[发明专利]基于多特征流形学习与支持向量机的轴承故障诊断方法

说明书

技术领域

本发明涉及轴承机械故障诊断，尤其涉及一种基于多特征流形学习与支持向量机的滚动轴承故障诊断方法，属于机械故障诊断和计算机人工智能技术领域。

背景技术

滚动轴承是旋转机械中的关键零部件，具有摩擦小、精度高、成本低廉、互换性好等优点，在冶金、石油、化工、航天航空、煤炭电力等各个部门中得到广泛应用。但是，滚动轴承也是旋转机械中最容易损坏的零部件之一，滚动轴承抗冲击能力较弱，在冲击作用下很容易诱发故障产生。滚动轴承一旦发生故障极易导致整个机械系统瘫痪，因此对滚动轴承进行早期状态监测、分析与诊断在工程应用中具有重要意义。

滚动轴承故障诊断的关键是提取有效反应轴承运行状态与故障形式的特征参数。振动信号携带大量代表机械设备健康状况的信息，由此振动分析方法成为旋转机械故障诊断中最常用的方法之一。但滚动轴承早期故障信号微弱，加上工作环境中的噪声和其它干扰因素影响，信噪比很低，而且大多为非平稳非线性信号，特征提取困难很大，采用传统的振动分析方法难以做到可靠、高效的滚动轴承状态识别与故障诊断。

目前常用的机械故障特征提取方法主要有：傅里叶变换(FastFouriertransform，简称FFT)、稀疏表示提取瞬态特征、小波变换和经验模态分解(Empiricalmodedecomposition，简称EMD)、局部中值分解(Localmeandecomposition，简称LMD)、人工智能等。FFT方法能够直接从信号中找到感兴趣的频率成分，但是却无法同时兼顾信号在时域和频域中的全貌和局部化信息。稀疏表示提取瞬态特征，但是由于它的计算量大等特点，在一定程度上限制了它的发展。小波变换的结果较大程度上取决于小波基的选择，而通常小波基的选取是较难的。EMD方法和LMD方法均属于递归式模态分解，均存在模态混叠、端点效应、受采样频率的影响、同时还无法将两个频率相近的分量正确分离等缺点。基于人工智能的故障诊断方法中，目前应用较多的就是人工神经网络，但其缺点是推理过程解释性差，而且当待诊断样本不完备(数据有缺失)时，神经网络不能进行有效的推理工作，无法利用故障的早期特征对轴承进行相应诊断。

由于现有的机械故障诊断手段都在一定程度上存在缺陷，故而采用现有的机械故障诊断方法都难以对轴承故障进行较为准确的识别和诊断。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提出一种基于多特征流形学习与支持向量机的轴承故障诊断方法，本方法能够提高滚动轴承故障诊断的准确性和有效性。

本发明的技术方案是这样实现的：

基于多特征流形学习与支持向量机的轴承故障诊断方法，步骤如下：

1)在四种不同工况下的滚动轴承转动工作时，通过加速度传感器分别采集每种工况下滚动轴承在不同转速工作的振动加速度信号，进行去噪预处理，并添加工况标签，将经过预处理并添加工况标签后的各种工况下的各个振动加速度信号作为训练样本；四种工况分别为正常运转、轴承内圈故障运转、轴承滚动体故障运转、轴承外圈故障运转；

2)对训练样本的四类工况数据分别提取它们的时域特征参数、频域特征参数和时频域特征参数；时域特征参数包括有量纲参数和无量纲参数，其中有量纲参数为均值、均方根值、方根幅值、绝对平均值、方差、最(小)大值、峰—峰值、峭度；无量纲参数为波形指标、峰值指标、脉冲指标、峭度指标、波峰因子、边缘因子、偏斜度、时域信息熵；频域特征参数为总功率谱和、莱斯频率、频率重心、频率方差、谐波指标、均方频率、频域信息熵；时频域特征参数为小波包能量；

3)对四类工况数据多特征提取之后，再进行流行学习，得到从高维数据特征集中提取隐藏其中的低维流形结构；

4)通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号，并进行去噪预处理，作为测试样本；

5)提取测试样本的时域特征参数、频域特征参数和时频域特征参数；时域特征参数包括有量纲参数和无量纲参数，其中有量纲参数为均值、均方根值、方根幅值、绝对平均值、方差、最(小)大值、峰—峰值、峭度；无量纲参数为波形指标、峰值指标、脉冲指标、峭度指标、波峰因子、边缘因子、偏斜度、时域信息熵；频域特征参数为总功率谱和、莱斯频率、频率重心、频率方差、谐波指标、均方频率、频域信息熵；时频域特征参数为小波包能量；

6)按步骤3)对测试样本进行流形学习得到低维流行结构；