[發明專利]一種基于層次全局模糊熵的滾動軸承故障診斷方法

在審

• 申請號: 202011030430.X
• 申請日: 2020-09-27
• 公開（公告）號: CN112067298A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 朱可恒;胡雄;肖世昌;王躍華;顧邦平
• 申請（專利權）人: 上海海事大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于層次全局模糊熵的滾動軸承故障診斷方法，采集滾動軸承的振動信號；對采集到的振動信號進行層次分解，計算第四個分解尺度上八個節點信號的全局模糊熵；將八個層次全局模糊熵作為滾動軸承故障特征向量；將得到的故障特征向量分為訓練集和測試集；利用訓練集訓練支持向量機獲得預測模型，利用預測模型對測試集進行預測；根據預測結果完成滾動軸承故障嚴重程度和故障類型的識別。本發明針對原始模糊熵算法和多尺度分析的局限，引入全局模糊熵和層次分解提取軸承故障特征。通過結合層次分解和全局模糊熵的優點，本發明提出的層次全局模糊熵能夠從軸承振動信號中提取更加豐富的故障信息，在滾動軸承故障識別中有更好的分類性能。

技術領域

本發明涉及一種故障診斷技術，特指一種基于層次全局模糊熵的滾動軸承故障診斷方法。

背景技術

滾動軸承在旋轉機械中的應用非常廣泛，其運行狀態直接影響著整個機器的正常運轉。因此，對滾動軸承的工作狀態進行診斷有著重要的意義。在滾動軸承各種各樣的故障診斷方法中，最常用而有效的方法是基于振動信號的診斷。

故障特征提取與故障狀態識別是滾動軸承故障診斷的兩個主要方面，其中故障特征提取又在很大程度上決定著故障狀態識別的效果。由于運行工程中受到間隙、摩擦等非線性因素的影響，滾動軸承振動信號呈現出非線性非平穩的特征。

因此，傳統的時域和頻域方法在分析此類信號是存在這很大的局限性。近年來，隨著非線性動力學的發展，很多研究學者把非線性動力學技術應用到滾動軸承的故障特征提取中。這其中基于熵的參數：近似熵、樣本熵、模糊熵和多尺度模糊熵等得到了廣泛的關注，在故障特征提取應用過程中效果良好。

但是，上面提到的這些熵參數都還各自存在著一定的局限，近似熵對數據長度過分依賴；樣本熵克服了近似熵自身匹配的缺點且降低了對數據長度的依賴，但是其采用的單位階躍函數邊界不連續，產生階躍現象；模糊熵把模糊函數引入到樣本熵的計算，擁有更好的一致性和抗噪能力，但其只強調了信號的局部特征而忽略信號的整體波動趨勢，而滾動軸承在工作狀態變化工程中振動信號的整體趨勢也應該會發生變化；多尺度模糊熵計算不同尺度下的模糊熵，衡量信號不同尺度下的復雜性，比單一尺度的模糊熵相比，能更全面的衡量信號復雜度，其局限在于只考慮了信號的低頻部分。基于以上分析，本發明提出一個層次全局模糊熵的滾動軸承故障特征提取方法。與多尺度分析相比，層次分解不但考慮信號的低頻成分，同時也考慮了信號的高頻成分，能夠提取更全面準確的故障信息；與模糊熵相比，全局模糊熵更能反映軸承在狀態變化時振動信號整體趨勢的變化。因此，針對原始模糊熵算法忽略信號的整體波動趨勢以及多尺度分析只考慮信號的低頻部分這一局限，本發明提出把全局模糊熵與層次分解相結合提取滾動軸承故障特征，最后利用支持向量機(Support Vector Machine,SVM)進行滾動軸承不同工作狀態的識別。

發明內容

本發明是針對傳統的多尺度模糊熵算法在提取軸承狀態信息時存在局限的問題，提出了一種基于層次全局模糊熵的滾動軸承故障診斷方法。與模糊熵相比，全局模糊熵更能反映軸承信號整體趨勢的波動；與對尺度分析相比，層次分解分析信號更加全面。提出的層次全局模糊熵能更全面地反映信號的特征，提取更豐富的故障信息，從而更準確地評估軸承的運行狀態。

一種基于層次全局模糊熵的滾動軸承故障診斷方法，其特征在于：包括如下步驟：

1)、測量滾動軸承的振動信號；

2)、計算滾動軸承振動信號的層次全局模糊熵；

3)、選取層次分解第四個尺度上八個節點信號的全局模糊熵作為滾動軸承故障特征向量；

4)、將得到的層次全局模糊熵特征分為訓練和測試兩類樣本；

5)、利用訓練樣本對支持向量機進行訓練得到預測模型；

6)、利用得到的預測模型對測試樣本進行預測；