[發明專利]一種基于改進MSET及頻譜特征的軸承故障預警及診斷方法

有效

• 申請號: 202111118703.0
• 申請日: 2021-09-24
• 公開（公告）號: CN113834657B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 戴偉;李亞洲
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進MSET及頻譜特征的軸承故障預警及診斷方法，其特征在于包括以下步驟：

步驟一：獲取原始振動信號，采集軸承的原始振動信號；

步驟二：獲得故障特征頻率：利用軸承的尺寸參數，計算各部位的理論故障特征頻率，根據故障特征頻率的變化量確定實際頻率范圍；

步驟三：包絡譜分析：利用快速譜峭度及帶通濾波法對原始振動信號進行濾波，對濾波后的振動信號進行分析并得到包絡譜，提取各部位實際頻率范圍內頻率幅值最大處對應的頻率作為實際故障特征頻率，并將所述各部位的實際故障特征頻率的幅值作為監測參數；

步驟四：改進MSET建模：建立歷史記憶矩陣，采用基于聚類方法的抽樣方式用于歷史記憶矩陣的構建，利用得到的歷史記憶矩陣建立MSET模型，并計算實時獲取的振動信號的估計向量及各監測參數的殘差；

步驟五：故障預警：利用整體偏離程度及殘差偏離程度構建相似度模型，計算歷史記憶矩陣的相似度的值，并利用這些相似度的均值及標準差構建監測閾值，通過比較實時相似度與監測閾值進行故障預警決策；

步驟六：故障診斷：對發出預警后的信號，利用殘差貢獻度及頻率幅值貢獻度構建故障貢獻率模型，用于對軸承的故障部位進行診斷；

其中，在所述步驟四中的MSET模型，為一種狀態監測方法，通過比較實時振動信號的數據與歷史記憶矩陣中的參數的誤差來判斷當前數據是否出現異常，其步驟如下：

在該式中，D_ij即為x_j(t_i)，用于表示監測參數x_j在t_i時刻的測量值，X(t_i)為矩陣D_n×m中t_i時刻的觀測向量，m表示矩陣中存在m個觀測時刻，i＝1,2,...,m，n表示矩陣中的n個監測參數，j＝1,2,...,n，D_n×m表示MSET的歷史記憶矩陣，也可用D表示；

在該式中，X_O表示某一時刻的觀測向量，X_e表示該向量的估計向量，W表示權值向量且W＝[w₁,w₂,...,w_m]^T，每一個權值w_i表示X_O與矩陣D中t_i時刻狀態向量的相似性測度，其中i＝1,2,...,m，為非線性運算符，這里采用歐式距離的方式運算；

ε＝X_e-X_o＝[ε₁,ε₂,...,ε_n]

在該式中，ε表示估計誤差向量，ε_j，j＝1,2,...,n，表示每個監測參數的誤差值；且

其中，在所述步驟四中的歷史記憶矩陣的構建，包括用基于聚類的抽樣方法構建正常狀態空間的歷史記憶矩陣D，其步驟如下：

a)從原始振動信號中選取L個時刻的正常狀態數據，計算每個時刻正常狀態數據的監測參數作為觀測向量X(t_i)，L個觀測向量構成樣本總體；

b)首先計算樣本總體中每一個觀測向量X(t_i)的歐氏距離

其中，d(X(t_i))表示該觀測向量X(t_i)到原點的距離，x_j(t_i)表示監測參數x_j在t_i時刻的測量值；

c)接著采用K-means聚類的方法將正常狀態數據的樣本總體分為K類，計算每一類狀態占總體的概率p_k；

d)確定歷史記憶矩陣D中所需觀測向量數量為m，則從每一類的狀態向量中選取的向量數為m_k＝p_k×m；

e)采用隨機抽取的方式，從第k類數據中選取m_k個觀測向量加入到歷史記憶矩陣D中。