[发明专利]一种滚动轴承在线故障检测方法

说明书

本发明涉及一种滚动轴承在线故障检测方法，首先从轴承振动信号，利用四维联合熵特征与Holder系数特征提取算法，提取任意振动信号中表征故障特征的主导特征向量，然后通过灰色关联理论算法自动地识别出轴承的故障类型及不同的严重程度。解决采用传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，本发明准确有效的识别不同的滚动轴承故障类型及故障严重程度；四维联合熵特征与Holder系数特征提取算法，能够从滚动轴承的振动信号中提取出更具区分度的表征故障特征的特征向量；灰色关联算法对滚动轴承的故障识别成功率能够达到100%，而对不同故障类型及故障严重程度的总体识别成功率也能达到约97%。

技术领域

本发明涉及一种故障检测技术，特别涉及一种滚动轴承在线故障检测方法。

背景技术

滚动轴承作为重要部件，被广泛应用于几乎所有类型的旋转机械中。滚动轴承故障是旋转机械失效和损坏的最主要原因之一，并带来巨大的经济损失。为确保机组运行可靠并减少经济损失，研发一种可靠有效的滚动轴承故障诊断方法是极为必要的。在众多轴承故障诊断方法中，基于振动信号的诊断方法已经在过去几十年间受到了广泛关注。

轴承的振动信号蕴含着丰富地机械健康状况信息，这也为通过信号处理技术从振动信号中提取表征机械健康状况的主导特征成为可能。当前，许多信号处理技术已经应用于轴承故障监测和诊断。然而，由于存在许多非线性因素(如，刚度、摩擦、间隙等)，轴承诊断信号(特别是故障状态时)将表现为非线性和非稳态的特征。另外，实测的振动信号不仅包含与轴承本身相关的运行状况信息，还包含大量的机组设备中其他旋转部件和结构的信息(这些相较于前者属于背景噪声)。由于背景噪声通常较大，轻微的轴承故障信息容易淹没于背景噪声中，并很难被提取。因此，常规的时域和频域方法(主要针对线性振动信号)，甚至更为先进的信号处理技术(如，小波变换(WT)等)，不容易对轴承工作健康状况做出准确的评估。

随着非线性动力学的发展，许多非线性分析技术已经被应用于识别和预测轴承复杂的非线性动态特性。其中，较为典型的一种方法是通过一些先进的信号处理技术(如，小波包分解(WPT)、希尔伯特变换(HT)、经验模态分解(EMD)、高阶谱(HOS)等)的结合运用来从振动信号中提取故障特征频率，并进一步与理论特征频率值比较来评估轴承健康状况(需要结合专家的经验判断)。随着人工智能的发展，轴承故障诊断过程越来越多地被引入模式识别的范畴，并且其诊断的有效性和可靠性主要取却于表征故障特征的主导特征向量的选取。近来，一些基于熵的方法(如，近似熵(ApEn)、样本熵(SampEn)，模糊熵(FuzzyEn)、分级熵(HE)、分级模糊熵等)，已经被提出用于从轴承振动信号中提取表征故障特征的主导特征向量，并获得了一定效果。

通常，故障特征提取之后，需要一种模式识别技术来实现轴承故障的自动化诊断。现今，各种模式识别方法已经应用于机械故障诊断中，其中，应用最为广泛的当属人工神经网络(ANNs)和支持向量机(SVMs)。其中，人工神经网络(ANNs)的训练需要大量的样本，这是实际应用中很难甚至是不可能办到的，尤其是包含故障特征的样本。支持向量机(SVMs)基于统计学习理论(特别适合于小样本训练的情况)，比人工神经网络(ANNs)具有更优的泛化能力，并能确保局部的最优解与全局的最优解一致。然而，支持向量机(SVMs)分类器的准确性取决于其最优参数的选择。为确保诊断准确性，往往需要融入一些优化算法和/或设计成复杂的多类结构来弥补改善支持向量机(SVMs)的有效性。

发明内容

本发明是针对传统时域和频域方法不易对滚动轴承工作健康状况做出准确的评估的问题，提出了一种滚动轴承在线故障检测方法，基于熵特征、Holder系数特征与灰色关联理论的滚动轴承在线故障检测，能够在确保检测实时性的同时准确有效的识别不同的滚动轴承故障类型及故障严重程度。

本发明的技术方案为：一种滚动轴承在线故障检测方法，具体包括如下步骤：