[發明專利]基于混合熵與聯合分布適配的變工況下軸承故障診斷方法

在審

• 申請號: 201910957125.6
• 申請日: 2019-10-10
• 公開（公告）號: CN110849625A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 薛小明;姜偉;張楠;劉麗燕;曹蘇群
• 申請（專利權）人: 淮陰工學院
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

本發明公開了基于混合熵與聯合分布適配的變工況下軸承故障診斷方法。根據負載工況是否已知對滾動軸承振動的原始樣本數據集進行劃分，建立源域數據集和目標域數據集；分別對源域數據集和目標域數據集包含的各樣本信號進行時頻分解，獲取各樣本信號的本征模態函數；根據非線性度量熵理論，計算各樣本信號各IMF分量的非線性熵參數，構建樣本信號的多尺度混合熵特征向量；根據遷移學習理論，利用源域數據集和目標域數據集中各樣本信號的多尺度混合熵特征向量構建基于聯合分布適配的變工況下滾動軸承故障診斷模型，輸出最終診斷結果。本發明能夠有效解決未知負載工況下軸承多類故障狀態的識別問題，顯著提高故障診斷精度，提升軸承穩定運行水平。

技術領域

本發明屬于故障診斷技術領域，特別涉及了一種變工況下的故障診斷方法。

背景技術

滾動軸承是現代機械設備中最常見的基礎部件之一，通過將運轉的軸與軸座間的滑動摩擦轉變為滾動摩擦，從而減少摩擦損失，有效提升機械設備運行效率。研究表明，由滾動軸承發生故障進而引發的機械設備運行異常或事故在設備故障案例中占據較大比例，且滾動軸承故障通常可在監測到的振動信號中得到反映。因此，基于采集到的滾動軸承振動信號樣本，研究設計高效可行的滾動軸承故障診斷方法，可有效提高軸承故障診斷精度，提升機械設備可靠穩定運行水平，促使設備維護策略向自動化、智能化方向發展。

目前，針對滾動軸承故障診斷的相關研究大多針對單一負載工況開展。工程實際中，受設備生產任務影響，軸承通常在變負載工況下運行，傳統故障診斷方法難以滿足準確識別軸承故障工況的應用需求。因此，利用監測獲取的軸承振動信號，探究變工況下高效準確識別軸承故障工況的診斷方法，可為解決上述問題提供一條有效的途徑。針對變工況下滾動軸承故障診斷，目前尚未系統深入地進行相關研究，缺乏合理完備的基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，尚不能滿足對軸承實施準確診斷、智能維護的功能需求。

發明內容

為了解決上述背景技術提到的技術問題，本發明提出了基于混合熵與聯合分布適配的變工況下軸承故障診斷方法。

為了實現上述技術目的，本發明的技術方案為：

基于混合熵與聯合分布適配的變工況下軸承故障診斷方法，包括以下步驟：

(1)根據負載工況是否已知對滾動軸承振動的原始樣本數據集進行劃分，建立用于變工況下滾動軸承故障診斷的源域數據集和目標域數據集；

(2)分別對源域數據集和目標域數據集包含的各樣本信號進行時頻分解，獲取各樣本信號的本征模態函數；

(3)根據非線性度量熵理論，計算各樣本信號各IMF分量的非線性熵參數，構建樣本信號的多尺度混合熵特征向量；

(4)根據遷移學習理論，實現目標域數據對源域數據的遷移學習，利用步驟(3)得到的源域數據集和目標域數據集中各樣本信號的多尺度混合熵特征向量構建基于聯合分布適配的變工況下滾動軸承故障診斷模型，輸出最終診斷結果。

進一步地，在步驟(2)中，采用快速集成經驗模態分解方法對源域數據集和目標域數據集包含的各樣本信號進行時頻分解。

進一步地，在步驟(3)中，所述非線性熵參數包括排列熵、樣本熵、能量熵、奇異譜熵和功率譜熵。

進一步地，步驟(3)的具體過程如下：

(3-1)根據頻率高低對各樣本信號的本征模態函數進行排序；

(3-2)計算各IMF分量的排列熵、樣本熵、能量熵、奇異譜熵和功率譜熵：