[發明專利]一種基于包絡排列熵的滾動軸承故障診斷方法

在審

• 申請號: 202111280163.6
• 申請日: 2021-11-01
• 公開（公告）號: CN114088400A
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 陳強強;成建波;呂余海;侯旺;張剛
• 申請（專利權）人: 中國人民解放軍92728部隊
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62;G06N3/00
• 代理公司: 中國和平利用軍工技術協會專利中心 11215
• 代理人: 劉光德

本發明提供一種基于包絡排列熵的滾動軸承故障診斷方法，其采集滾動軸承不同狀態下的振動信號；借鑒包絡極值思想，對采集到的振動信號進行上、下包絡曲線及均值包絡曲線求解，并計算各包絡曲線的排列熵；將上、下包絡曲線及均值曲線的排列熵作為滾動軸承振動信號特征向量；將采集到的不同狀態滾動軸承信號分為訓練集和測試集，使用支持向量機作為模式識別工具；根據預測結果完成對滾動軸承不同狀態信號的識別。本發明針對常規排列熵算法和其他多尺度分析算法的局限，引入包絡曲線思想進行滾動軸承故障特征提取并計算包絡排列熵，所述方案能夠從不同類型的振動信號中提取更加完備的特征信息，在滾動軸承故障識別中有更好的分類性能。

技術領域

本發明涉及故障診斷技術領域，尤其是一種基于包絡排列熵的滾動軸承故障診斷方法。

背景技術

隨著現代機械設備復合性、集成性的不斷提高，滾動軸承逐步成為機械系統中不可或缺的關鍵部件，其工作性能的優劣直接關系著整個機械系統的性能。因此，有必要對滾動軸承工作狀態進行準確有效的識別。

在滾動軸承故障診斷領域，對振動信號進行分析并提取其特征信息是最有效、普遍的方式之一。但隨著機械系統自身復雜性以及工作環境的干擾性等影響，滾動軸承的振動信號呈現出強烈的非線性、非平穩性，一些常規、經典的線性時域頻域特征如均值、峰峰值、頻譜均值等無法準確有效地概括振動信號中所蘊含的特征信息。非線性動力學的發展，為采用非線性特征描述振動信號特征信息提供了可能。

在非線性特征中，熵值理論有著廣泛的應用。熵最初源自于物理熱力學，其含義為時間序列的復雜、混亂程度。熵可以準確有效的提取隱藏在時間序列內部的特征信息，被廣泛應用于多個領域。其中，排列熵方法計算簡潔方便，抗噪聲能力強，能夠有效監測和放大時間序列的動態信息，可準確表達不同狀態時間序列的特征。

但是，受限于機械系統的復雜性，滾動軸承振動信號所包含的信息不局限于單一尺度，僅使用單尺度熵值理論不足以完整概括振動信號的特征信息，因此有必要在多個尺度進行特征提取。目前常規的多尺度分析方法是通過多尺度分解方法，將原始振動信號分解為多個分量，并計算各個分量的熵值，從而構建特征向量；在這一過程中存在兩個問題：一是如何確定分量的選擇標準并計算該分量的特征值以作為振動信號的特征向量；二是當分量選擇過少時，不足以概括振動信號的特征信息；當分量選擇過多時，所組成的特征向量冗余，且增加了不必要的計算量。

發明內容

本發明針對常規的多尺度分解算法在描述振動信號特征信息時不能自適應選擇分量，且選擇分量個數過多的問題，提出一種基于包絡排列熵的滾動軸承故障診斷方法，與常規排列熵方法相比，包絡排列熵通過3個尺度下多尺度分量的熵值概括振動信號的特征信息，所得到的特征信息更加完備，從而更加準確有效的對軸承工作狀態進行分類識別；與常規多尺度分解方法相比，包絡排列熵無需從分解得到的多個分量中進行選擇并計算其特征信息，提高了算法的自適應性及計算過程中的快速性。

一種基于包絡排列熵的滾動軸承故障診斷方法，具體包括以下步驟：

步驟S1.根據滾動軸承不同工作狀態，采集不同類型的振動信號，作為原始數據集；

步驟S2.借鑒包絡極值思想，對滾動軸承振動信號進行上、下包絡分解，得到上包絡曲線及下包絡曲線；同時，根據上、下包絡曲線得到均值包絡曲線；

步驟S3.計算上、下包絡曲線及均值包絡曲線的排列熵值，作為滾動軸承不同類型振動信號的特征向量；

步驟S4.將步驟S1中獲得的原始數據集分為訓練集與測試集，使用支持向量機對訓練集進行訓練，從而得到故障識別模型；在使用支持向量機的過程中，利用粒子群優化算法實現支持向量機懲罰參數和核函數參數的自適應優化選擇；

步驟S5.利用得到的故障識別模型，對測試集進行故障診斷；

步驟S6.根據支持向量機的故障診斷結果，識別滾動軸承的不同故障狀態；