[發明專利]一種滾動軸承健康退化狀態辨識方法

在審

• 申請號: 201910730077.7
• 申請日: 2019-08-08
• 公開（公告）號: CN110320033A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 朱海平;李曉濤;程一偉;黃培;金炯華;倪明堂;張衛平;吳淑敏
• 申請（專利權）人: 廣東省智能機器人研究院
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 羅曉林;楊桂洋

一種滾動軸承健康退化狀態辨識方法，包括步驟：步驟1，獲取滾動軸承的歷史監測信號，對監測信號進行預處理，去除奇異值并降噪；步驟2，對預處理后監測信號分別進行時域分析、功率譜分析和CEEMDAN分解，得到時域、功率譜和本征模態能量特征；步驟3，利用監測信號的各個特征對CSVM模型進行訓練；步驟4，針對在線實時采集的滾動軸承的監測信號，將步驟2獲取的各個特征，輸入到步驟3中訓練好的CSVM模型中，獲得滾動軸承當前的健康退化狀態辨識結果。本發明能夠對滾動軸承的健康退化狀態進行實時精確辨識，實現滾動軸承的狀態實時監測，保障數控機床的安全、穩定、長周期運行。

技術領域

本發明屬于滾動軸承檢測技術領域，具體地說是一種滾動軸承健康退化狀態辨識方法。

背景技術

滾動軸承是滾動軸承最常見的部件之一，其工作狀態直接影響整個滾動軸承的可靠性與安全性。一旦滾動軸承出現故障，滾動軸承將會停轉，出現功能喪失等各種異常現象，甚至造成重大安全事故。因此開展滾動軸承狀態識別對于提高滾動軸承的維修效率、降低其維修成本，保證其長時間穩定運行等都具有重大的實際意義。

支持向量機(Support Vector Machine,SVM)是一種經典的數據驅動的分類方法，其在解決小樣本、非線性和高維分類問題方面具有許多獨特的優勢。對于非線性的分類問題，支持向量機的核函數可以將輸入數據轉化到高維空間，以實現數據的分類。然而，支持向量機核函數的較大的計算負擔限制了其在大規模數據集上的應用。

因此，亟需一種簡便易行且能實時辨識滾動軸承的健康退化狀況的支持向量機方法。

發明內容

為了解決上述的技術問題，本發明提供了一種基于聚類支持向量機(ClusteredSupport Vector Machine，簡稱CSVM)模型的滾動軸承健康退化狀態高精高效辨識方法。

為了解決上述技術問題，本發明采取以下技術方案：

一種滾動軸承健康退化狀態辨識方法，包括以下步驟：

步驟1，獲取滾動軸承的歷史監測信號，對監測信號進行去奇異值處理和降噪處理；

步驟2，對步驟1處理后的監測信號分別進行：

1)時域分析，提取監測信號的時域特征；

2)功率譜分析，提取監測信號的功率譜特征；

3)基于自適應噪聲的完備經驗模態分解(CompleteEnsembleEmpirical ModeDecompositionwith Adaptive Noise，簡稱CEEMDAN)，得到監測信號的各個本征模態分量，計算每個本征模態分量的能量值并作為滾動軸承健康退化狀態的本征模態能量特征；

步驟3，利用步驟2獲得的監測信號的時域特征、功率譜特征和本征模態能量特征對聚類支持微量機CSVM模型進行訓練，獲得訓練好的CSVM模型；

步驟4，針對在線實時采集的滾動軸承的監測信號，按照步驟2分別提取監測信號的時域特征、功率譜特征和本征模態能量特征，輸入到步驟3中訓練好的CSVM模型中，獲得滾動軸承當前的健康退化狀態辨識結果。

所述時域特征包括平均值、均方差值、方根幅值、均方根值、最大絕對值、歪度指標、峭度指標、峰值因子以及裕度因子；功率譜特征包括頻率中心、均方頻率、均方根頻率、頻率方差和頻率根方差。

所述步驟3中CSVM模型的訓練過程如下：

步驟3.1，給定訓練數據集S＝{x₁,x₂,…,x_n}，其中x_n∈R^γ×1，γ表示步驟2中所有提取的特征的總數目；