CN107727395A - 一种基于全变分与补偿距离评估的轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于全变分与补偿距离评估的轴承故障诊断方法，传感器采集滚动轴承的多通道振动信号；振动信号按时间序列分割，组成样本集；对样本提取时域特征并引入振动信号全变分，得到时域一维特征行向量；不同通道的时域一维特征行向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集；利用PSO优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。本发明通过采集不同运行状态滚动轴承振动信号，按时间序列划分得到多组样本集，提取时域特征，并引入全变分特征构成多维时域特征集；通过补偿距离评估算法选择敏感特征指标，采用PSO优化的支持向量机训练故障诊断模型，故障诊断精度高，训练速度快。

Description

一种基于全变分与补偿距离评估的轴承故障诊断方法

技术领域

本发明涉及一种轴承故障诊断方法，具体涉及一种基于全变分与补偿距离评估的轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中的重要组件，也是旋转机械中比较常见且易损坏的部件，它在旋转机械中起关键作用，其工作状态正常与否直接影响整台机组的性能，因此，能否快速、精准地检测出轴承故障的存在和严重程度对于保障轴承安全可靠地运行和减少设备停机成本意义重大。据统计旋转机械的故障有30％是由轴承引起的，因此滚动轴承故障的多分类显得尤为重要。

传统滚动轴承故障诊断方法是对故障信号进行时、频域多维特征提取，构建轴承振动信号混合域特征向量集。因为每个特征指标对故障诊断的影响不同，有些指标非常重要，而有些关系不大或微乎其微，所以高维特征向量存在的冗余信息会对后续模式分析造成维数灾难，增大计算时间，影响故障分类精度。然而传统的降维方法如主成分分析法，线性判别式分析法都局限于处理线性特征，滚动轴承振动信号特征集往往存在复杂的非线性关系，因此传统降维方法面临挑战。

目前滚动轴承故障诊断算法一般采用基于数据驱动的机器学习算法，如神经网络、模糊识别、贝叶斯分类等，都存在训练时间长或者分类精度低的缺点。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于全变分与补偿距离评估的轴承故障诊断方法，增加全变分特征，使时域特征指标更好地反映滚动轴承运行状态，训练时间短、诊断精度高。

为了实现上述目的，本发明采用的技术方案是：一种基于全变分与补偿距离评估的轴承故障诊断方法，包括以下步骤：

a.加速度传感器采集滚动轴承的多通道振动信号；

b.振动信号按时间序列分割，组成样本集；

c.对样本提取时域特征并引入振动信号全变分，得到时域一维特征行向量；

d.不同通道的时域一维特征行向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集；

e.利用PSO优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

进一步的，所述的步骤b中振动信号按时间序列分割获得样本集，每个样本集记为X_i， i＝1,2,...,M，其中M≥200，|X_i|≥2000。

进一步的，所述的步骤c中提取每个样本的时域特征包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标和全变分等10个时域特征指标，得到时域一维特征行向量；其中，振动信号全变分定义为：式中，D∈R^(n-1)×n为双对角矩阵，x_i为振动信号的幅值，n为数据点数。

进一步的，所述的步骤c中的不同通道的时域一维特征行向量按行排列形成一个特征矩阵，再按列转化成一个特征列向量；不同样本的特征列向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集，补偿距离指标选择大于阈值0.6或者补偿距离指标最大的3个特征为敏感特征集，全变分函数对于快速变化的x给予大的值，因此更能反映出故障信号的时域特征。

与现有技术相比本发明提出了基于全变分与补偿距离评估相结合的支持向量机轴承故障诊断方法，通过采集不同运行状态滚动轴承振动信号，按时间序列划分得到多组样本集，提取时域特征，并引入明显反应振动信号变化的全变分特征构成多维时域特征集；通过补偿距离评估算法选择敏感特征指标，去除时域特征集的冗余特征，并采用PSO优化的支持向量机训练故障诊断模型，故障诊断精度和训练速度都得到明显提高且方法简便易于操作。

附图说明

图1为本发明故障诊断方法流程图；

图2为本发明实施例中某一通道轴承正常状态的振动信号图；

图3为本发明实施例中某一通道轴承内圈故障状态的振动信号图；

图4为本发明实施例中某一通道轴承外圈故障状态的振动信号图；

图5为本发明实施例中某一通道轴承滚动体故障状态的振动信号图；

图6为本发明实施例中某一通道轴承组合故障状态的振动信号图；

图7为本发明引入全变分特征集补偿距离评估指标图；

图8为本发明引入振动信号全变分特征集的补偿距离评估降维聚类效果图；

具体实施方式

下面结合附图对本发明作进一步说明。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明包括以下步骤：

a.加速度传感器采集滚动轴承的多通道振动信号，通过传感器测得滚动轴承的振动信号记为x(i)，i＝1,2,...,N，N为信号长度；

b.振动信号按时间序列分割，组成样本集，每个样本集记为X_i，i＝1,2,...,M，其中 M≥200，|X_i|≥2000；

c.对样本提取时域特征并引入振动信号全变分，得到时域一维特征行向量；

滚动轴承振动信号时域波形具有直观、易于理解的特点，是机械故障诊断的原始数据，因此，本发明采用时域分析法，提取每个样本的时域特征，包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标等9个传统时域特征基础上，引入了一种新的时域特征即振动信号的全变分；设x为轴承的振动信号，由于正常运行下机器的振动或噪声一般是大量的、无规则的、大小接近的随机扰动的结果；而对于不正常运行状态下的振动信号，通常是在随机信号中出现有规则的周期性脉冲，这就意味着通常情况满足x_i≈x_i+1，为此，定义振动信号全变分为：式中， D∈R^(n-1)×n为双对角矩阵，x_i为振动信号的幅值，n为数据点数；

全变分函数对于快速变化的x给予大的值，因此更能反映出故障信号的时域特征。提取的时域特征计算公式如下：

均值：标准差：

均方根值：歪度指标：

峭度指标：波形指标：

裕度指标：脉冲指标：

峰值指标：全变分：

d.不同通道的时域一维特征行向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集；

设含有C个模式类ω₁,ω₂,...,ω_C的特征集为{p_c,m,k}，c＝1,2,...,C；m＝1,2,...,M_c； k＝1,2,...,K，其中，p_c,m,k为c状态下第m个样本第k个特征，M_c为c状态下样本总数，K 为每个样本特征数目，因此总共可得M_c×C个样本集，从而得M_c×C×K个特征，并将此特征集定义为{p_c,m,k}；

补偿距离评估技术实现特征降维的具体步骤为：

①计算ω_c类中所有特征向量平均距离：

②定义并计算方差因子：

③计算C个模式类的类间距离：

其中：为ω_c类中所有第k个特征均值；

④定义并计算方差因子：

⑤定义并计算补偿因子：

⑥计算类间距离与类内距离比值，得距离评估指标：

对α_k归一化处理，得距离评估指标为：

⑦设阈值从特征集{p_c,m,k}中选择距离评估指标特征为灵敏特征或者选择补偿距离指标最大的3个特征为敏感特征集。

e.利用PSO优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果；

支持向量机参数选择直接影响模型分类精度，因此采用粒子群PSO优化支持向量机惩罚参数与核函数方差，粒子群算法保留了基于种群的全局搜索策略，同时其采用的速度—位移模型，操作简单，避免了复杂的遗传操作，它特有的记忆使其可以动态跟踪当前的搜索情况调整其搜索策略，粒子群算法可描述为：设粒子群在一个n维空间中搜索，由m个粒子组成种群 Z＝{Z₁,Z₂,...,Z_m}，其中每个粒子的位置Z_i＝{z_i1,z_i2,...,z_in}都表示目标问题的一个解，将每个粒子搜索到的最好解记为p_id，以及整个粒子群经历的最优解记为p_gd，每个粒子的速度为 V_i＝{v_i1,v_i2,...,v_in},则在两个最优的情况下，每个粒子速度更新法则如下：

v_id(t+1)＝wv_id(t)+η₁rand()(p_id-z_id(t))+η₂rand()(p_gd-z_id(t))；

z_id(t+1)＝z_id(t)+v_id(t+1)；

其中，v_id(t+1)表示第i个粒子在t+1次迭代中第d维的速度，w为权重，η₁，η₂为加速常数，rand()为0-1之间的随机数。

实施例：

利用多通道传感器采集轴承的振动信号，假设利用6通道振动传感器采集了轴承5种工作状态(正常，内圈故障，外圈故障，滚动体故障，组合故障)1分钟数据；如图2至图 6所示为某一通道正常，内圈故障，外圈故障，滚动体故障，组合故障5种工作状态轴承监测的振动信号。

数据处理针对每个方向不同工作状态提取200组为训练集，提取150组为测试集，每组数据点为3000个。时域特征提取时在传统时域特征基础上引入振动信号全变分，即提取每组数据10个特征构成特征集，所以6通道传感器共构成60个特征集。特征集{p_c,m,k}表示为：

其中N＝200×5为5种运行状态的样本数总和，K＝60，特征集元素a₁₁,a₂₁,...,a_P1分别表示通道1,2,...,6每个通道10个时域特征的第1个特征。

对60维数据集进行降维，计算60个特征距离评估指标将阈值φ设为0.6，即大于0.6的指标被选为敏感特征指标；具体实现步骤为：

(1)计算ω_c类中所有特征向量平均距离：

(2)定义并计算方差因子：

(3)计算C个模式类的类间距离：

其中：为ω_c类中所有第k个特征均值；

(4)定义并计算方差因子：

(5)定义并计算补偿因子：

(6)计算类间距离与类内距离比值，得距离评估指标：

对α_k归一化处理，得距离评估指标为：

(7)设阈值φ(φ∈[0,1])，从特征集{p_c,m,k}中选择距离评估指标特征为灵敏特征。

如图7所示，选择的3个特征分别为通道4和通道5方向的振动信号全变分，及通道4方向振动信号的均方根值；如图8所示，显示结果表明该降维算法能够有效的选择敏感特征指标。将敏感特征集用于PSO优化的支持向量机模型训练，将测试样本敏感特征集用该方法诊断轴承的故障类型，其故障识别精度为99.87％，并且诊断速度得到了明显提升。

本发明公开了一种基于全变分与补偿距离评估相结合的支持向量机轴承故障诊断方法，在传统振动信号时域特征基础上，引入了一种新的时域特征——振动信号的全变分，并通过补偿距离评估算法验证了引入指标的优越性。算法采用补偿距离评估进行特征降维去除冗余特征，最后通过PSO优化的支持向量机对轴承故障类型实现高精度故障识别，而且提高了故障诊断速度。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。

Claims (4)

1.一种基于全变分与补偿距离评估的轴承故障诊断方法，其特征在于，包括以下步骤：

a. 加速度传感器采集滚动轴承的多通道振动信号；

b. 振动信号按时间序列分割，组成样本集；

c. 对样本提取时域特征并引入振动信号全变分，得到时域一维特征行向量；

d. 不同通道的时域一维特征行向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集；

e. 利用PSO优化的支持向量机进行训练并建立故障诊断模型，确定轴承故障类型并输出结果。

2. 根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法，其特征在于，所述的步骤b中振动信号按时间序列分割获得样本集，每个样本集记为，，其中，。

3.根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法，其特征在于，所述的步骤c中提取每个样本的时域特征包括均值、标准差、均方根值、歪度指标、峭度指标、波形指标、裕度指标、脉冲指标、峰值指标和全变分等10个时域特征指标，得到时域一维特征行向量；其中，振动信号全变分定义为：，式中，为双对角矩阵，为振动信号的幅值，为数据点数。

4.根据权利要求1所述的一种基于全变分与补偿距离评估的轴承故障诊断方法，其特征在于，所述的步骤d中的不同通道的时域一维特征行向量按行排列形成一个特征矩阵，再按列转化成一个特征列向量；不同样本的特征列向量组成高维数据特征集，并采用补偿距离评估算法获取敏感特征集，补偿距离指标选择大于阈值0.6或者补偿距离指标最大的3个特征为敏感特征集。