处理的原始时域信号并赋值给待处理序列x(t)，并提取其所有的极大值点和极小值点，分别用三次样条曲线连接极大值点和极小值点，形成上包络线和下包络线，使信号所有数据点都处于这两条包络线之间，求取包络均值m(t)＝(E₁+E₂)/2，得到信号差值序列u(t)＝x(t)-m(t)；

Step1.1.2：检测 是否满足基本模态分量需要的条件：

1)在整个数据集合中，极值点的数目和过零点的数目必须相等或最多相差一个；

2)由局部极大值和极小值所形成的包络均值都等于零；

Step1.1.3：令序列x(t)中减去其上、下包络线均值m(t)，得信号差值序列u(t)＝x(t)-m(t)；

Step1.1.4：将第一个本征模函数记作c₁(t)＝u₁(t)，得到剩余项r₁(t)＝x(t)-c₁(t)，将r₁作为新的原始数据，重复以上步骤，直到第n个剩余项r_n(t)小于给定值或成为单调函数则EMD分解过程结束，最后得到原始振动信号由这n个不同尺度下的本征模函数和剩余项组成；

Step1.2：通过计算分解得到的k个模态分量IMF₁,IMF₂,IMF₃,…,IMF_k与原始振动信号的相关系数，选取包含轴承主要故障信息的前m个IMF分量进行重构，获得重构振动信号数据，具体为：

Step1.2.1：根据定量计算EMD分解产生的k个IMF分量与原始振动信号的相关性大小；

Step1.2.2：选取包含轴承主要故障信息的前m个IMF分量重构振动信号数据；

所述Step2具体为：

Step2.1：对重构振动信号数据通过KICA进行建模分析，利用再生核希尔伯特空间的非线性函数作为对比函数，将信号映射到高维空间，运用核分析方法在该空间内寻找对比函数的最小值，从而得到最优解混矩阵，将源信号从观测样本信号中分离提取出来，具体为：

Step2.1.1：输入观测数据x₁,x₂,…,x_n，并确定核函数K(x,s)，利用核函数实现输入空间与特征空间的非线性变换；

Step2.1.2：对观测数据进行中心化和白化处理，使观测数据成为零均值和单位方差向量；

Step2.1.3：利用cholesky分解计算原始独立数据s₁,s₂,…,s_n的Gram矩阵k₁,k₂,…,k_n，其中s_i＝wx_i，w为解混矩阵；

Step2.1.4：定义特征值为式λ(K₁,K₂,...,K_m)最大特征值：

简写为K_rα＝λD_kα

Step2.1.5：计算目标函数

Step2.1.6：重复步骤Step2.1.3和Step2.1.5，直到算法收敛使得C(W)取得最小值为止，从而求得最优解混矩阵W，进而根据s＝w*x得到一组独立源信号；

Step2.2：计算IC的T²、SPE统计量，结合控制限做出预警判断，其具体步骤为：

Step2.2.1：计算训练数据独立分量IC的T²和SPE统计量作为控制限，并计算新样本独立分量IC的T²和SPE统计量，其中T²统计量反映了每个独立成分在变化趋势和幅值上偏离模型的程度，SPE统计量刻画了输入变量的测量值对独立分量IC模型偏离的程度；

Step2.2.2：判断新样本的T²和SPE统计量是否超出正常设定的控制限，对故障的振动信号报警提示。

2.根据权利要求1所述的基于KICA-分形理论的滚动轴承故障诊断方法，其特征在于所述Step4具体为：

Step4.1：若其关联维数特征量能反映出故障类型，则进行故障信号的匹配与识别；

若其关联维数特征量不能反映其故障特征，则进一步结合盒维数特征量对重构振动信号进行匹配与识别；

Step4.2：检查故障是否排除，若故障排除则返回盒维数和关联维数，更新特征作为故障识别的匹配特征，否则做停机处理。