[发明专利]基于相对熵和K最近邻算法滚动轴承故障诊断方法及系统

权利要求书

1.一种基于相对熵和K最近邻算法滚动轴承故障诊断方法，其特征在于，包括以下步骤：

获取轴承在各种故障状态下运行产生的振动数据以及健康状态下运行的振动数据，各种故障状态至少包括内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态；

对采集到的振动数据进行等长度部分重叠滑窗截取划分，得到划分结果；

根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列，得到至少4组相对熵矢量；

将至少4组相对熵矢量标记出对应的所属故障类型，并将所属故障类型作为训练样本，利用K最近邻算法进行训练，得到训练好的分类模型；

获取未知状态下运行产生的振动数据，基于未知状态下运行产生的振动数据分别获得与健康状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态下运行产生的振动信号之间的相对熵矢量；

将获得的相对熵矢量作为分类模型的测试样本，利用分类模型对所述测试样本进行测试，进而对滚动轴承故障继续诊断，得到诊断结果。

2.根据权利要求1所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法，其特征在于，所述对采集到的振动数据进行等长度部分重叠滑窗截取划分，得到划分结果，具体原理步骤为：

将采集到的每类振动数据按照类别设置为不同的数据集，选择一种数据集，记作数据集A，数据长度为len，每次滑动的步长为step；

窗函数选择矩形窗，窗口长度为window，window选取轴承旋转周期的整数倍，滑动步长step小于窗口长度window；

采用滑窗将数据集A划分为组长度为M的子集，记为

3.根据权利要求1所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法，其特征在于，所述相对熵矢量包括正序熵矢量和负序熵矢量，相对熵计算过程如下：

设p₁(x)和p₂(x)是连续随机变量X的两个概率密度函数，则p₁(x)和p₂(x)的距离表示为：

即δ(p₁(x)，p₂(x))即为所求的相对熵；

将δ(p₁(x)，p₂(x))记为正序相对熵，δ(p₂(x)，p₁(x))记为反序相对熵。

4.根据权利要求3所述的基于相对熵和K最近邻算法滚动轴承故障诊断方法，其特征在于，所述根据划分结果分别计算健康状态下运行产生的振动数据与内圈故障、外圈故障、滚动体故障、保持架故障状态下运行产生的振动信号之间的相对熵矢量序列，得到至少4组相对熵矢量，具体为：

假设健康状态的振动数据集为内圈故障状态的振动数据集为都服从高斯分布，记振动数据集S和振动数据集的均值和方差分别为μ，σ²和

则p(s)＝N(μ,σ²)，

由此可得，内圈故障状态的振动数据集的均值服从正常分布，内圈故障状态的振动数据集的方差服从卡方分布χ²，同理可得，外圈故障状态的振动数据集、滚动体故障状态的振动数据集和保持架故障状态的振动数据集的均值也都服从正常分布，方差也都服从卡方分布；

综上所得，p(s)和之间的KL距离计算公式为：

利用KL距离进行检测就可以转化为：

K＝0，S和来自同一分布；

K≠0，S和来自不同分布。