[發明專利]一種基于模糊支持向量機的軸承故障診斷方法

在審

• 申請號: 201410741002.6
• 申請日: 2014-12-07
• 公開（公告）號: CN104502103A
• 公開（公告）日: 2015-04-08
• 發明（設計）人: 谷力超;楊建武;劉志峰;高亞舉
• 申請（專利權）人: 北京工業大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06F19/00
• 代理公司: 北京思海天達知識產權代理有限公司11203
• 代理人: 沈波

技術領域

本發明屬于故障診斷領域，涉及一種針對軸承故障所建立的模糊C均值聚類與支持向量機相結合的故障診斷方法。

背景技術

滾動軸承是電力、冶金、石化、機械、航空航天以及一些軍事工業部門中使用最廣泛的機械零件，也是機械設備最易受損的零件之一。有關統計資料表明：在使用軸承的旋轉機械中，大約有30％的機械故障是由軸承引起的。這是因為軸承是機械設備中工作條件最為惡劣的部件，在機械設備中起著承受載荷和傳遞載荷的作用，工況復雜，其運行狀態是否正常往往直接影響到整臺機器的性能，若軸承在工作狀態中發生故障，輕則使整個系統失效，造成一定的經濟損失，嚴重的還會導致災難性的事故。基于此，軸承的故障診斷方法是眾多學者研究的熱點。但是有的學者沒有考慮軸承故障數據中的異常點的干擾，有的利用神經網絡或者FCM進行分類，而軸承的故障診斷屬于小樣本問題。本發明建立的模糊支持向量機(FSVM)模型，對于不同的樣本賦予不同的懲罰系數，在構造目標函數時不同的樣本有不同的貢獻，對異常樣本賦予較小的權值，從而大大降低了異常點的影響。支持向量機(SVM)是建立在統計學習理論的VC維和結構風險最小化原理基礎上的機器學習方法，實現的是結構風險最小化，在解決小樣本、非線性及高維模式識別等問題中表現出了許多特有的優勢。因此，本發明采用模糊C均值聚類算法計算模糊隸屬度，與支持向量機相結合進行軸承故障診斷，為避免因軸承故障造成重大事故、經濟損失等提供了理論方法，具有重要參考價值。

發明內容

本發明的目的是提供一種軸承故障診斷方法，首先提取故障特征值，之后建立模糊支持向量機模型，最后進行故障的訓和預測。

本發明是采用以下技術手段實現的：一種基于模糊支持向量機的軸承故障診斷方法，1、通過Hilbert變換、時域、頻域分析等數據預處理方法以及根據軸承的相關參數進行計算，確定特征參數，并提取特征向量；2、根據模糊C均值聚類算法的相關理論求解模糊隸屬度矩陣，選取每個樣本對各類別的模糊隸屬度中最大值作為該樣本的模糊隸屬度，即得到所有訓練樣本的模糊隸屬度標簽；3、根據支持向量機相關理論，選取核函數及其參數；結合模糊C均值聚類算法建立模糊支持向量機模型，并通過matlab軟件編程實現建立的FSVM模型算法；4、實例驗證，利用建立的算法模型對訓練樣本進行訓練，進而對測試樣本進行預測，得到測試結果。

1、數據預處理及特征參數的選取

針對正常軸承、內圈單點故障、外圈單點故障和滾動體單點故障，這4種狀況進行分析，選取n個樣本。

采集到滾動軸承軸承的振動信號是典型的時域信號，其時域統計特征參數如均方根值、峰度、峰峰值、峭度等統計量能夠很好地反映振動強度、信號能量、沖擊時域等信息，因此選取時域信號當中的部分參數當做特征向量。時域特征參數提取后，經分析對比選擇均方根值、峰峰值作為時域特征參數，表征能量和振動強度，其中均方根值其中N為采樣點數，此處為1200，y_i為振動數據中加速度幅值。峰峰值FF＝y_max-y_min，其中y_max為振動樣本中最大值，y_min為最小值。時域特征參數只能大概地判斷軸承是否出現故障，至于是滾珠、內圈還是外圈的故障卻定位不到。故障定位一般是在頻域里找到故障特征頻率。對振動信號采用Hilbert變換進行解調，對解調后的信號進行頻譜分析找到故障特征頻率的幅值。