[发明专利]一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法

说明书

本发明涉及轴承预测性维护产品技术领域，且公开了一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，解决了目前市场上的排列熵多尺度参数难选的问题，本发明基于多尺度排列熵的诊断电机轴承故障机器学习方法的好处是简化了多尺度排列熵的关键尺度参数的选择，通过PCA对特征维度进行了压缩，不仅精简了维度而且让分类器更易于学习，结合贝叶斯分类器和多数投票法融合让轴承故障分类变得更加精准，实用性更强，最后通过多数投票法融合多个数据可以进一步提升准确率。

技术领域

本发明属于轴承预测性维护技术领域，具体为一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法。

背景技术

轴承是电机等旋转设备中使用最广泛的机械零部件之一，也是最容易出现故障的关键零部件，据统计在使用滚动轴承的旋转设备中，大约有30％的机械故障是由于滚动轴承引起的，其产生的各种潜在的故障包括内圈故障、外圈故障、滚珠故障和保持架故障等，因此轴承的故障诊断在电机预测性维护中占有举足轻重的作用，轴承故障诊断目前遇到的主要问题是异常数据难于获取，所以一般标定的故障数据量比较少，经典方法是基于频谱分析，通过轴承固有故障频率来诊断，但这类方法需要轴承额外参数并且诊断误差较大，比较难推广，基于深度学习方法因受限于故障数据量也很难训练出精准模型，所以目前更倾向于使用机器学习方法，但准确率也有进一步提升的空间。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，有效的解决了目前市场上的排列熵多尺度参数难选的问题。

为实现上述目的，本发明提供如下技术方案：一种新的基于多尺度排列熵的诊断电机轴承故障机器学习方法，包括如下步骤：

S1、准备电机轴承和电机轴承振动数据，包括轴承外圈故障，内圈故障，正常轴承振动数据，其中标定0为正常轴承，1为外圈故障，2为内圈故障；

S2、对多尺度排列熵的参数进行选择，对数据训练数据进行特征提取，用PCA进行特征维度压缩，其中多尺度排列熵的参数包含了几个重要的参数：

①、数据点N，数据点N是每次计算一个特征向量使用的数据点个数；

②、嵌入维度m，嵌入维度m是计算某个时间点排列熵的维度；

③、时间延迟t，时间延迟t是使用数据点之间的间隔；

④、多尺度s，多尺度s是对原始数据做了s次降采样，然后每次降采样后计算一个排列熵的特征；

S3、用贝叶斯进行分类模型训练，确定下分类模型参数；

S4、用测试集进行贝叶斯模型验证；

S5、实际使用中采集多段数据，单个数据进行贝叶斯模型预测，用多数投票法进行模型结果融合；

S6、输出最终诊断结果，并对数值进行记录。

优选的，模型验证使用了轴承竞赛MFPT的数据进行训练和验证，包含了电机25赫兹转速情况下不同负载的故障数据和正常数据。

优选的，模型验证使用了一半数据进行训练和一半数据进行模型验证。

优选的，电机振动数据采集可以是分成n段1秒的数据，然后对单个1秒数据做以上的故障分类判断。

与现有技术相比，本发明的有益效果是：

1)、本发明简化了多尺度排列熵的关键尺度参数的选择，通过PCA对特征维度进行了压缩，不仅精简了维度而且让分类器更易于学习，结合贝叶斯分类器和多数投票法融合让轴承故障分类变得更加精准，实用性更强，鉴于贝叶斯模型的大小，该发明专利非常适用于边缘端的嵌入式运用，能让硬件赋能轴承边缘异常检测，免除大量数据传回服务器。

附图说明