一种滚动轴承故障位置及性能退化程度诊断方法，属于轴承故障诊断技术领域。解决了现有技术中的滚动轴承智能诊断方法存在故障位置及性能退化程度的诊断正确率较低，训练时间消耗大的问题。提出的集合经验模态分解方法中的加入白噪声准则，可避免人为确定分解参数，提高其分解效率；提出的基于超球球心间距的核参数优化方法，可确定多分类情况下，核参数的小而有效的搜索区间，从而减少训练时间，给出了分类器的最终状态超球模型。基于优化参数的集合经验模态分解和奇异值分解，再结合超球球心间距的核参数优化的超球多类支持向量机的智能诊断方法比已有的诊断方法识别率高。本发明专利技术主要应用于滚动轴承故障位置及性能退化程度的智能诊断。
【技术实现步骤摘要】
本专利技术涉及ー种滚动轴承故障位置及性能退化程度诊断方法，属于轴承故障诊断
技术介绍
滚动轴承是众多旋转机械的关键性部件，其运行的不同时刻，故障程度不同。现有的滚动轴承故障诊断一般集中在故障位置(内环、外环、滚动体)的确定，性能退化程度诊断是最近提出的新的研究方向，它是从理念和方法上对现有的故障诊断技术的全新拓展。 最近，ー些性能退化程度诊断方法被提出并受到越来越多的关注。威斯康辛大学和密西根大学的学者们提出了基于小脑模型神经网络、逻辑回归、自组织特征图神经网络、隐马尔可夫模型等性能退化诊断方法；Qiu等人Advanced Engineering Informatics,2003,17 :127-140.]建立了基于最优小波滤波器和自组织特征映射的滚动轴承性能退化的评估方法；Kang等人利用小波分析和自组织映射实现电力变压器状态评估；现有技术中还提出了一种基于小波包和支持向量数据描述的轴承性能退化诊断方法，该方法采用小波包提取特征建立智能评估模型，用支持向量数据描述计算测试状态向量到球心的距离，进而诊断故障程度。在此基础上有学者又提出了一种基于提升小波包分解和模糊的C-均值轴承性能退化程度诊断方法。由提升小波包分解节点的能量组成特征向量。正常和最終失败的数据作为训练样本用于建立评估模型，利用模糊C-均值进行识别诊断。经验模态分解(Empirical Mode Decomposition, EMD)方法适合分析非线性、非平稳信号仪器仪表学报，2011，32 (6) :1278-1283. ]。EMD结合AR模型对转子故障、滚动轴承性能退化程度进行特征提取获得了较好效果Mechamca丄Systems and Signal Processing, 2006, 20 :350-362.;康守强，王玉浄，杨广学，等.基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法中国电机工程学报，2011,31(14) :96-102.]。奇异值分解(Singular Value Decomposition, SVD)是一种有效的代数特征提取方法。矩阵的奇异值是矩阵的固有特征，具有较好的稳定性。基于EMD结合SVD的滚动轴承故障位置振动信号的特征提取方法得到了一定的应用。上述诊断的特征提取方法中，EMD本身存在ー些不足，为了抑制EMD的模式混淆现象，Wu和Huang提出ー种集合经验模式分解(Ensemble EMD, EEMD)方法。EEMD方法较好地解决了模式混淆的问题，但其结果依赖于加入噪声的幅值大小与总体平均次数这2个參数。Wu和Huang只给出了这2个參数之间的关系，一般这2个參数需要人为按照经验来设定，针对不同的信号缺乏可靠性和自适应性。文献西安交通大学学报，2009，43 (05) :94-98.]提出了ー种在EEMD方法中加入高斯白噪声的准则，S卩加入白噪声的幅值系数由原始信号有效高频成分的幅值标准差与原始信号幅值标准差比值来确定，通常取该比值的1/4就能有效避免模式混淆；在智能分类方法中，支持向量机(Support Vectors Machine, SVM)在解决小样本问题中表现出独特的优势和良好的应用前景，并具有优良的泛化能力。对于多类分类问题，文献南京大学学报自然科学版，2003，39 (2) :153-158.]提出了ー种球结构的支持向量机多分类算法。在此基础上，有学者又提出一种基于新的决策规则的超球多类支持向量机算法，其实验结果表明该算法可以获得比标准的超球多类支持向量机算法更好的分类效果。文献.中国电机工程学报，2011,31(14) :96-102.]进ー步给出了当关键区域中训练样本集合为空集时的分类规则，并将改进的超球多类支持向量机应用到滚动轴承的多类故障诊断中，获得了较好效果。然而，对超球多类支持向量机的多分类情况下核參数选择问题，必须事先人为确定參数搜索的区间，其对学习时间的消耗很大。
技术实现思路
本专利技术为了解决现有技术中的滚动轴承智能诊断方法存在故障位置及性能退化程度的诊断正确率较低，训练时间消耗大的问题，进而提供了ー种滚动轴承故障位置及性能退化程度诊断方法。本专利技术为解决上述技术问题采取的技术方案是本专利技术所述方法是按照以下步骤实现的步骤一、采集大量的滚动轴承振动信号，包括滚动轴承正常状态的振动信号、滚动轴承内环不同性能退化程度的振动信号、滚动轴承外环不同性能退化程度的振动信号、滚动轴承滚动体不同性能退化程度的振动信号；步骤ニ、将上述各种状态的振动信号按照X倍交叉验证法的方式将其分为学习部分信号和测试部分信号；步骤三、特征提取采用优化參数的EEMD结合SVD的方法先对学习部分信号进行特征提取，具体过程为 步骤三(一)、对每个振动信号先进行EMD分解，得到多个IMF分量，将得到第一个IMF分量作为该振动信号的高频成分，然后计算第一个IMF的能量标准差Eh，再计算该原始振动信号的能量标准差E。，即可获得公式(5)中的參数h;0<g<|式中，g =.ふ=*淇中，E1^加入白噪声能量标准差，E。为原始振动信号的能量标准差，Eh为振动信号的高频成分的能量标准差，g为加入白噪声的比值系数，h为能量比值系数；由公式(5)可推得0<En くうEh步骤三(ニ)、获取EEMD方法中的总体平均次数L，根据公式(7)求得总体平均次数L权利要求1.，其特征在于所述方法是按照以下步骤实现的 步骤一、采集大量的滚动轴承振动信号，包括滚动轴承正常状态的振动信号、滚动轴承内环不同性能退化程度的振动信号、滚动轴承外环不同性能退化程度的振动信号、滚动轴承滚动体不同性能退化程度的振动信号； 步骤二、将上述各种状态的振动信号按照X倍交叉验证法的方式将其分为学习部分信号和测试部分信号； 步骤三、特征提取采用优化参数的EEMD结合SVD的方法先对学习部分信号进行特征提取，具体过程为 步骤三(一)、对每个振动信号先进行EMD分解，得到多个MF分量，将得到第一个MF分量作为该振动信号的高频成分，然后计算第一个IMF的能量标准差Eh,再计算该原始振动信号的能量标准差E。，即可获得公式(5)中的参数h;2.根据权利要求I所述的，其特征在于在步骤三(二)中，期望的信号分解相对误差e取1%。全文摘要，属于轴承故障诊断
解决了现有技术中的滚动轴承智能诊断方法存在故障位置及性能退化程度的诊断正确率较低，训练时间消耗大的问题。提出的集合经验模态分解方法中的加入白噪声准则，可避免人为确定分解参数，提高其分解效率；提出的基于超球球心间距的核参数优化方法，可确定多分类情况下，核参数的小而有效的搜索区间，从而减少训练时间，给出了分类器的最终状态超球模型。基于优化参数的集合经验模态分解和奇异值分解，再结合超球球心间距的核参数优化的超球多类支持向量机的智能诊断方法比已有的诊断方法识别率高。本专利技术主要应用于滚动轴承故障位置及性能退化程度的智能诊断。文档编号G01M13/04GK102854015SQ20121038981公开日2013年1月2日 申请日期2012年10月15日 优先权日2012年10月15日专利技术者康守强, 王玉静, 于春雨, 杨广学 申请人:哈尔滨理工大学本文档来自技高网...
【技术保护点】
一种滚动轴承故障位置及性能退化程度诊断方法，其特征在于：所述方法是按照以下步骤实现的：步骤一、采集大量的滚动轴承振动信号，包括滚动轴承正常状态的振动信号、滚动轴承内环不同性能退化程度的振动信号、滚动轴承外环不同性能退化程度的振动信号、滚动轴承滚动体不同性能退化程度的振动信号；步骤二、将上述各种状态的振动信号按照x倍交叉验证法的方式将其分为学习部分信号和测试部分信号；步骤三、特征提取：采用优化参数的EEMD结合SVD的方法先对学习部分信号进行特征提取，具体过程为：步骤三(一)、对每个振动信号先进行EMD分解，得到多个IMF分量，将得到第一个IMF分量作为该振动信号的高频成分，然后计算第一个IMF的能量标准差Eh，再计算该原始振动信号的能量标准差Eo，即可获得公式(5)中的参数h；0<g<h2式中，其中，En为加入白噪声能量标准差，Eo为原始振动信号的能量标准差，Eh为振动信号的高频成分的能量标准差，g为加入白噪声的比值系数，h为能量比值系数；由公式(5)可推得0<En<14Eh步骤三(二)、获取EEMD方法中的总体平均次数L，根据公式(7)求得总体平均次数L，e=gL式中，e为期望的信号分解相对误差，g为加入白噪声的比值系数，L为EEMD方法中的总体平均次数；步骤三(三)、在求得加入噪声的比值系数与总体平均次数这两个参数的基础上，对每个振动信号进行EEMD分解获取IMF，不同振动信号中IMF最大个数为n，小于n的补充零向量；将每个振动信号得到的n个IMF形成原始特征向量矩阵B＝[c1？c2...cn]T，对所述原始特征向量矩阵进行奇异值分解，将奇异值分解得到的奇异值描述为特征向量[λ1，λ2，...，λn]；步骤四、构造特征向量矩阵：滚动轴承各状态的所有学习信号的特征向量[λ1，λ2，...，λn] 构成特征向量矩阵SkSk=λk,11,λk,12,···,λk,1n;λk,21,λk,22,···,λk,2n;λk,31,λk,32,···,λk,3n;···;λk,Nk1,λk,Nk2,···,λk,Nkn---(15)式中，k＝1，2，...，m，表示滚动轴承的不同故障位置及性能退化程度的状态；Nk为第k类状态学习信号的个数；步骤五、利用改进分类规则的超球多类支持向量机对步骤四中得到的特征向量矩阵Sk进行初步分类，得到滚动轴承各状态初始状态超球；采用超球球心间距最大的方法对改进分类规则的超球多类支持向量机进行核参数优化，即确定核参数最优选范围；具体过程为：步骤五(一)、将各类特征向量矩阵Sk输入到改进分类规则的超球多类支持向量机中，根据各类的特征向量矩阵，确定各类超球的球心，使每个状态k形成一个超球，进而得到各类故障位置及性能退化程度的初始状态超球；步骤五(二)、确定核参数最优选范围的过程为：A、确定学习样本总类数m；B、划分为m(m？1)/2组；C、设定循环次数初始值im＝1；D、利用公式(14)对分组im的每个待选多核参数计算各类超球球心之间的距离：具体过程为：对于改进分类规则的超球多类支持向量机的特征空间中第k1类超球球心ak1到第k2类超球球心ak2的距离平方d2定义为：d2=D(ak1,ak2)=||ak1-ak2||2=(ak1·ak1)-2(ak1·ak2)+(ak2·ak2)---(12)将第k类超球球心带入式(12)中，即可求得d2=ΣiΣjαik1αjk1(xik1·xjk1)-2ΣiΣjαik1αjk2(xik1·xjk2)+ΣiΣjαik2αjk2(xik2·xjk2)---(13)式中：为Lagrange乘子，i＝1，2，...，Nk；对于非线性情况，直...
【技术特征摘要】
【专利技术属性】
技术研发人员：康守强，王玉静，于春雨，杨广学，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。