[發明專利]一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法

在審

• 申請號: 201811342186.3
• 申請日: 2018-11-12
• 公開（公告）號: CN109253883A
• 公開（公告）日: 2019-01-22
• 發明（設計）人: 黎恒;韋澤賢;徐韶華;陳大華;陳小波
• 申請（專利權）人: 廣西交通科學研究院有限公司
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 北京華仁聯合知識產權代理有限公司 11588
• 代理人: 蘇雪雪

本發明提供了一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法包括：(1)采集旋轉機械滾動軸承的振動信號；(2)對采集的所述振動信號進行時域特征和頻域特征提取，構建原始特征矩陣；(3)每個特征得到L個有限帶寬本征模式分量；(4)由得到所有趨勢特征項構建趨勢特征矩陣；(5)對所述趨勢特征矩陣進行DPS聚類識別；(6)確定聚類中心；(7)對圍繞聚類中心之外的的剩余趨勢特征項進行劃分，完成樣本聚類，根據樣本聚類結果診斷旋轉機械滾動軸承。本發明是一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法，能夠采集更多的信號特征，診斷迅速，且運算效率高，故障診斷的準確率高。

技術領域

本發明涉及旋轉機械檢測、診斷技術領域，特別涉及一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法。

背景技術

旋轉機械廣泛運用于現代制造各行各業，它們的可靠性對于工業生產非常重要。滾動軸承是旋轉機械裝備中的關鍵部件也是使用較多的部件。在運轉過程中多種原因可能會造成滾動軸承損壞，如裝配不當、潤滑不良、水分和異物侵入、腐蝕和過載等都可能會導致滾動軸承過早損壞。即使在安裝、潤滑和使用維護都正常的情況下，經過一段時間運轉，滾動軸承也會出現疲勞剝落、磨損、點蝕等故障，導致軸承不能正常工作。滾動軸承是旋轉機械裝備中重要零部件，一旦發生故障卻不及時發現，有可能造成財產損失，嚴重的甚至會造成人員傷亡。所以對滾動軸承故障的及時發現和及早診斷是非常重要的。

傳統的滾動軸承診斷方式，通常需要專家人工干預，不僅增加了人力成本，而且容易出現漏診和誤診。因此，需要發展以人工智能為核心的智能故障診斷方法，輔助一般的操作人員，即使他們不掌握系統原理，也可借助人工智能進行對設備的狀態進行可靠決策。

現有的智能故障診斷技術大多在診斷時只用單一的指標或幾個指標組合來判斷故障類型與故障程度。但在對復雜對象的故障進行識別時，少數幾個指標有時并不能完全表現故障特點，因此故障診斷的準確率低。雖然隨著信號處理和特征提取技術的快速發展，使得信號的特征提取越來越精細，但現有的診斷方法對原始振動信號濾波和消噪處理時間較長，大多需要離線進行，不能保證生產的連續性，難以實時故障診斷。

因此為了解決現有技術中的問題，需要一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法。

發明內容

本發明的目的在于提供一種基于增量搜索聚類的旋轉機械滾動軸承智能診斷方法，所述方法包括如下方法步驟：

(1)在旋轉機械滾動軸承的軸承座上安裝振動傳感器，采集旋轉機械滾動軸承的振動信號；

(2)對采集的所述振動信號進行時域特征和頻域特征提取，將提取的多個所述時域特征和多個所述頻域特征之和作為列數，假設采集的故障樣本數M，將故障樣本數M作為行數，構建原始特征矩陣；

(3)將原始特征矩陣送入VMD算法中進行去噪處理，多個所述時域特征和多個所述頻域特征中每個特征得到L個有限帶寬本征模式分量；

(4)選取L個有限帶寬本征模式分量中的趨勢特征項，由得到所有趨勢特征項構建趨勢特征矩陣；

(5)對所述趨勢特征矩陣進行DPS聚類識別：計算不同趨勢特征項的距離，以及每一個趨勢特征項的局部密度，并對每一個趨勢特征項按照局部密度遞減排序，計算征趨勢項按照局部密度遞減排序的距離值；

(6)計算每一個趨勢特征項的局部密度與趨勢特征項按照局部密度遞減排序的趨勢特征項的綜合考量值，并將所述綜合考量值按照升序排列，確定聚類中心；

(7)對圍繞聚類中心之外的的剩余趨勢特征項進行劃分，完成樣本聚類，根據樣本聚類結果診斷旋轉機械滾動軸承。

進一步地，提取10個時域特征，分別為：

第一個時域特征F₁滿足：其中，x(n)是振動信號x(t)的時域序列，n＝1，2，……N；N為振動樣本點數；