[發明專利]一種軸承故障診斷方法

有效

• 申請號: 202010142396.9
• 申請日: 2020-03-04
• 公開（公告）號: CN111272429B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 黃海松;范青松;韓正功;艾彬彬;李玢
• 申請（專利權）人: 貴州大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06F30/27;G06K9/62;G06N3/00
• 代理公司: 貴陽東圣專利商標事務有限公司 52002
• 代理人: 袁慶云

本發明公開了一種軸承故障診斷方法，包括以下步驟：對滾動軸承振動信號進行故障特征提??；構建SVM分類器模型;根據訓練集和IWOA算法更新所述SVM的分類器的懲罰參數和核函數參數：根據獲取的最優的懲罰參數和最優的核函數參數構建所述SVM的測試模型，根據測試集、最優懲罰參數和最優核函數參數，以最長尋優時間、最短尋優時間和平均尋優時間、平均準確率、標準差作為評判標準，十折交叉驗證后確定軸承的故障結果。本發明軸承故障診斷能力強，識別準確率高。

技術領域

本發明屬于機械技術領域，具體來說涉及一種軸承故障診斷方法。

背景技術

滾動軸承是機械設備眾多零部件中最常見的傳動部件之一，屬于易損易耗件。特別是在高速運行的機器中，軸承的故障診斷對確保其安全可靠運行起著重要作用。因此，快速、準確、便捷地診斷軸承故障，判別故障類型具有重大意義。

目前，國內外學者對滾動軸承的故障診斷相關理論與技術進行了大量研究。采用基于集合經驗模態分解(Ensemble Empirical Mode Decomposition，EEMD)奇異值熵判據的滾動軸承故障診斷方法，能夠清晰的劃分出滾動軸承不同工作狀態的類別特征區間。采用了自適應白噪聲的完整集成經驗模態分解方法(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise，CEEMDAN)分解降噪信號，有效地提取出了滾動軸承的微弱故障特征信息。通過主成分分析法對模糊熵(Fuzzy Entropy，FuzzyEn)特征向量進行可視化降維后作為聚類算法的輸入，實現對滾動軸承的故障診斷。而利用概率主成分分析(Probabilistic Principal Component Analysis，PPCA)結合經驗小波變換的滾動軸承輕微故障診斷方法，提取了軸承主要故障特征成分，去除強背景噪聲干擾，重構了故障信號，提取出了故障特征。而對于支持向量機(Support Vector Machine,SVM)的參數優化，現有粒子群優化算法(Particle Swarm Optimization，PSO)、遺傳算法(Genetic Algorithm，GA)、灰狼算法(Grey Wolf Optimizer，GWO)對SVM中分類準確率有較大影響的參數C和懲罰因子σ進行優化，均取得了一定效果，提高了軸承的診斷精度。

鯨魚優化算法(Whale Optimization Algorithm,WOA)是Mirjalili S等在2016年提出的一種模擬座頭鯨狩獵行為的新穎群體元啟發式優化算法，WOA算法具有原理簡單、操作簡便，容易實現，需調參數少及魯棒性強等優點，但基本WOA算法也可能會出現收斂速度慢、收斂后期出現停滯的缺陷，仍需要進一步改進。

發明內容

本發明的目的在于克服上述缺點而提供的一種軸承故障診斷能力強，識別準確率高的軸承故障診斷方法。

本發明目的及解決其主要技術問題是采用以下技術方案來實現的：

本發明的一種軸承故障診斷方法，包括以下步驟：

(1)故障特征提?。?/p>

1)獲取軸承的振動信號，通過自適應白噪聲的完整集成經驗模態分解方法CEEMDAN提取振動信號的IMF模態分量；

2)確定由CEEMDAN提取的IMF模態分量的模糊熵FuzzyEn，重構原始信號：

3)通過概率主成分分析PPCA對重構信號進行主特征提取，剔除冗余信息；

4)將經PPCA處理后的數據集作為特征向量，等比例構造支持向量機SVM的訓練集和測試集并添加類別標簽；

(2)IWOA-SVM故障診斷：

1)構建SVM分類器模型；

2)根據所述訓練集和IWOA算法更新所述SVM的分類器的懲罰參數和核函數參數：