[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

说明书

本发明公开基于相对熵和K最近邻算法滚动轴承故障诊断方法，包括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；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故障状态下运行产生的振动信号之间的相对熵矢量序列；并将所属故障类型作为训练样本，得到训练好的分类模型；得到未知状态下运行产生的振动数据，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。本发明采用相对熵衡量不同状态轴承之间振动信号的差异，无需计算和优化组合不同的特征指标，直接利用原始振动信号的分布。

技术领域

本发明涉及故障诊断技术领域,尤其涉及一种基于相对熵和K最近邻算法滚动轴承故障诊断方法及系统。

背景技术

滚动轴承被称为“机械的关节”，是旋转机械中非常关键的结构之一，被广泛应用于航空航天、机械制造、汽车船舶等领域，其运行状态往往对这些机械装备的安全稳定运行具有决定性作用。据统计，机械装备的主要故障原因之一就是滚动轴承故障。滚动轴承发生故障直接引起设备停机，如果没有很好的监测和诊断方法，可能会引起更严重的事故。因此，对滚动轴承进行故障诊断至关重要，既可以用于对已发生故障的设备进行故障原因排查和定位，又可以用于设备故障状态在线监测。

目前使用最成熟的滚动轴承故障诊断方法是基于傅里叶变换的谱分析法。基于傅里叶变换的谱分析法的大致过程为:根据轴承结构参数节圆直径、压力角、滚动体直径和滚动体个数，计算其通过频率，然后通过频率与旋转频率的乘积，计算出轴承在特定转速下的特征频率；对原始时域信号进行整周期截断后进行傅里叶变换，转换成频域信号；在频谱中寻找轴承的特征频率及其倍频；如果找到相关特征频率，判定存在对应轴承故障，未找到，则判定为当前轴承无故障。

这种方法的计算量小，流程简单，与旋转机械机理对应，可理解性强，效果好，被广泛应用到旋转机械轴承的故障诊断中。但基于傅里叶变换的谱分析法也有很大局限性：仅适用于稳态信号。事实上，旋转机械产生的原始信号往往具有非常强的非稳态特征，对于非稳态信号，此方法的效果大打折扣，甚至会产生错误结果；需要深厚理论知识。实际使用中如果想要达到理想效果，对原始信号进行截断时需要进行大量判断进而确保所得时域信号的相对稳态，判断算法增加了算法复杂性，且需要非常深厚的理论基础和专家知识；需要大量专家经验。转换成频域信号很好，但由于轴承结构的复杂性，频域中特征频率的识别，亦需依赖于专家经验。

尽管傅里叶变化很成熟，但是傅里叶变化只适合于时不变信号，并且在实际应用场景中，有效的故障诊断频率成分往往都湮没在大量的噪声和其他无用的振动信号当中，需结合专家经验对频谱做分析才能得到可靠的诊断结论。

发明内容

本发明针对现有技术中的缺点，提供了一种基于相对熵和K最近邻算法滚动轴承故障诊断方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于相对熵和K最近邻算法滚动轴承故障诊断方法，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；