一种滚动轴承故障诊断方法技术

一种滚动轴承故障诊断方法，属于旋转机械故障诊断领域。该方法主要包括4个步骤：获取轴承在正常及故障状态下的振动信号样本集，然后计算样本集的典型时域统计参数，获得初始特征集；计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；计算未知样本和已知样本集的聚类中心之间的贴近度，根据贴近度的大小确定未知样本的故障类型。该方法简单，方便，可大大减少计算量，准确识别故障类型划分及识别，具有很大的实用价值。

【技术实现步骤摘要】

本专利技术属于旋转机械故障诊断领域，具体涉及一种基于拉普拉斯分值和自适应模糊C均值聚类的滚动轴承故障诊断方法。
技术介绍
滚动轴承作为旋转机械的关键零部件，其工作状态的好坏将直接影响到整台机械设备的工作状态。滚动轴承故障是导致旋转机械设备发生故障的主要原因之一，严重时甚至可能导致重大财产损失。因此，为了避免由轴承导致的机械故障，减少经济损失，对轴承进行状态监测及故障诊断从而保证其正常运行非常有必要。目前，针对滚动轴承故障诊断，最常用的方法是基于振动信号分析。它主要包括三个步骤：数据采集与预处理，特征提取，模式识别。其中，特征选择和提取是故障诊断的关键，模式识别则是核心。只有选择合适的特征参量和有效的模式识别方法，才能保证故障诊断的可靠性。故障可以根据不同特征来识别，但是不同特征对故障的敏感程度却不一样。有些特征与故障密切相关，另一些可能是冗余甚至无关的特征。因此，在将特征输入分类器之前，保留对故障敏感度高的特征，剔除对故障敏感度低的特征，有利于减少计算量，避免维数灾难，提高分类的准确性。拉普拉斯分值利用局部保持能力来衡量特征，通过直接对特征集进行学习提取数据内在的信息结构，将复杂的高维特征空间转化为简单的低维特征空间，在特征空间中选取分值较小的特征，极大程度地保留了故障信号特征集合中内含的整体几何结构信息，从而利于滚动轴承故障判别与诊断。聚类分析可根据数据间的相似性来实现数据区分。传统的聚类分析是一种硬划分，它把每个待识别的对象严格地划分到某个类中，具有非此即彼的性质，这种分类的类别界限是分明的。显然，这种分类不适用于具有模糊性的问题，即那些并没有严格的属性的对象，它们在形态和类属方面存在着中介性，适合进行软划分。模糊集理论为这种软划分提供了有力的分析工具，这种采用模糊的方法来处理聚类问题称为模糊聚类分析。模糊C均值聚类(FCM)算法可以有效进行聚类分析，但需要事先设定聚类数，这样给出的聚类是否合理就需要进行有效性验证。如果聚类数选取的不合适，会使划分结果与数据集的真正结构不相符，从而导致分类失败。因此，只有选择了正确的聚类数才能获得较好的分类结果。自适应模糊C均值聚类算法可以根据数据集自动给出最佳的聚类数，从而准确实现故障类型划分。
技术实现思路
针对故障轴承振动信号的非平稳性及高维特征选择问题，本专利技术公开了一种基于拉普拉斯分值和自适应模糊C均值聚类的滚动轴承早期微弱故障诊断方法。本专利技术包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动体故障状态下的振动加速度信号，得到时域信号样本集；步骤二、计算样本集中每个样本的若干个典型时域统计参数，构成初始特征集；步骤三、计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；具体进行如下处理：步骤3.1：构造一个具有m个样本点的临近图G，第i个节点对应xi，第j个节点对应xj；如果xi和xj足够近，则有边连接，否则没有边连接。步骤3.2：如果节点i和j是连通的，则令其中，i，j＝1,…,m,其中t是一个合适的常数；否则令Sij＝0；步骤3.3：对于第r个特征，定义fr＝[fr1,fr2,…,frm]T,D＝SI,I＝[1,…,1]T,L＝D-SD为对角阵，矩阵L称为图G的拉普拉斯矩阵，fri表示第i个样本的第r个特征，I为单元矩阵，fr为各fri的特征元素集合，i＝1,…,m；步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合步骤3.5：计算第r个特征的拉普拉斯分值 L r = f r ~ T L f r ~ f r ~ T D f r ~ ]]>Lr表示第r个特征的拉普拉斯分值；步骤四、采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；设xi表示数据集，n表示数据集中元素的个数，c表示聚类中心(1＜c＜n)，dij＝||xi-vi||表示样本xj和聚类中心vi的欧氏距离，uij表示第j个样本到第i个聚类中心的隶属度，U＝[uij]c×n表示关系矩阵,V＝[vij]s×c表示聚类中心矩阵。总体样本的中心向量为 x ‾ = Σ i = 1 c Σ j = 1 n u i j m x j n ]]>下面给出聚类数c的自适应函数 L ( c ) = Σ i = 1 c ( Σ j = 1 n u i j m ) | | 本文档来自技高网...

【技术保护点】
一种滚动轴承故障诊断方法，其特征在于：本方法包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动体故障状态下的振动加速度信号，得到时域信号样本集；步骤二、计算样本集中每个样本的若干个典型时域统计参数，构成初始特征集；步骤三、计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；具体进行如下处理：步骤3.1：构造一个具有m个样本点的临近图G，第i个节点对应xi，第j个节点对应xj；如果xi和xj足够近，则有边连接，否则没有边连接；步骤3.2：如果节点i和j是连通的，则令其中，i，j＝1,…,m,其中t是一个合适的常数；否则令Sij＝0；步骤3.3：对于第r个特征，定义fr＝[fr1,fr2,…,frm]T,D＝SI,I＝[1,…,1]T,L＝D‑SD为对角阵，矩阵L称为图G的拉普拉斯矩阵，fri表示第i个样本的第r个特征，I为单元矩阵，fr为各fri的特征元素集合，i＝1,…,m；步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合步骤3.5：计算第r个特征的拉普拉斯分值Lr=fr~TLfr~fr~TDfr~]]>Lr表示第r个特征的拉普拉斯分值；步骤四、采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；设xi表示数据集，n表示数据集中元素的个数，c表示聚类中心(1<c<n)，dij＝‖xj‑vi‖表示样本xj和聚类中心vi的欧氏距离，uij表示第j个样本到第i个聚类中心的隶属度，U＝[uij]c×n表示关系矩阵,V＝[vij]s×c表示聚类中心矩阵；总体样本的中心向量为x‾=Σi=1cΣj=1nuijmxjn]]>下面给出聚类数c的自适应函数L(c)=Σi=1c(Σj=1nuijm)||vi-x‾||2/(c-1)Σi=1c(Σj=1nuijm)||xj-vi||2/(n-c)]]>在不做特殊要求下可取m＝2，k表示迭代次数(取大于或等于1的整数)，具体进行如下处理：步骤4.1：给出迭代标准ε＝0.001，聚类数c＝2,聚类数为1的自适应函数L(c)＝0，初始分类矩阵V(0)，k＝0；步骤4.2：用下面公式计算U(k)uij(k)=1Σr=1c(dij(k)drj(k))2m-1]]>如果存在j,r,使得则令且对i≠r,步骤4.3：用下面公式计算V(k+1)，vi(k+1)=Σj=1n(uij(k))mxjΣj=1n(uij(k))m]]>比较V(k+1)和V(k)，若‖V(k+1)‑V(k)‖≤ε，则停止迭代，否则，置k＝k+1,转向步骤4.1；步骤4.4：计算L(c)，在c＞2且c<n的情况下，若L(c‑1)＞L(c‑2)且L(c‑1)＞L(c)，则聚类过程结束，否则，置c＝c+1,转向步骤4.1；步骤五、计算未知样本和已知样本集的聚类中心之间的贴近度，根据贴近度的大小确定未知样本的故障类型。...

【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于：本方法包括以下步骤：步骤一、获取滚动轴承在正常、内圈故障、外圈故障以及滚动体故障状态下的振动加速度信号，得到时域信号样本集；步骤二、计算样本集中每个样本的若干个典型时域统计参数，构成初始特征集；步骤三、计算初始特征集中每个特征的拉普拉斯分值，按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；具体进行如下处理：步骤3.1：构造一个具有m个样本点的临近图G，第i个节点对应xi，第j个节点对应xj；如果xi和xj足够近，则有边连接，否则没有边连接；步骤3.2：如果节点i和j是连通的，则令其中，i，j＝1,…,m,其中t是一个合适的常数；否则令Sij＝0；步骤3.3：对于第r个特征，定义fr＝[fr1,fr2,…,frm]T,D＝SI,I＝[1,…,1]T,L＝D-SD为对角阵，矩阵L称为图G的拉普拉斯矩阵，fri表示第i个样本的第r个特征，I为单元矩阵，fr为各fri的特征元素集合，i＝1,…,m；步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合步骤3.5：计算第r个特征的拉普拉斯分值 L r = f r ~ T L f r ~ f r ~ T D f r ~ ]]>Lr表示第r个特征的拉普拉斯分值；步骤四、采用自适应模糊C均值聚类方法对故障特征矩阵进行聚类分析，获得最佳聚类数和聚类中心，聚类数即样本集包含的故障类型数；设xi表示数据集，n表示数据集中元素的个数，c表示聚类中心(1<c<n)，dij＝‖xj-vi‖表示样本xj和聚类中心vi的欧氏距离，uij表示第j个样本到第i个聚类中心的隶属度，U＝[uij]c×n表示关系矩阵,V＝[vij]s×c表示聚类中心矩阵；总体样本的中心向量为 x ‾ = Σ i = 1 c Σ j = 1 n u i j m x j n ]]>下面给出聚类数c的自适应函数 L ( c ) = Σ i = 1 c ( Σ j = 1 n u i j m ) | | v i - x ‾ | | 2 / ( c - 1 ) Σ i = 1 c ( Σ j = ...

【专利技术属性】
技术研发人员：付胜，程磊，郑浩，黄奕铭，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11