[發明專利]一種滾動軸承故障診斷方法及系統

有效

• 申請號: 201911033248.7
• 申請日: 2019-10-28
• 公開（公告）號: CN110567721B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 王新剛;王昕;王柯
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 楊曉冰

本發明公開一種滾動軸承故障診斷方法及系統，該方法包括以下步驟：獲取滾動軸承的振動數據，并將其劃分為測試樣本集和訓練樣本集；基于訓練樣本集中滾動軸承的振動數據，采用小波包分解方法提取訓練樣本集中滾動軸承的故障特征；利用基于改進PSO算法的FCM算法對訓練樣本集中滾動軸承的故障特征進行故障聚類；提取測試樣本集中滾動軸承的故障特征，根據故障聚類結果，判斷測試樣本集中滾動軸承的故障類型。

技術領域

本發明涉及工業設備故障診斷技術領域，具體涉及一種基于改進粒子群優化算法的模糊C均值聚類算法的滾動軸承故障診斷方法及系統。

背景技術

進入21世紀以來，隨著國民經濟的快速發展，我國工業高速發展，已經成為世界工業大國，極大地促進了我國各行業的發展。其中，工業的高速發展離不開工業設備的大量使用，滾動軸承作為工業設備的關鍵部件之一，其運行狀態好壞直接影響整個系統的可靠性，因此對其進行狀態監測和故障診斷變得尤為重要。

PSO算法是Kennedy等人受到鳥群飛行及覓食行為的啟發提出的一種智能優化算法，該算法結構簡單，可操作性強，便于實現，得到了許多學者的關注和研究，但該算法存在早熟，在處理高維復雜函數時容易陷入局部極值和搜索精度不高等問題。

聚類分析是重要的數據挖掘與模式識別方法，目的是尋找數據集中所包含的簇結構，根據數據屬性，將數據集分群，被廣泛應用于故障診斷領域。其中，K-means算法是一種經典的模式識別算法，這個算法簡單且收斂速度快，在學術界和工業界都得到了廣泛的應用。但是，算法的聚類結果易受初始聚類中心影響，極易陷入局部最優解的情況。工業設備故障通常是一個漸變的過程，因此提取的故障特征通常具有模糊性，直接通過故障特征進行故障診斷具有一定的難度。而模糊聚類分析方法為解決這類問題提供了一條有效的解決途徑。FCM算法是K-means算法的優化與擴展,其基本思想是在K-means算法的基礎上增加模糊隸屬度，該算法可以避免陷入局部最優解的情況。

發明人在研發過程中發現，現有的工業設備故障診斷方法還存在以下問題：

(1)傳統的PSO算法在處理高維復雜函數時容易陷入局部極值、收斂速度慢和搜索精度不高等問題；

(2)工業設備故障通常是一個漸變的過程，因此提取的故障特征通常具有模糊性，直接通過故障特征進行故障診斷具有一定的難度，并且傳統FCM算法沒有考慮總體變異對距離遠近的影響，使故障診斷精確度不高。

發明內容

為了克服上述現有技術的不足，本發明提供了一種基于改進PSO算法的FCM算法的滾動軸承故障診斷方法及系統，首先利用改進的PSO算法更新粒子的速度和位置獲得聚類中心，然后利用改進的FCM算法對數據樣本進行聚類分析，最后對滾動軸承進行故障診斷；將PSO算法和FCM算法進行融合可充分發揮各自的優勢，提高滾動軸承故障診斷的精確度。

本發明一方面提供的一種滾動軸承故障診斷方法的技術方案是：

一種滾動軸承故障診斷方法，該方法包括以下步驟：

獲取滾動軸承的振動數據，并將其劃分為測試樣本集和訓練樣本集；

基于訓練樣本集中滾動軸承的振動數據，采用小波包分解方法提取訓練樣本集中滾動軸承的故障特征；

利用基于改進PSO算法的FCM算法對訓練樣本集中滾動軸承的故障特征進行故障聚類；

提取測試樣本集中滾動軸承的故障特征，根據故障聚類結果，判斷測試樣本集中滾動軸承的故障類型。

本發明另一方面提供的一種滾動軸承故障診斷系統的技術方案是：

一種滾動軸承故障診斷系統，該系統包括：

數據獲取模塊，用于獲取滾動軸承的振動數據，并將其劃分為測試樣本集和訓練樣本集；