[发明专利]一种多工况下轴承的状态监测与故障诊断方法

说明书

本发明公开了一种多工况下轴承状态监测与故障诊断方法，通过扭矩传感器采集多工况下轴承振动数据并进行预处理；对预处理后的振动数据用经验模态分解，得到一系列的固有模态分量函数IMF，再用主成分分析对固有模态分量函数进行筛选；对筛选得到的IMF进行包括时域、频域、时频域在内的多域特征提取，并按照故障类型划分为测试集跟训练集；根据所提取到的特征进行特征融合；将融合后的特征输入支持向量机进行模式识别，得到轴承的工作状态，若出现故障进一步判定故障类型。实现多工况下轴承的状态监测与故障诊断，故障识别准确率高。

技术领域

本发明属于故障检测技术领域，特别是涉及一种多工况下轴承的状态监测与故障诊断方法。

背景技术

旋转机械设备广泛应用于航空航天、集成电路、铁路交通、工程机械等领域。为维持设备的安全运行，需要对主要零部件的健康状况进行实时监控，发生故障时需准确高效完成故障诊断。轴承作为旋转机械中最关键的零件，其故障在旋转机械故障中占比高达30%，因此对轴承状态进行监测与故障诊断非常重要。现有的轴承故障诊断方法主要针对单一工况，且用于故障识别的特征数量多，不符合设备的实际运行情况同时也给故障识别带来冗余量，增加计算量。因此亟需开发一种高效率、高准确率的针对多工况下轴承故障诊断的方法。

发明内容

针对以上技术问题，本发明提供一种多工况下轴承的状态监测与故障诊断方法。

本发明解决其技术问题采用的技术方案是：

一种多工况下轴承的状态监测与故障诊断方法，方法包括以下步骤：

S100：通过扭矩传感器采集轴承的振动数据，对振动数据进行预处理，得到预处理后的振动数据；

S200：对预处理后的振动数据采取傅里叶变化和奇异值分解方法进行包括时域、频域、时频域在内的多域特征提取，得到多域特征数据集，将多域特征数据集按照预设故障类型和预设划分比例划分为测试集和训练集；

S300：采取核主成分分析法和线性判别分析相结合的方式，对多域特征数据集进行特征降维，对降维后的特征利用有监督线性判别分析进行特征融合得到融合后的特征；

S400：将融合后的特征输入支持向量机进行训练，并采用十折交叉验证与网格搜索相结合的方式优化参数训练模型，得到最优模型，把融合特征后的测试集输入最优模型中，得到轴承状态监测与故障检测结果。

优选地，S100包括：

S110：对振动数据采取重叠采样的方法进行数据增强得到增强后的振动数据，样本表示为，每个样本长度为，总样本个数为；

S120：对增强后的振动数据用经验模态分解进行信号的去噪处理，得到一系列的固有模态分量函数IMF，采取主成分分析法PCA根据每个IMF的方差贡献率选择保留的IMF个数，得到去噪后的信号。

优选地，S110具体为：

其中，和分别代表第个样本和第个样本，为第个样本和第个样本之间的重叠量，为第个样本到第个样本之间的偏移量。

优选地，S120包括：

S121：对增强后的振动数据用经验模态分解进行信号的去噪处理，得到一系列的固有模态分量函数；

S122：从固有模态分量函数中采取主成分分析法PCA计算每个IMF的方差贡献率，对每个IMF的方差贡献率按照从大到小进行排序，保留前预设数量的IMF个数，得到去噪后的信号。

优选地，S121中对信号进行经验模态分解得到IMF，具体为：

其中，为原始信号，为分解得到的IMF，数量为，为分解得到的残差信号；