[發明專利]一種艇用離心泵滾動軸承故障診斷方法

在審

• 申請號: 201811470273.7
• 申請日: 2018-11-27
• 公開（公告）號: CN109540523A
• 公開（公告）日: 2019-03-29
• 發明（設計）人: 周國敬;李鵬;周博;王超偉
• 申請（專利權）人: 中國艦船研究設計中心
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 胡建平;汪瑋華

1.一種艇用離心泵滾動軸承故障診斷方法，其特征在于：首先采用小波降噪的方法對振動信號進行降噪處理，然后采用局部特征尺度分解對降噪后的振動信號進行時頻分析，獲取各故障模式信號的內稟尺度分量，之后提取各內稟尺度分量的樣本熵作為振動信號的故障特征，在故障診斷時，利用提取的各故障模式內稟尺度分量的樣本熵對隨機森林進行訓練，并利用Bagging的方式隨機抽取訓練樣本對決策樹進行訓練，建立多棵決策樹，然后利用訓練好的隨機森林對測試數據進行診斷測試，從而獲得故障診斷結果。

2.根據權利要求1所述的一種艇用離心泵滾動軸承故障診斷方法，其特征在于所述小波降噪具體包括如下步驟：

S1)信號分解：選定小波函數和分解層數j，對信號進行j層小波分解；

S2)小波細節系數去噪：對于每一層小波，設定一個閥值，對細節系數進行閥值處理；

S3)信號重構：基于第j層的原始概貌系數和第1層到第j層修正的細節系數，進行信號的重構。

3.根據權利要求1所述的一種艇用離心泵滾動軸承故障診斷方法，其特征在于所述局部特征尺度分解具體包括如下步驟：

S1)定義內稟尺度分量：基于極值點的局部特征尺度參數，定義瞬時頻率具有物理意義的單分量信號-內稟尺度分量，在滿足此單分量信號瞬時頻率具有物理意義的條件上提出了局部特征尺度分解，假設任何復雜的信號由不同的內稟尺度分量組成，任何兩個內稟尺度分量之間相互獨立，把任何一個信號x(t)分解為有限個內稟尺度分量之和；

S2)確定物理意義的條件：

(Ⅰ)在信號的整個數據中，任意兩個相鄰的極大值與極小值之間要具有單調性；

(Ⅱ)在信號的整個數據中，設所有極值為對應的時刻為τ_k(k＝1,2,…,M)，M為極值點的個數，連接任意兩個相鄰的極大值點(或極小值點(τ_k,X_k)、(τ_k+2,X_k+2))，確定的直線為l_k，見公式(1)：

在二者之間的極值點相對應的時刻τ_k+1函數值，記為A_k+1，由公式(2)得A_k+1的值為：

讓A_k+1與X_k+1的比值保持不變，一般情況下：

aA_k+1+(1-a)X_k+1＝0a∈(0,1) (3)

即要滿足：

取

S3)局部特征尺度分解過程：

(Ⅰ)確定x(t)所有極值X_k及其相對應的時刻τ_k，k＝1,2,…,M；

(Ⅱ)根據公式(2)計算A_k+1的值，上式(3)中的值一般取0.5，然后依據公式計(5)算出所有的值，

L_k＝aA_k+(1-a)X_k (5)；

(Ⅲ)所有的L₁,L₁,…,L_M由三次樣條連接，得到均值曲線或基線BL₁(t)；

(Ⅳ)將基線從原信號中分離出來，見公式(6)，

h₁(t)＝x(t)-BL₁(t) (6)

h₁(t)滿足條件(I)、(II)，即是一個ISC分量，令ISC₁＝h₁(t)；

(Ⅴ)h₁(t)不滿足條件(I)、(II)，將h₁(t)作為原始數據重復上述步驟，可以得到：

h₁₁(t)＝h₁(t)-BL₁₁(t) (7)

h₁₁(t)不滿足條件(I)、(II)，則重復上述步驟k次，直到h_1k(t)滿足ISC分量條件，為第一個ISC分量，記為ISC₁＝h_1k(t)，對于判斷滿足ISC分量的第二個條件，依據式(3)，A_k+1與X_k+1之和不可能都等于0，采用標準偏差法作為終止判據來終止迭代循環，標準偏差值小于0.5即可得到理想的ISC分量了。SD定義式如下：

(Ⅵ)將ISC₁從原始信號中分離出來，見公式(9)：

r₁(t)＝x(t)-ISC₁ (9)

再將r₁(t)作為原始數據重復上述步驟①～⑤，循環n次，直到剩余量r_n(t)為一個單調函數，從而將x(t)分解為n個ISC和一個單調函數的參與量之和，見公式(10)：

S4)提取樣本熵：已知序列{x(i)}，其中i＝1,2,…,N為{x(i)}第i點數據值，N為數據長度，

(Ⅰ)選定m，組成m維矢量X(i)：

X(i)＝[x(i),x(i+1),…,x(i+m-1)] (12)

式中，i＝1,2,…,N-m+1，m為模式維數；

(Ⅱ)定義矢量X(i)與X(j)之間的距離d[X(i),X(j)]為兩者所對應元素中的最大差值，即：

d[X(i),X(j)]＝max[|x(i+k)-x(j+k)|] (13)

式中，k＝1,2,…,m-1，i,j＝1,2,…,N-m+1,i≠j；

(Ⅲ)設定相似容限r的閾值，

統計d[X(i),X(j)]＜r的數目，為Num＝d[X(i),X(j)]＜r，

并將其余矢量總數N-m作比，記為

式中，i,j＝1,2,…,N-m+1,i≠j

將N-m+1個的平均值記為B^m(r)，即：

式中，為兩個序列在下匹配個點的概率；

(Ⅳ)將m增加到m+1，重復步驟(Ⅰ)-(Ⅲ)，得：

式中，B^m+1(r)為兩個序列在r下匹配m+1個點的概率；

(Ⅴ){x(i)}的樣本熵為：

為有限值時，則樣本熵的計算值為：

S5)隨機森林對測試數據進行診斷測試：

假設隨機森林是由K棵CART決策樹組成的，假設產生第i棵決策樹的函數表示為：f_i(x,Θ_i):X→Y,i＝1,2,…,K，其中x就是輸入向量，Θ是獨立同分布的隨機向量，隨機森林可以表示為：F＝{f₁,f₂,…,f_K}，其中K為森林的規模；

用隨機森林對樣本數據分類，形式化的表示如下：

其中，I(·)是示性函數，它的取值范圍是0和1，當括號中的條件成立時值為1，否則為0，隨機森林就是選擇投票最多的類別作為樣本數據的最終類別。