[发明专利]一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法

说明书

技术领域

本发明涉及轴承变工况故障诊断的技术领域，具体涉及一种基于Hessian局部线性嵌入(Hessian locally linear embedding,HLLE)、快速傅里叶变换(fast Fourier transform,FFT)和基于信息几何的支持向量机(information geometry-based support vector machine,IG-SVM)的故障诊断方法。

背景技术

轴承是机电系统的一个重要的组成部分，其性能好坏对系统的安全、可靠运行有着非常重要的影响。由于机电系统变得日益复杂，内部耦合性也不断增强，使得采集到的轴承振动信号的非线性、非平稳性、混沌特性日益增强，基于振动信号的轴承故障诊断越来越困难。轴承突然故障将会带来巨大的经济损失甚至是人员伤亡。而一味提高轴承的质量又会增加周期维修费用，因此，为了降低轴承使用和维护费用，保证系统的可靠运行，高效的轴承故障诊断方法很有必要。

在工业维护领域，轴承故障诊断得到了大量的关注，研究者们提出了很多基于振动信号的诊断方法。在轴承故障诊断中，如何从非线性、非平稳性的振动信号中提取故障特征信息是一个难点，尤其是如何提取到可以抵抗工况变化的特征。在非线性信号处理方面，时频分析方法比传统的时域分析和频域分析方法更有效。典型的时频分析方法有小波包分解(wavelet packet decomposition,WPD)，经验模态分解(empirical mode decomposition,EMD)，希尔伯特黄变换(Hilbert Huang transform,HHT)，以及局部均值分解(local mean decomposition,LMD)。但是，这些方法的提出没有强大的非线性理论基础，在实际应用中会出现过包络、欠包络、模态混淆、端点效应等问题，限制了这些方法的工程应用。而流形学习方法以强大的非线性理论为基础，通过在高维空间中构建信号的拓扑结构，从中提取内在流形特征来反映轴承的健康状态。本发明选取了一种快速、高效的流形学习方法，Hessian局部线性嵌入(Hessian locally linear embedding,HLLE)，该方法对于非凸流形也能保持较好的应用效果。因此，本发明方法应用HLLE从原始振动信号中提取能够表征轴承健康状态的内在流形特征。

基于HLLE提取的内在流形特征是一个很大的特征矩阵，难以直接作为故障特征向量支持后续分析。对于特定轴承而言，不同故障的特征频率是可计算的固定值，在不同健康状态下，这些频率所对应的幅值大小是不同的，因此，对内在流形特征进行FFT变换，得到信号的频谱图，在图中提取故障特征频率及其二倍频、三倍频等特殊频率所对应的幅值大小，组成轴承故障特征向量。该特征向量可以抵抗工况变化的影响，为变工况故障诊断提供了有力支撑。基于提取的故障特征向量，应用IG-SVM对故障状态进行判定。由于IG-SVM对核函数及其参数的依赖性比较小，降低了算法的复杂度，分类性能比SVM更好。

发明内容

本发明技术解决方案：提供一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法，能够有效抵抗工况扰动的故障特征，保证了轴承故障诊断的准确度，具有很好的实际工程应用价值。

本发明采用的技术方案为：一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法，步骤如下：

步骤(1)、应用HLLE方法获取轴承原始振动信号中流形拓扑结构的内在流形特征；

步骤(2)、对内在流形特征进行快速傅里叶变换(fast Fourier transform,FFT)得到频谱图，在频谱图上提取轴承故障特征频率及其二倍频、三倍频等特殊频率处对应幅值的大小，组成轴承的故障特征向量；

步骤(3)、以提取的频谱特征作为分类器的输入向量，应用IG-SVM进行故障分类，实现变工况条件下轴承的故障诊断。

进一步的，所述的步骤(1)具体为：首先基于相空间重构方法，将轴承非线性非平稳的一维原始振动信号x(t)重构到高维空间中，然后利用流形学习方法HLLE分析信号的流形拓扑结构并提取其内在特征。