亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

滾動軸承故障模式識別及狀態(tài)監(jiān)測的特征向量提取方法與流程

文檔序號:12266698閱讀:818來源:國知局
滾動軸承故障模式識別及狀態(tài)監(jiān)測的特征向量提取方法與流程

本發(fā)明涉及一種滾動軸承故障模式識別及狀態(tài)監(jiān)測的特征向量提取方法,屬于機械故障診斷與信號處理技術(shù)領(lǐng)域。



背景技術(shù):

滾動軸承是傳動機械中的核心組成部件,對于保持轉(zhuǎn)動軸的位置和旋轉(zhuǎn)精度具有舉足輕重的作用,根據(jù)各方面的統(tǒng)計結(jié)果,滾動軸承是旋轉(zhuǎn)機械設(shè)備中出現(xiàn)故障損壞率最高的部件之一。滾動軸承發(fā)生故障可能會造成整個機械系統(tǒng)停機,引起嚴重的經(jīng)濟損失,甚至帶來災(zāi)難性的事故。隨著計算機技術(shù)的迅速發(fā)展,采用基于信號處理技術(shù)結(jié)合智能診斷方法對滾動軸承進行不同類型故障模式識別和運行狀態(tài)監(jiān)測已經(jīng)越來越廣泛。

在滾動軸承振動信號中提取出有關(guān)故障特征的相關(guān)信息,并將其轉(zhuǎn)化為輸入智能診斷方法的特征向量,是采用智能方法對滾動軸承進行故障模式識別和運行狀態(tài)監(jiān)測的關(guān)鍵。近年來,熵理論快速發(fā)展,各種熵理論方法被逐步引入到機械設(shè)備故障診斷當(dāng)中,熵理論方法在用于信號中特征信息提取時,顯示了很大的優(yōu)勢。熵理論可以將一組信號序列量化為一個單一特征值,能準確反應(yīng)出信號中蘊含的特征信息,其中,相比Shannon熵、近似熵、樣本熵,模糊熵的計算結(jié)果對數(shù)據(jù)長度的要求很低,計算結(jié)果一致性好,尤其在隨參數(shù)連續(xù)平滑變化和相似性度量模糊化方面具有很好的優(yōu)勢,現(xiàn)在已逐步應(yīng)用于滾動軸承的故障特征向量提取中。傳統(tǒng)方法往往將滾動軸承故障模式識別和運行狀態(tài)監(jiān)測作為兩個獨立的問題分別進行處理,進而分別提出不同的解決方法,兩者之間并沒有兼容性,并沒有一個統(tǒng)一的特征向量能同時用于滾動軸承的故障模式識別和運行狀態(tài)監(jiān)測。傳統(tǒng)用于滾動軸承不同故障類型模式識別的方法往往需要計算多個特征向量,多個特征向量計算方法大大增加了滾動軸承不同故障類型模式識別的時間,故障模式識別效率較低。傳統(tǒng)用于滾動軸承運行狀態(tài)監(jiān)測的特征向量主要是峭度指標(biāo)和均方根值指標(biāo),這個兩個特征向量雖然可以繪制出滾動軸承的運行狀態(tài)曲線,但是用于監(jiān)測滾動軸承運行狀態(tài)的實時性較差,很難及時監(jiān)測出滾動軸承早期故障的發(fā)生,很難滿足現(xiàn)代機械工業(yè)中實時監(jiān)測滾動軸承運行狀態(tài)的需求。而在現(xiàn)有技術(shù)中,并沒有相關(guān)的特征向量提取方法能很好的統(tǒng)一解決滾動軸承故障模式識別與運行狀態(tài)監(jiān)測這兩個問題。這也成為本領(lǐng)域技術(shù)人員亟需解決的問題。



技術(shù)實現(xiàn)要素:

本發(fā)明所要解決的技術(shù)問題是提供了一種同時實現(xiàn)滾動軸承故障模式識別和實時監(jiān)測滾動軸承的運行狀態(tài),更加及時、準確地實現(xiàn)滾動軸承故障模式識別及狀態(tài)監(jiān)測的特征向量提取方法。

本發(fā)明采用如下技術(shù)方案如下:

一種滾動軸承故障模式識別及狀態(tài)監(jiān)測的特征向量提取方法,其步驟如下:

步驟1、采用Hermitian小波作為小波基函數(shù)對滾動軸承故障振動信號進行連續(xù)小波變換,計算得到滾動軸承故障振動信號的時間小波能量譜序列,具體方法如下:

根據(jù)高斯函數(shù)表達式,分別計算其一階導(dǎo)數(shù)和二階導(dǎo)數(shù),進而建立Hermitian小波基函數(shù);

獲取滾動軸承故障振動信號,采用Hermitian小波對滾動軸承故障振動信號進行連續(xù)小波變換,得到滾動軸承故障振動信號連續(xù)小波變換結(jié)果;

根據(jù)信號小波變換過程中能量守恒原理,得到信號時間小波能量譜的數(shù)學(xué)表達式,進而計算得到滾動軸承故障振動信號連續(xù)Hermitian小波變換后時間小波能量譜序列;

步驟2、根據(jù)模糊熵理論描述所述滾動軸承故障振動信號復(fù)雜程度的優(yōu)良性質(zhì),計算時間小波能量譜序列的模糊熵值,具體方法如下:

根據(jù)經(jīng)驗選取模糊熵理論中相關(guān)參數(shù),建立模糊熵計算推導(dǎo)公式,進而計算時間小波能量譜序列的模糊熵值;

步驟3、根據(jù)滾動軸承不同故障模式下,所述滾動軸承故障振動信號的時間小波能量譜序列復(fù)雜性的差異,采用時間小波能量譜序列的模糊熵值作為特征向量,用于識別滾動軸承不同類型的故障模式;

同時,根據(jù)滾動軸承運行過程中,正常工況與故障工況時所述滾動軸承故障振動信號的時間小波能量譜序列復(fù)雜性的變化,采用時間小波能量譜序列的模糊熵值繪制曲線圖,監(jiān)測滾動軸承的運行狀態(tài),具體方法如下:

根據(jù)滾動軸承不同故障模式下的滾動軸承故障振動信號,不同故障模式包括正常、內(nèi)圈故障、外圈故障和滾動體故障,分別建立不同故障模式下數(shù)據(jù)樣本集合,隨機抽取樣本分別構(gòu)建滾動軸承在單一故障模式下的訓(xùn)練樣本集合和測試樣本集合;

根據(jù)時間小波能量譜序列的模糊熵值求解過程,分別計算滾動軸承不同故障模式下訓(xùn)練樣本集合和測試樣本集合中各個信號樣本的時間小波能量譜序列的模糊熵值,從而提取出滾動軸承不同故障模式下的特征向量;

根據(jù)支持向量機分類模型,選取徑向基核函數(shù)建立“一對多”類型的支持向量機分類器,并確定支持向量機分類器中的相關(guān)參數(shù);

根據(jù)支持向量機分類模型的識別過程,首先將滾動軸承不同故障模式下訓(xùn)練樣本的特征向量輸入到支持向量機分類器中,對支持向量機器進行訓(xùn)練,然后將全部測試樣本輸入到支持向量機,進行最終的滾動軸承不同故障模式的識別,根據(jù)支持向量機輸出結(jié)果完成對滾動軸承不同故障模式的分類識別;

根據(jù)滾動軸承整體的運行過程,按照運行時間順序在不同的時間節(jié)點處獲取振動信號樣本,從而構(gòu)建滾動軸承隨時間運行的信號樣本集合;

計算滾動軸承樣本集合中每個樣本信號的時間小波能量譜序列的模糊熵值,并按照相應(yīng)信號樣本的時間順序繪制時間小波能量譜序列的模糊熵值的變化曲線,所述曲線的橫坐標(biāo)為滾動軸承運行時間,縱坐標(biāo)為每個數(shù)據(jù)樣本的時間小波能量譜模糊熵的數(shù)值;

時間小波能量譜序列的模糊熵值的變化曲線可以監(jiān)測滾動軸承的整個運行過程,在滾動軸承正常運行時,時間小波能量譜序列的模糊熵值的數(shù)值變化幅度較小,波動趨勢較為平穩(wěn);當(dāng)軸承運行出現(xiàn)故障時,在故障發(fā)生的時刻,信號的小波能量分布會出現(xiàn)峰值,進而導(dǎo)致信號時間小波能量譜序列復(fù)雜程度發(fā)生變化,時間小波能量譜序列的模糊熵值會出現(xiàn)明顯的波動,通過監(jiān)測時間小波能量譜序列的模糊熵值的變化曲線走勢可以監(jiān)測滾動軸承的運行狀態(tài)。

本發(fā)明的有益效果如下:

本方法提出使用滾動軸承振動信號的時間小波能量譜模糊熵作為特征向量,既能實現(xiàn)滾動軸承故障模式識別,又能實時監(jiān)測滾動軸承的運行狀態(tài),及時診斷滾動軸承運行過程中早期故障的發(fā)生。該方法提出的時間小波能量譜模糊熵特征向量提取方法,能同時用于滾動軸承不同故障類型模式識別和運行狀態(tài)監(jiān)測,克服了傳統(tǒng)方法分別處理這兩個問題的缺陷,極大地拓展了類似研究方法用于滾動軸承故障診斷的范圍,并且時間小波能量譜模糊熵作為一個單一的特征向量,相比多特征向量分析方法故障模式識別效率更高。相比傳統(tǒng)的滾動軸承運行狀態(tài)監(jiān)測指標(biāo),用于監(jiān)測滾動軸承運行狀態(tài)更為及時和準確。

本發(fā)明中能夠同時用于滾動軸承故障模式識別與運行狀態(tài)監(jiān)測,極大提高了滾動軸承故障診斷的效率。

本發(fā)明通過模糊熵理論將一組時間小波能量譜序列轉(zhuǎn)為一個特征向量,相比多特征向量方法用于滾動軸承故障模式識別,識別過程更簡單,效率更高。

本發(fā)明能準確反應(yīng)滾動軸承運行過程中振動特征信息的變化,對滾動軸承各類型早期故障較為敏感,相比傳統(tǒng)的峭度等指標(biāo),能準確地監(jiān)測滾動軸承的運行狀態(tài)。

附圖說明

圖1是本發(fā)明中時間小波能量譜序列的模糊熵值作為特征向量計算過程的整體結(jié)構(gòu)示意圖;

圖2是本發(fā)明中采用時間小波能量譜序列的模糊熵值用于滾動軸承不同故障模式識別的結(jié)構(gòu)示意圖;

圖3是本發(fā)明中采用時間小波能量譜序列的模糊熵值用于滾動軸承狀態(tài)監(jiān)測過程的結(jié)構(gòu)示意圖;

圖4是本發(fā)明實施例中在滾動軸承不同故障模式下支持向量機輸出結(jié)果的示意圖;

圖5是本發(fā)明實施例中滾動軸承全壽命實驗過程中時間小波能量譜序列的模糊熵值的曲線圖;

圖6是本發(fā)明實施例中滾動軸承全壽命實驗過程中峭度熵值的曲線圖;

圖7是本發(fā)明實施例中滾動軸承不同故障模式識別結(jié)果列表。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明做進一步說明。

如圖1所示,本發(fā)明的目的是提供一種用于滾動軸承故障模式識別與運行狀態(tài)監(jiān)測的特征向量提取方法,該特征向量具體提取過程包括:

如圖1所示,本發(fā)明的目的是提供一種用于滾動軸承故障模式識別與運行狀態(tài)監(jiān)測的特征向量提取方法,該特征向量具體提取過程包括:

步驟101:布置加速度傳感器,采集滾動軸承故障振動信號x(t);

步驟102:獲取高斯函數(shù)g(t)如下:

計算高斯函數(shù)的一階、二階偏導(dǎo)數(shù)分別如下:

Hermitian小波表達式如下:

步驟103:根據(jù)連續(xù)小波變換理論,采用Hermitian小波作為小波基函數(shù),對信號進行連續(xù)小波變換,結(jié)果如下:

其中,是的共軛函數(shù),a和b分別為尺度參數(shù)和位置參數(shù)。

步驟104:根據(jù)小波變換過程中能量守恒原理,計算得到如下公式(6):

進一步推導(dǎo)得到如下公式(7):

計算得到時間小波能量譜序列E,如下:

時間小波能量譜反應(yīng)了信號連續(xù)小波變換后能量沿時間軸的分布情況,當(dāng)滾動軸承元件表面出現(xiàn)故障點,產(chǎn)生故障沖擊時,故障沖擊的能量會沿著時間軸分布。若在時間軸的某段范圍內(nèi),沒有出現(xiàn)故障沖擊,那么能量分布就相對較為平緩,若出現(xiàn)故障沖擊,在發(fā)生時刻就會出現(xiàn)一個能量分布的峰值。因此,信號時間小波能量譜中蘊含了滾動軸承故障沖擊信息;

步驟105:根據(jù)模糊熵計算推導(dǎo)過程,根據(jù)經(jīng)驗設(shè)置相關(guān)參數(shù):嵌入維數(shù)m=2,相似容限r(nóng)=0.15Std(Std為時間小波能量譜序列的標(biāo)準差),相似容限邊界梯度參數(shù)n=2,計算得到時間小波能量譜序列的模糊熵。

如圖2所示,本發(fā)明所述的時間小波能量譜模糊熵用于滾動軸承不同故障模式識別過程詳述如下:

步驟201:獲取滾動軸承在不同故障模式下多次測得的振動信號,包括滾動軸承正常運行、內(nèi)圈故障、外圈故障和滾動體故障;

步驟202:在滾動軸承每個故障模式的振動信號中,隨機選擇部分信號組成訓(xùn)練樣本集,其余信號構(gòu)成測試樣本集;

步驟203:計算訓(xùn)練樣本和測試樣本集中每個信號樣本的時間小波能量譜模糊熵作為該樣本的特征向量;

步驟204:選取徑向基核函數(shù)建立“一對多”類型的支持向量機分類模型,該函數(shù)的數(shù)學(xué)表達式如下:

其中,δ是核函數(shù)的寬度參數(shù),C是懲罰因子,通過交叉驗證和網(wǎng)格搜索算法確定最優(yōu)參數(shù):δ=0.2,C=0.1。

步驟205:將已經(jīng)分類的滾動軸承不同故障模式下的訓(xùn)練樣本集樣本輸入到已建立的支持向量機,完成對支持向量機分類模型的訓(xùn)練;

步驟206:將混合在一起的滾動軸承不同故障模式下的測試樣本全部輸入到已訓(xùn)練完成的支持向量機中,通過支持向量機智能模式識別后,輸出分類結(jié)果,完成滾動軸承不同故障模式的識別分類。

如圖3所示,本發(fā)明所述的時間小波能量譜模糊熵用于滾動軸承狀態(tài)監(jiān)測的過程詳述如下:

步驟301:按照滾動軸承運行時間,在不同時間節(jié)點獲取軸承振動信號數(shù)據(jù),建立依據(jù)滾動軸承運行時間順序的信號樣本集合;

步驟302:對樣本集合中的信號樣本進行連續(xù)Hermitian小波連續(xù)變換,得到每個樣本的時間小波能量譜序列;

步驟303:根據(jù)模糊熵的推導(dǎo)和計算公式,計算得到每個樣本時間小波能量譜序列的模糊熵,構(gòu)建按照滾動軸承運行時間順序的時間小波能量譜模糊熵集合;

步驟304:根據(jù)滾動軸承運行時間順序,繪制時間小波能量譜模糊熵變化曲線,橫坐標(biāo)為滾動軸承運行時間,縱坐標(biāo)為模糊熵數(shù)值,曲線上某一時刻對應(yīng)的時間小波能量譜模糊熵反映了滾動軸承運行至該時刻時的運行狀態(tài),當(dāng)軸承正常運行時,時間小波能量譜模糊熵值變化較為平穩(wěn),當(dāng)滾動軸承運行出現(xiàn)故障時,時間小波能量譜分布會出現(xiàn)峰值,時間小波能量譜模糊熵數(shù)值大小會有明顯變化;

步驟305:通過判斷時間小波能量譜模糊熵曲線的走勢,可以滾動軸承的運行狀態(tài)進行監(jiān)測,通過尋找曲線上突變點的位置,來判斷滾動軸承運行狀態(tài)的變化,及時診斷滾動軸承早期故障的出現(xiàn)。

根據(jù)本發(fā)明提供的具體實施例,本發(fā)明公開了以下技術(shù)效果:本發(fā)明通過提取一個新的滾動軸承振動信號特征向量,同時用于滾動軸承不同故障模式識別與運行狀態(tài)監(jiān)測,極大地提高了滾動軸承故障診斷的效率。選用Hermitian小波對滾動軸承振動信號進行連續(xù)小波變換,計算得到小波系數(shù)的時間小波能量譜序列,將獲取的時間小波能量譜與模糊熵理論相結(jié)合,計算得到時間小波能量譜模糊熵,從而將一組信號序列轉(zhuǎn)化為一個特征向量數(shù)值,充分反映時間小波能量譜序列中的故障特征信息。本發(fā)明所提出的時間小波能量譜模糊熵,能充分反映滾動軸承不同故障模式下振動信號中的故障特征信息,對滾動軸承運行狀態(tài)的變化非常敏感,相比傳統(tǒng)的采用多特征向量識別滾動軸承故障模式方法識別效率更高,監(jiān)測滾動軸承運行狀態(tài)更為準確,更能及時發(fā)現(xiàn)滾動軸承運行過程中早期故障的出現(xiàn)。本發(fā)明為滾動軸承故障模式識別和運行狀態(tài)監(jiān)測提供了一個效率更高、適用性更廣泛的方法。

本實施例描述的是通過提取滾動軸承故障振動信號的時間小波能量譜模糊熵作為特征向量對滾動軸承進行故障模式識別與運行狀態(tài)監(jiān)測。

通過加速度傳感器分別采集6205型號滾動軸承正常、內(nèi)圈故障、外圈故障和滾動體故障振動信號進行分析,在軸承每個故障模式中訓(xùn)練樣本為10組信號,測試樣本為20組信號,樣本信號長度為8192個點,計算信號樣本的時間小波能量譜模糊熵作為該樣本的特征向量。

建立支持向量機分類模型,確定相關(guān)參數(shù),將測試集樣本輸入到訓(xùn)練好的支持向量機模型中進行軸承不同故障模式的識別。圖4為支持向量機輸出結(jié)果,圖7為故障模式識別分類列表。分類標(biāo)簽為1、2、3、4的數(shù)據(jù)樣本分別對應(yīng)為實際的滾動軸承正常、內(nèi)圈故障、外圈故障和滾動體故障下的信號樣本,支持向量機將滾動軸承4種故障模式下的測試樣本全部準確地識別了出來。從表中結(jié)果可知,80個測試數(shù)據(jù)樣本都得到了準確識別,測試樣本故障模式識別準確率為100%,說明時間小波能量譜模糊熵作為特征向量較為準確地識別了滾動軸承4種不同類型的運行模式。

所選用的滾動軸承全壽命實驗數(shù)據(jù)來自美國辛辛那提大學(xué)智能維護系統(tǒng),在實驗中正常的滾動軸承一直運行至出現(xiàn)非常嚴重的外圈故障,每隔10分鐘采集一次滾動軸承振動信號,每次采集的數(shù)據(jù)長度為20480點。計算每組信號的時間小波能量譜模糊熵,然后按照軸承運行的時間繪制時間小波能量譜模糊熵變化曲線,結(jié)果如圖5所示。從圖中可知,在軸承開始運行后,時間小波能量譜模糊熵出現(xiàn)了小幅度的波動,但整體趨勢平穩(wěn),這和滾動軸承正常運行狀態(tài)相符合。當(dāng)滾動軸承運行至5440min時,熵值開始減小,并且下降明顯,說明軸承的運行狀態(tài)發(fā)生了變化,早期故障已經(jīng)出現(xiàn);當(dāng)運行至6470min時,熵值下降明顯,但接著變化較為平穩(wěn),此時軸承故障程度并不嚴重;當(dāng)運行至7020min時,時間小波能量譜模糊熵劇烈下降,此時故障已經(jīng)較為嚴重。

為了進行對比,選用傳統(tǒng)方法的峭度指標(biāo)繪制滾動軸承全壽命實驗的運行狀態(tài)曲線,結(jié)果如圖6所示。從圖6中可知,軸承開始運行后,峭度數(shù)值保持平穩(wěn),運行至6470min時,峭度值突然增大,但接著變化較為平穩(wěn),說明峭度指標(biāo)檢測出軸承的運行中出現(xiàn)故障,但故障并不嚴重;運行至7020min時,峭度值開始顯著升高,說明故障已較為嚴重。通過比較可以發(fā)現(xiàn),峭度曲線圖發(fā)現(xiàn)軸承早期故障的時間要比時間小波能量譜模糊熵晚1030min。

本實例通過提取時間小波能量譜模糊熵作為特征向量對滾動軸承正常、內(nèi)圈故障、外圈故障和滾動體故障進行了準確地故障模式識別,并通過分析滾動軸承全壽命運行過程中的振動信號,繪制了監(jiān)測滾動軸承運行狀態(tài)的時間小波能量譜模糊熵曲線,成功診斷出滾動軸承運行中出現(xiàn)的早期故障。

本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述,以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想;同時,對于本領(lǐng)域的一般技術(shù)人員,依據(jù)本發(fā)明的思想,在具體實施方式及應(yīng)用范圍上均會有改變之處。綜上,本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1