[發(fā)明專利]一種基于包絡(luò)排列熵的滾動(dòng)軸承故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111280163.6
• 申請(qǐng)日: 2021-11-01
• 公開（公告）號(hào): CN114088400A
• 公開（公告）日: 2022-02-25
• 發(fā)明（設(shè)計(jì)）人: 陳強(qiáng)強(qiáng);成建波;呂余海;侯旺;張剛
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍92728部隊(duì)
• 主分類號(hào): G01M13/045
• 分類號(hào): G01M13/045;G06K9/62;G06N3/00
• 代理公司: 中國(guó)和平利用軍工技術(shù)協(xié)會(huì)專利中心 11215
• 代理人: 劉光德

1.一種基于包絡(luò)排列熵的滾動(dòng)軸承故障診斷方法，其特征在于，包括：

步驟S1.根據(jù)滾動(dòng)軸承不同工作狀態(tài)，采集不同類型的振動(dòng)信號(hào)，作為原始數(shù)據(jù)集；

步驟S2.對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行上、下包絡(luò)分解，得到上包絡(luò)曲線、下包絡(luò)曲線及均值包絡(luò)曲線；

步驟S3.計(jì)算上、下包絡(luò)曲線及均值包絡(luò)曲線的排列熵值，作為滾動(dòng)軸承不同類型振動(dòng)信號(hào)的特征向量；

步驟S4.將所述原始數(shù)據(jù)集分為訓(xùn)練集與測(cè)試集，對(duì)訓(xùn)練集中的振動(dòng)信號(hào)的特征向量進(jìn)行訓(xùn)練，獲得故障識(shí)別模型；

步驟S5.將測(cè)試集的振動(dòng)信號(hào)的特征向量輸入至所述故障識(shí)別模型，對(duì)測(cè)試集進(jìn)行故障診斷；

步驟S6.根據(jù)故障診斷結(jié)果，識(shí)別滾動(dòng)軸承的不同故障狀態(tài)。

2.如權(quán)利要求1所述的基于包絡(luò)排列熵的滾動(dòng)軸承故障診斷方法，其特征在于，步驟S3中計(jì)算振動(dòng)信號(hào)的包絡(luò)曲線的排列熵值的方法為：

步驟3.1計(jì)算排列熵

3.1a.針對(duì)長(zhǎng)度為N的時(shí)間序列{x(i),i＝1,2,...,N}，對(duì)時(shí)間序列x(i)進(jìn)行相空間重構(gòu)：

其中，m為嵌入維數(shù)，τ為延遲時(shí)間，k＝N-(m-1)τ為重構(gòu)向量的個(gè)數(shù)；X₁,X_j,X_k均為相空間重構(gòu)后的向量；

3.1b.將X_j中的元素按升序排列得：

x[i+(j₁-1)τ]≤x[i+(j₂-1)τ]…≤x[i+(j_m-1)τ]

式中，j₁，j₂，j_m為各元素在排序之前位于相空間所在列的索引；

3.1c.若X_j中有兩元素相等，則按原始順序排列；

通過對(duì)相空間重構(gòu)后的時(shí)間序列分析，對(duì)于任意一個(gè)X_j，均得到相應(yīng)的符號(hào)序列S_l＝{j₁,j₂,,j_m}，其中，l＝1,2,...,k，且k≤m！，定義排列熵為：

其中，P_j為符號(hào)序列的概率，且H_P(m)表示排列熵值；

3.1d.若則H_p(m)＝ln(m！)，取值最大；將H_p(m)標(biāo)準(zhǔn)化，得：

此時(shí)，H_p的取值為[0,1]，表征時(shí)間序列的復(fù)雜程度；H_p越大，則序列復(fù)雜程度越高；

步驟3.2計(jì)算包絡(luò)排列熵：

首先對(duì)原始時(shí)間序列進(jìn)行多尺度分解，并得到多個(gè)分量；

然后需要確定分量選擇方法以選擇若干個(gè)分量并求取其排列熵值作為特征向量；

步驟3.3排列熵參數(shù)選擇

嵌入維數(shù)m＝3～7；時(shí)間延遲τ＝1。

3.如權(quán)利要求2所述的基于包絡(luò)排列熵的滾動(dòng)軸承故障診斷方法，其特征在于，步驟3.2所述計(jì)算包絡(luò)排列熵的方法包括：

3.2a針對(duì)原始信號(hào)x(i)，找到原始信號(hào)x(i)的所有極大值點(diǎn)并進(jìn)行三次樣條插值擬合，擬合曲線組成上包絡(luò)線U_t；

3.2b找到原始信號(hào)x(i)的所有極小值點(diǎn)并進(jìn)行擬合，擬合曲線組成下包絡(luò)線L_t；

3.2c計(jì)算上包絡(luò)線U_t與下包絡(luò)線L_t的均值，形成均值包絡(luò)曲線

3.2d分別計(jì)算上包絡(luò)曲線U_t、下包絡(luò)曲線L_t以及均值包絡(luò)曲線M(t)的排列熵值，并組成特征向量

4.如權(quán)利要求1所述的基于包絡(luò)排列熵的滾動(dòng)軸承故障診斷方法，其特征在于，所述步驟S4中使用支持向量機(jī)對(duì)所述訓(xùn)練集進(jìn)行訓(xùn)練，并使用粒子群優(yōu)化算法進(jìn)行支持向量機(jī)懲罰參數(shù)和核函數(shù)參數(shù)的優(yōu)化選擇。