一種基于灰色支持向量機的滾動軸承故障診斷與預測的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于軸承故障診斷領(lǐng)域，是針對滾動軸承開發(fā)的一種全面的故障診斷與預 測模型 GM(1，1)-SVM。
【背景技術(shù)】
[0002] 滾動軸承是電力、石化、冶金、機械、航空航天W及一些軍事工業(yè)部口中使用最廣 泛的機械零件，也是最易損傷的部件之一。它具有效率高、摩擦阻力小、裝配方便、潤滑易實 現(xiàn)等優(yōu)點，在旋轉(zhuǎn)機械上的應用十分廣泛，并起著關(guān)鍵作用。旋轉(zhuǎn)機械設(shè)備的許多故障都與 滾動軸承有著密切的關(guān)聯(lián)。據(jù)有關(guān)資料統(tǒng)計，機械故障的70%是振動故障，而振動故障中有 30%是由滾動軸承引起的。滾動軸承故障引起的后果輕則降低和失去系統(tǒng)的某些功能，重 則造成嚴重的甚至是災難性的后果。所W滾動軸承的故障診斷方法，一直是機械故障診斷 中重點發(fā)展技術(shù)之一，本文致力于研究滾動軸承故障的監(jiān)測及預測技術(shù)。
[0003] 為解決軸承故障診斷與預測的問題，人們已經(jīng)提出了各類算法模型，但是該些方 法無法有效實現(xiàn)對軸承故障進行預測。因此需要提出一種不僅能實現(xiàn)對軸承故障的診斷而 且要實現(xiàn)對故障有效預警的模型。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明是基于灰色支持向量機GM(1，D-SVM的軸承故障診斷與預警的方法，不僅 能夠?qū)崿F(xiàn)對滾動軸承的故障診斷，而且能實現(xiàn)對故障的有效預警，有助于提高帶有滾動軸 承的旋轉(zhuǎn)機械系統(tǒng)的安全運行。
[0005] 本發(fā)明采用的技術(shù)方案如下，
[000引本發(fā)明提供的基于灰色支持向量機GM(1，1)-SVM的軸承故障診斷與預警的方法， 至少包括W下幾個部分：
[0007] S1特征變量的提取及關(guān)聯(lián)度分析。滾動軸承是典型的旋轉(zhuǎn)機械，其振動信號的時 域特征變量有均方根值、峰峰值、均值等，頻域特征變量有基頻、2倍頻、3倍頻、4倍頻、8倍 頻等，他們包含豐富的故障信息。對比分析滾動軸承各類故障與正常時的振動信號時域和 頻域的特征變量，選取合適的特征變量。本文選取用于故障判別的特征變量為：
[000引 X = (RMS，峰峰值，lx幅值，2x幅值，3x幅值、4x幅值，8x幅值）。
[0009] MS為振動信號的均方根值，最能代表信號的整體特性，選取RMS時間序列作為參 考序列，其余6個序列作為比較序列，求出參考序列和各比較序列的灰色關(guān)聯(lián)度，去掉關(guān)聯(lián) 度低的2個特征變量。
[0010] 設(shè)參考數(shù)列 Y = {y 化）|k = 1，2,…，n}，
[0011] 比較數(shù)列 Xi=找1化）|k = 1，2,…，n}，i = 1，2,…，m V (足）
[001引 對變量進行無量綱化= = l，2，...，";/' = l，2，...，w (1)
[0013] 參考數(shù)列與比較數(shù)列的灰色關(guān)聯(lián)系數(shù)：
【主權(quán)項】
1. 一種基于灰色支持向量機的滾動軸承故障診斷與預測的方法，其特征在于；該方法 的實施流程如下， S1特征變量的提取及關(guān)聯(lián)度分析；滾動軸承是典型的旋轉(zhuǎn)機械，其振動信號的時域特 征變量有均方根值、峰峰值、均值等，頻域特征變量有基頻、2倍頻、3倍頻、4倍頻、8倍頻等， 他們包含豐富的故障信息；對比分析滾動軸承各類故障與正常時的振動信號時域和頻域的 特征變量，選取合適的特征變量；本文選取用于故障判別的特征變量為： X = (RMS，峰峰值，lx幅值，2x幅值，3x幅值、4x幅值，8x幅值）； MS為振動信號的均方根值，最能代表信號的整體特性，選取RMS時間序列作為參考序 列，其余6個序列作為比較序列，求出參考序列和各比較序列的灰色關(guān)聯(lián)度，去掉關(guān)聯(lián)度低 的2個特征變量； 設(shè)參考數(shù)列Y = {y化）I k = 1，2,…，n}， 比較數(shù)列Xi=找1化）I k = 1，2,…，n}，i = 1，2,…，m Y (k) 對變量進行無量綱化；-、-/(幻= = 1，2，.= l，2，...，m ( 1) /X / U) 參考數(shù)列與比較數(shù)列的灰色關(guān)聯(lián)系數(shù)：
(2) 計算關(guān)聯(lián)度：
（3) 排序關(guān)聯(lián)度，若ri< r j.，那么Xj.化）比Xi化）與參考數(shù)列y化）更緊密； S2建立預測模型，分別使用每種狀態(tài)前10組特征值建立灰色模型和正交多項式作最 小二乘擬合預測模型，后2組作為預測值的對比值，計算兩種模型預測值的誤差，選取誤差 更小的模型一灰色模型； (1)灰色預測模型 灰色系統(tǒng)模型GM(1，1)通過單變量的時間序列{xj(i = 1，2,3，"〇進行一次累加處 理，對該個生成序列建立一階微分方程來掲示其內(nèi)部發(fā)展規(guī)律；
記該一階一個變量的微分方程為GM(1，1) 在上式中，a和U可W通過最小二乘法擬合得到
在式妨中，Ym為列向量Y"=技°似，滬(3)，…，X°(n)]T，

B為矩陣
微分方程（5)所對應的時間相應函數(shù)
由式（6)對一次累加生成數(shù)列的預測值
(2)用正交多項式作最小二乘擬合預測 數(shù)據(jù)擬合是根據(jù)測定的數(shù)據(jù)間的相互關(guān)系，確定曲線y = s(x ;a。，也…，a。）的類型，然 后再根據(jù)在給定點上誤差的平方和達到最小的原則，即求解無約束問題：
(8) 確定出最優(yōu)參數(shù)<X〇，l，…，n)，從而得到擬合曲線y = s>(x); 設(shè)<K，4)?！?，為n+1個函數(shù)，《 i為系數(shù)，滿足：
即 <K，44n在 X = {x。&，…，X。}上正 交，其中
則正規(guī)方程巧）的解為
S3支持向量機基于統(tǒng)計學習理論構(gòu)建的典型神經(jīng)網(wǎng)絡(luò)，其建立一個最最優(yōu)分類超平 面，使得該平面兩側(cè)的兩類樣本之間的距離最大化，從而對分類問題提供很好的泛化能力； 對于樣本（X。y;)，i = 1，2,…，S，其中XiG IT, yiG {+1, -1}，s為輸入變量維數(shù)；用于分類 的超平面方程為：《 ? x+b = 0 將樣本分為兩類：《 ? x+b > 0,（y = +1) CO ? x+b ^ 0, (y = -1) (10) 支持向量機的最優(yōu)超平面是一個使得分類邊緣最大的超平面，即使得^最大，所W 扮 求解最優(yōu)超平面，即min抑?)=垂||0|2 (11) 其應滿足約束條件；y; (? ? Xi+b) -1 > 0, i = 1，2,…，1 在非線性條件下，線性不可分支持向量機的最大化函數(shù)：
(12) 判別目標函數(shù)為
（13)




訓練支持向量機，針對滾動軸承的故障分類，本文選擇兩類SVM來構(gòu)造多類分類器；由 于兩類SVM 1對多算法和1對1算法都存在各自的缺點，本文采用基于二叉樹的支持向量 機多類分類方法；基于二叉樹的兩類分類器構(gòu)造步驟是：第i個分類器將第i類與第i+1， i+2，…，N類分開，構(gòu)造SVMi，直到第N-1個分類器將N-1類與第N類分開；把N-1個SVM 組成多類分類器，構(gòu)造SVM決策樹來識別N類故障。
【專利摘要】一種基于灰色支持向量機的滾動軸承故障診斷與預測的方法，滾動軸承作為機械設(shè)備中的關(guān)鍵部件，其運行狀態(tài)的優(yōu)劣往往影響到整臺設(shè)備的運行性能。本發(fā)明提出了基于GM(1，1)-SVM的滾動軸承故障診斷及預測方法。提取滾動軸承各類故障和正常狀態(tài)下的振動信號時域及頻域特征值，選取重要特征參數(shù)建立預測模型——灰色模型，進行特征值預測；使用軸承各類故障特征值和正常狀態(tài)特征值訓練二叉樹支持向量機，構(gòu)造滾動軸承決策樹判別故障，實現(xiàn)對故障類型的分類，從而達到對軸承故障診斷，并通過預測值與所訓練的支持向量機實現(xiàn)故障預測的目的。
【IPC分類】G01M13-04
【公開號】CN104596767
【申請?zhí)枴緾N201510016333
【發(fā)明人】高亞舉, 楊建武, 亢太體, 劉志峰, 王建華
【申請人】北京工業(yè)大學, 北京思維鑫科信息技術(shù)有限公司
【公開日】2015年5月6日
【申請日】2015年1月13日