[发明专利]一种基于LS-SVM和D-S证据理论的轴承故障诊断方法

说明书

本发明公开了一种基于LS‑SVM和D‑S证据理论的轴承故障诊断方法。通过多层级信息融合方法，在特征层采用最小二乘支持向量机LS‑SVM，在决策层采用D‑S证据理论，以解决单一传感器故障诊断精度低、敏感特征不易提取的问题。首先利用小波降噪技术提高滚动轴承振动信号的信噪比，并引入时域和频域共八个参数作为轴承振动的特征参数。其次，利用LS‑SVM对轴承进行故障识别。最后，将LS‑SVM特征输出作为D‑S证据理论输入，利用D‑S证据理论进行故障决策。该方法可以有效地提高滚动轴承故障诊断精度。本发明对提高滚动轴承故障诊断精度和诊断系统的可靠性有一定的意义。

技术领域

本发明涉及故障识别技术领域，具体涉及一种基于LS-SVM和D-S证据理论的轴承故障诊断方法。

背景技术

滚动轴承作为旋转机械的重要零部件，在工业、农业、运输等行业有着广泛的应用，其运行状态直接关系到机械设备的安全和效率。滚动轴承在恶劣的工作条件下，由于受到载荷、安装、润滑等因素的影响，运转一段时间后将会产生各种类型的失效。因此，滚动轴承是旋转机械中较为薄弱的环节，研究滚动轴承的故障诊断方法具有重要意义。

近年来，很多方法被用于轴承的故障检测，如振动信号检测、油液分析检测、温度检测、声发射检测等。基于振动信号分析的方法在滚动轴承故障诊断中应用最为广泛，概括起来可以分为三类：时域分析、频域分析和时频分析。这三种方法并不是相互独立的，而是在很多场合下可以互补使用。

用于轴承故障诊断的振动信号需要由传感器获得。由于单一传感器在信号获取的数据数量和种类上是有限的，且一旦传感器发生故障将无法获取轴承状态信号。因此，利用多个传感器同时检测轴承的运行状态可以获得更多的诊断信息，并提高诊断的可靠性。但是，受不同传感器的精度差异和测量中随机误差的影响，实际的测量信号可能远和预期的不同。所以，将多个传感器采集到的轴承信息进行融合可获得更高的诊断精度和可靠性。

多传感器信息融合是组合来自多个传感器的数据和相关信息，以获得比单个传独立感器更详细更精确的推理。多传感器信息融合的概念的提出和应用是在军事领域，常被用在预期的分析结果无法直接给出的情况下。随着理论的成熟和发展，多传感器信息融合被广泛的应用于医学影像、无损检测、遥感以及故障诊断等领域。根据数据的来源，信息融合可分为同源信息融合(数据由同一类传感器获得)和非同源信息融合(数据由不同类型传感器获得)。按功能或结构可分为数据级融合、特征级融合和决策级融合，不同级别的融合方法和融合效果也不相同。数据层融合常用的方法有卡尔曼滤波器；特征层融合的很多方法源自模式分类和模式识别，如智能神经网络；决策层融合主要基于不确定性分析方法，如贝叶斯理论、D-S证据理论、模糊决策。

发明内容

基于以上背景技术，本发明利用信息融合技术，提供一种基于特征层和决策层的多层级滚动轴承故障诊断方法。首先，通过小波降噪的方法对采集的轴承振动信号进行降噪处理，引入时域和频域的特征参数用于提取振动信号的特征；其次，利用LS-SVM对不同传感器信号的特征参数集融合，得出故障识别结果；最后，利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果。

为了实现上述目的，本发明采用以下技术方案：

一种基于LS-SVM和D-S证据理论的轴承故障诊断方法，其特征在于，可分为以下几部分：

1)信号预处理：加速度传感器采集轴承的振动信号，首先通过小波降噪的方法对所述振动信号进行降噪处理，然后引入特征参数用于提取振动信号的特征；将所述特征参数进行归一化处理；

2)特征层信息融合：利用LS-SVM对不同传感器信号的特征参数集进行融合，得出故障分类结果；

3)决策层信息融合：利用D-S证据理论，对LS-SVM特征输出进行决策层融合，得出最终故障诊断结果；

其中，所述特征参数包括：时域参数和频域参数。