一种基于IFA-SVM的滚动轴承故障诊断方法技术

本发明专利技术涉及一种基于IFA

【技术实现步骤摘要】
一种基于IFA-SVM的滚动轴承故障诊断方法


[0001]本专利技术涉及一种基于IFA-SVM的滚动轴承故障诊断方法，属于机械工程自动化


技术介绍

[0002]滚动轴承作为一种十分重要的零部件，广泛应用于机械设备内部。当今的滚动轴承的重要性越来越明显，其工作精度和可靠度对设备整体的运行状态都有着关键性影响，使轴承故障诊断系统越来越智能化，是故障诊断研究主要方向.轴承故障诊断分三步走：一、信号处理；二、故障特征提取，三、模式识别。
[0003]支持向量机(SVM)的参数选择对整个诊断模型起到至关重要的作用，其惩罚因子C和核函数参数g的选择影响着支持向量机(SVM)诊断精度、泛化能力，好的核参数选择可以提高SVM分类的性能。面对SVM核参数的选择方面，前人做了许多研究。常见的有交叉验证法、网格搜索法等典型算法、以及粒子群算法、蛙跳算法等群智能算法。
[0004]在故障诊断中，故障诊断技术得到了广泛的研究与发展。诊断方法主要有以下3类(1)基于解析模型的方法，如参数估计方法、状态估计方法和等价空间方法等(2)基于信号处理的方法，如EMD、傅里叶分析、小波分析等。(3基于知识推理的诊断方法，如、模式识别、深度置信网络推理等。基于知识推理诊断具备智能化方法和专家知识可以提供一个可靠并且实用的系统。然而，参数选择限制着这项技术的发展。例如，支持向量机(SVM)的参数选择对整个诊断模型起到至关重要的作用，其惩罚因子C和核函数参数g的选择影响着支持向量机(SVM)诊断精度、泛化能力等。

技术实现思路

[0005]本专利技术要解决的技术问题是针对基本萤火虫算法(FA)容易过早陷入局部最优值、收敛速度慢、求解精度低等问题，提出一种基于IFA-SVM的滚动轴承故障诊断方法。
[0006]本专利技术采用的技术方案是：一种基于IFA-SVM的滚动轴承故障诊断方法，首先直接依次提取标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度，共10个特征类型。其次对数据进行归一化处理，接着利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA-SVM模型。再将提取得到的特征向量输入到优化好的IFA-SVM中进行训练得到滚动轴承诊断模型，最后利用滚动轴承故障诊断模型进行滚动轴承故障诊断。结果表明：本专利技术利用IF-SVM模型对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断，准确率提高，收敛速度快，寻优能力强。
[0007]所述方法的具体步骤如下：
[0008](1)采集滚动轴承驱动端数据在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号共10种状态：正常、内圈点蚀直径0.1778mm，内圈点蚀直径0.3556mm、内圈点蚀直径0.5334mm；滚珠点蚀直径0.1778mm、内圈点蚀直径0.3556mm，内圈点蚀直径0.5334mm；外圈圈点蚀直径0.1778mm(6点钟方向)、外圈圈点蚀直
径0.3556mm(6点钟方向)、外圈圈点蚀直径0.5334mm(6点钟方向)。
[0009](2)将10类一维原始轴承驱动端数据进行切分，每一类切割成100份，每份为1024大小的数据段。依次提取出每个数据段的标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度特征值作为特征向量.
[0010](3)再将步骤2得到的特征向量进行归一化处理。
[0011](4)利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA-SVM模型.
[0012](5)将步骤3归一化处理的得到的1000个数据点作为一组数据样本，选取700组为训练样本，300组为测试样本，再将数据输入到IFA-SVM中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态，实现滚动轴承的故障诊断。
[0013]提取出每个数据段的标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度特征值作为特征向量的具体步骤如下：
[0014]时域信号是振动信号的直观体现，在时域中往往也能提取出一些有用的特征。用x
i
来表示采集到的振动信号的时间序列(i＝1，2，...n)，N为x
i
的采样点。利用下面的式子分别计算时域特征：
[0015]2.1标准差：
[0016][0017]s表示标准差，为均值
[0018]2.2有效度：
[0019][0020]X
rms
表示有效度，轴承的振动信号的有效度值X
rms
往往和由轴承表面的不平顺而产生的无规则振动的波形有比较好的相关性。
[0021]2.3歪度：
[0022][0023]歪度a反映对纵坐标的不对成性，如果a越大，不对称越厉害。
[0024]2.4峭度：
[0025][0026]峭度系数k
v
取脉冲响应幅值的4次方为判断依据，拉大脉冲信号和背景噪声的差距以提高信噪比，用以表示大幅度脉冲信号出现的概率。其对轴承早期故障较敏感，是轴承故障简易诊断的重要依据。
[0027]2.5峰值：
[0028]X
peak
＝max(x
i
)
[0029]X
peak
表示峰值，max表示求采样点的大值。峰值X
peak
由信号的一系列最大瞬时幅值取均值得到，他能够反映出信号的强弱，对表面点蚀等能够产生瞬时冲击的故障有比较好的适用性。
[0030]2.6峰峰值：
[0031]X
vpp
＝max(x
i
)-min(x
i
)
[0032]X
vpp
表示峰峰值，峰峰值是指一个周期内信号最高值和最低值之间差的值，就是最大和最小之间的范围。
[0033]2.7波形因数：
[0034][0035]波形因子为有效度(X
rms
)与绝对均值之比。
[0036]2.8脉冲因数：
[0037][0038]脉冲因子I是峰值X
peak
与绝对均值之比。和峰值一样，脉冲因子和故障产生的瞬时的冲击有较大的相关性。研究表明脉冲因子在故障前期会随着故障加剧而上升，当上升到一定程度后，反而会减弱。
[0039]2.9峰值因数：
[0040][0041]峰值因子C是峰值X
rms
除以有效度X
rms
。相比于峰值，峰值因子不会受到信号幅值大小的影响，因此对传感器的灵敏度的依赖性比较低，即使传感器的灵敏度产生变化，峰值因子也不会出现较大的变化。
[0042]2.10裕度：
[0043][0044]X
peak
表示峰值，X
r
表示方根幅值。当时间信号中包含的信息不是来自一个零件或部件，而是属于多个元件时，如在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IFA-SVM的滚动轴承故障诊断方法，其特征在于：包括如下步骤：(1)采集滚动轴承驱动端数据在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号共10种状态；(2)将10类一维原始轴承驱动端数据进行切分，每一类切割成100份，每份为1024大小的数据段，依次提取出每个数据段的标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度特征值作为特征向量；(3)再将步骤2得到的特征向量进行归一化处理；(4)利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA-SVM模型；(5)将步骤3得到的归一化之后的特征向量划分为训练集和测试集输入到IFA-SVM中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态，实现滚动轴承的故障诊断。2.根据权利要求书1所述的一种基于IFA-SVM的滚动轴承故障诊断方法，其特征在于：提取出每个数据段的标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度特征值作为特征向量的具体步骤如下：时域信号是振动信号的直观体现，在时域中往往也能提取出一些有用的特征，用x
i
来表示采集到的振动信号的时间序列(i＝1,2,
…
n)，N为x
i
的采样点，利用下面的式子分别计算时域特征：2.1标准差：s表示标准差，为均值2.2有效度：X
rms
表示有效度2.3歪度：α表示歪度，歪度a反映对纵坐标的不对成性，如果a越大，不对称越厉害；2.4峭度：峭度系数k
v
取脉冲响应幅值的4次方为判断依据，拉大脉冲信号和背景噪声的差距以提高信噪比，用以表示大幅度脉冲信号出现的概率；
2.5峰值：X
peak
＝max(x
i
)X
peak
表示峰值，max表示求采样点的大值；2.6峰峰值：X
vpp
＝max(x
i
)-min(x
i
)X
vpp
表示峰峰值，峰峰值是指一个周期内信号最高值和最低值之间差的值，就是最大和最小之间的范围；2.7波形因数：波形因子为有效度(X
rms
)与绝对均值之比；2.8脉冲因数：脉冲因子I是峰值X
peak
与绝对均值之比；2.9峰值因数：峰值因子C是峰值X
rms
除以有效度X
...

【专利技术属性】
技术研发人员：王海瑞，常梦容，肖杨，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：