CN108181105A - 基于逻辑回归和j散度的滚动轴承故障预诊方法及*** - Google Patents

Abstract

本发明公开了一种基于逻辑回归和J散度的滚动轴承故障预诊方法，包括以下步骤：采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；本发明依据轴承的健康衰退程度对轴承进行有针对性的故障诊断，同时根据不同工况不同对象，改变训练样本类型、特征值类型、健康阈值等参数，训练后的模型可以调整，具有实时性强、数据处理精度高、核心算法鲁棒性好、状态评估准确性高、诊断结果准确度高等优点。

Description

基于逻辑回归和J散度的滚动轴承故障预诊方法及***

技术领域

本发明涉及机械产品质量可靠性评估与故障诊断技术领域，尤其涉及了一种基于逻辑回归和J散度的滚动轴承故障预诊方法及***。

背景技术

滚动轴承是旋转机械的重要支撑件，其实时运行状态直接决定了机械设备的可靠性，因此，对滚动轴承在线故障诊断研究非常重要，实时评估滚动轴承当前运行状态、定位故障部位和量化故障严重程度，对机械设备的维护和设计有极其重要的指导意义。本专利针对滚动轴承实现了一种基于逻辑回归和J散度的在线故障预诊办法，能够实时评估滚动轴承的运行状态，基于当前运行状态地定位故障部位。

现有在线故障诊断方法的研究有很多，目前成熟的方法有时域有效值峰值判断法、振幅概率密度分析法，冲击脉冲法等。这些方法只能给出故障或正常两种状态，事实上，轴承大部分时间的运行状态介于故障和正常之间，既非完全故障，亦非完全正常，可以将这种中间态称为健康衰退状态。轴承健康衰退状态不同于常见的轴承故障，是一个隐性的、渐变的、漫长的过程。处于此状态的轴承，在稳定衰退期，轴承的性能呈现稳定和缓慢的下降趋势并形成早期故障，从早期故障到最终故障状态，轴承性能会有较快速的下降，通过监测技术和信号处理技术将整个衰退过程量化和显性化，有助于更好地管理轴承的健康状态。显然，上述方法只给出故障或正常两种状态数据而丢失大部分健康衰退状态数据，无法准确评估轴承运行状态，有较高的误判率和漏判率。

发明内容

本发明针对现有技术中无法准确地评估轴承运行状态的缺点，提供了一种基于逻辑回归和J散度的滚动轴承故障预诊方法及***。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于逻辑回归和J散度的滚动轴承故障预诊方法，包括以下步骤：

采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

作为一种可实施方式，所述逻辑回归模型获取方法的具体步骤包括，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

作为一种可实施方式，所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据。

作为一种可实施方式，所述故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本中的一种或者几种故障特征样本。

作为一种可实施方式，当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，所述通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断，过程如下，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

一种基于逻辑回归和J散度的滚动轴承故障预诊***，包括：

采集预处理模块，用于采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

模型建立模块，用于通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集计算模块，用于采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

判断模块，用于将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

作为一种可实施方式，当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，模型建立模块被设置为，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

作为一种可实施方式，所述采集预处理模块被设置为，所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据。

作为一种可实施方式，所述采集预处理模块被设置为，所述故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本中的一种或者几种故障特征样本。

作为一种可实施方式，所述判断模块被设置为，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明依据轴承的健康衰退程度对轴承进行有针对性的故障诊断，同时根据不同工况不同对象，改变训练样本类型、特征值类型、健康阈值等参数，训练后的模型可以调整，具有实时性强、数据处理精度高、核心算法鲁棒性好、状态评估准确性高、诊断结果准确度高等优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的示例性方法的流程示意图；

图2是本发明的具体流程示意图；

图3是本发明的实验装置示意图；

图4是本发明中绘制的全寿命周期的评估指数示意图；

图5是本发明的***结构示意图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

示例性方法：

一种基于逻辑回归和J散度的滚动轴承故障预诊方法，如图1所示，包括以下步骤：

S1：采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

S2：通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

S3：采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

S4：将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

为了能更好的说明通过J散度的故障诊断方法数据，所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据，通过获得的不同故障位置的故障传感数据经过预处理之后得到故障位置的特征样本，与一种或者几种故障传感数据对应的故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本，也就是说，如果选取一种或者几种故障传感数据，那么，就选择一种或者几种对应的故障位置的特征样本，在此，可以将其解释为：为适应不同类型轴承、不同工况，可选择提取不同的特征类型，以适应并满足不同的分析需求，同时针对实际应用的情况，可以对故障位置进行自适应调整，例如在某些情况下保持架的故障发生频率较高，可以增加保持架故障的数据样本，进行特征提取；或者在某些工况下，外圈故障几乎不会发生，可以删除外圈故障的数据样本。

如果是轴承运行时不同故障位置的故障传感数据同时包括轴承的内圈故障、外圈故障和滚动体故障这三种故障传感数据时，所述通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断，过程如下，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

实施例2：

结合具体数据和附图来解释本发明的方法，在本实施例中，是以三种故障传感数据为例来说明的，具体装置图如附图2所示，一种基于逻辑回归和J散度的滚动轴承故障预诊方法，包括以下步骤：

步骤1：采集轴承运行时不同故障位置的三种故障传感数据和正常状态轴承运行的正常传感数据，分别对三种故障传感数据和正常传感数据进行预处理和特征提取，建立三种故障位置特征样本和正常状态特征样本；

步骤2：通过建立好的三种故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

步骤3：采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

步骤4：将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与三种故障位置特征样本的J散度、正常状态特征样本的J散度，根据三种故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

该方法只有在轴承当前时刻的健康度低于设定的阈值，才通过J散度的故障诊断方法分别计算当前时刻的轴承状态与三种故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，也就是说，如果轴承当前时刻的健康度不低于设定的阈值时，则说明轴承不存在故障，不需要进行故障诊断。

在本实施例中，三种故障传感数据为轴承的内圈故障、外圈故障和滚动体故障的故障传感数据，通过获得的不同故障位置的故障传感数据经过预处理之后得到故障位置的特征样本，与三种对应的故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本。

在本实施例中，逻辑回归模型的建立依据以下理论：假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，所述通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断，过程如下，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

结合实际情况来讲，在本发明中以Rexnord ZA-2115轴承为例，将4个该型号的轴承安装在轴上，交流电机转速为2000rpm，施加27kN径向载荷，利用PCB353B33振动传感器实时采集轴承振动信号，实验装置如附图3所示。

计算轴承的健康度，直至其中的某一轴承完全失效，绘制失效轴承的全生命健康评估曲线，其健康度变化如附图4所示：将健康度阈值设置为0.3(预设的健康度阈值)，从附图3中可以看出，轴承状态评估指标CV值在0-1之间变化，在此，CV值的物理意义为轴承当前健康状态的健康度。CV值为1则说明滚动轴承完全属于正常性能状态，CV值为0则说明滚动轴承处于性能最差状态，为适应不同的工况、轴承型号，上述两种状态及其CV值是可以做自定义设置的。例如，若应用工程对轴承性能要求比较严格，可以选取健康衰退的中期阶段的样本的CV值设置为0，并采用逻辑回归模型进行训练，得到严格性能要求下的健康度曲线，CV值在第一天到第二十五天基本处于[0.7，1]的范围内，数值变化不大，定义为轴承健康期。随着轴承继续工作，当轴承工作至第25天时，轴承的CV值开始逐渐变小，并且低于预先设置的健康期的健康度阈值，处于[0.3，0.7]的范围内，定义为健康衰退期。当轴承工作至第27天时，轴承的健康度急剧下降，CV值小于0.3，轴承的健康度已达到轴承故障阈值，则开始进行故障诊断并对故障类型进行判断。在本示例中，启动故障诊断的健康度阈值被设定成0.3，根据轴承实际使用情况，该值可以进行调整，以适应不同的分析需求，在高可靠性要求的应用场景下，可以将阈值提高；在追求高经济性，且意外停机损失不大的应用场景下，可以将阈值降低。

当轴承的健康度已达到轴承故障阈值，则开始进行故障诊断并对故障类型进行判断，此时，计算实时轴承状态的特征指标与正常状态，内圈故障、外圈故障、滚动体故障的特征指标之间的J散度，共得到四个J散度值：散度值J₁，散度值J₂，散度值J₃，散度值J₄，如表1所示。

表1实时状态与标准故障样本之间的J散度

由表1可知，通过J散度可以清楚的区分轴承的状态，实时轴承状态与三种标准状态之间的J散度值差异明显，其中实时轴承状态与内圈故障状态的J散度值J₂越小，代表轴承当前状态与内圈故障状态最相近。经过多次实验计算验证，本方法可以清楚的区分轴承不同的状态，有效的对轴承故障进行诊断，准确率和灵敏度较高。

实施例2：

一种基于逻辑回归和J散度的滚动轴承故障预诊***，如图5所示，包括：

采集预处理模块1，用于采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

模型建立模块2，用于通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集计算模块3，用于采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

判断模块4，用于将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

具体地，模型建立模块2被设置为，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

更进一步地，所述采集预处理模块1被设置为，所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据。所述采集预处理模块被设置为，所述故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本中的一种或者几种。

更进一步来讲，当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，所述判断模块被设置为，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于逻辑回归和J散度的滚动轴承故障预诊方法，其特征在于包括以下步骤：

采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

2.根据权利要求1所述的基于逻辑回归和J散度的滚动轴承故障预诊方法，其特征在于：所述逻辑回归模型获取方法的具体步骤包括，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

3.根据权利要求1所述的基于逻辑回归和J散度的滚动轴承故障预诊方法，其特征在于：所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据。

4.根据权利要求3所述的基于逻辑回归和J散度的滚动轴承故障预诊方法，其特征在于：所述故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本中的一种或者几种故障特征样本。

5.根据权利要求4所述的基于逻辑回归和J散度的滚动轴承故障预诊方法，其特征在于：当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，所述通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断，过程如下，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。

6.一种基于逻辑回归和J散度的滚动轴承故障预诊***，其特征在于，包括：

采集预处理模块，用于采集轴承运行时不同故障位置的故障传感数据和正常状态轴承运行的正常传感数据，分别对故障传感数据和正常传感数据进行预处理和特征提取，建立故障位置特征样本和正常状态特征样本；

模型建立模块，用于通过建立好的故障位置的样本和正常状态的样本对逻辑回归模型进行训练，得到逻辑模型参数，建立逻辑回归模型；

采集计算模块，用于采集待测轴承的实时传感数据，对所述实时传感数据进行预处理和特征提取，得到待测轴承的实时状态特征指标，将所述特征指标代入到建立好的所述逻辑回归模型中，经过计算得到待测轴承当前时刻的健康度；

判断模块，用于将计算得到的待测轴承当前时刻的健康度和预先设定好的健康度阈值作比较，若待测轴承当前时刻的健康度低于设定的阈值，则通过J散度的故障诊断方法分别计算待测轴承的实时状态特征指标与故障位置特征样本的J散度、正常状态特征样本的J散度，根据故障位置的样本的J散度和正常状态的样本的J散度的大小判断轴承的故障位置，实现对待测轴承的故障诊断。

7.根据权利要求6所述的基于逻辑回归和J散度的滚动轴承故障预诊***，其特征在于：模型建立模块被设置为，

假设N个独立变量的向量，X^T＝(x₁,x₂,…,x_N),y_i∈{0,1}，y为0或1，逻辑回归模型的数学表达式为：

y_i＝1表示事件发生；y_i＝0表示事件未发生；

p_i(y_i＝1/x_i)表示观测量相对于第i个事件发生的概率(取值在0到1之间)；

表示回归截距；β₁，β₂，…β_N表示回归系数；回归截距及回归系数通过极大似然估计法来求取。

8.根据权利要求6所述的基于逻辑回归和J散度的滚动轴承故障预诊***，其特征在于：所述采集预处理模块被设置为，所述轴承运行时不同故障位置的故障传感数据包括轴承的内圈故障、外圈故障和滚动体故障中的一种或者几种故障传感数据。

9.根据权利要求8所述的基于逻辑回归和J散度的滚动轴承故障预诊***，其特征在于：所述采集预处理模块被设置为，所述故障位置的特征样本包括内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本中的一种或者几种故障特征样本。

10.根据权利要求9所述的基于逻辑回归和J散度的滚动轴承故障预诊***，其特征在于：当故障位置的特征样本为内圈故障特征样本、外圈故障特征样本和滚动体故障特征样本时，所述判断模块被设置为，

通过公式J散度公式：分别计算实时轴承状态的特征指标与内圈故障特征样本、外圈故障特征样本、滚动体故障特征样本、正常状态特征样本之间的J散度，得到四个J散度值，分别为：散度值J₁，散度值J₂，散度值J₃，散度值J₄，J散度公式中，S为正常状态信号的特征值；τ为未知状态信号的特征值；J(s,τ)为两者之间的J散度，N为信号特征值的个数，i为信号特征值的序列；

对比散度值J₁、散度值J₂、散度值J₃和散度值J₄，找出四个J散度值中的最小值，散度值越小，则轴承当前时刻状态与预设的预先设定好的健康度阈值对应的状态越相近，通过散度值的大小来确定轴承的故障类型。