[发明专利]基于混合熵与联合分布适配的变工况下轴承故障诊断方法

说明书

本发明公开了基于混合熵与联合分布适配的变工况下轴承故障诊断方法。根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立源域数据集和目标域数据集；分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；根据迁移学习理论，利用源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。本发明能够有效解决未知负载工况下轴承多类故障状态的识别问题，显著提高故障诊断精度，提升轴承稳定运行水平。

技术领域

本发明属于故障诊断技术领域，特别涉及了一种变工况下的故障诊断方法。

背景技术

滚动轴承是现代机械设备中最常见的基础部件之一，通过将运转的轴与轴座间的滑动摩擦转变为滚动摩擦，从而减少摩擦损失，有效提升机械设备运行效率。研究表明，由滚动轴承发生故障进而引发的机械设备运行异常或事故在设备故障案例中占据较大比例，且滚动轴承故障通常可在监测到的振动信号中得到反映。因此，基于采集到的滚动轴承振动信号样本，研究设计高效可行的滚动轴承故障诊断方法，可有效提高轴承故障诊断精度，提升机械设备可靠稳定运行水平，促使设备维护策略向自动化、智能化方向发展。

目前，针对滚动轴承故障诊断的相关研究大多针对单一负载工况开展。工程实际中，受设备生产任务影响，轴承通常在变负载工况下运行，传统故障诊断方法难以满足准确识别轴承故障工况的应用需求。因此，利用监测获取的轴承振动信号，探究变工况下高效准确识别轴承故障工况的诊断方法，可为解决上述问题提供一条有效的途径。针对变工况下滚动轴承故障诊断，目前尚未系统深入地进行相关研究，缺乏合理完备的基于混合熵与联合分布适配的变工况下轴承故障诊断方法，尚不能满足对轴承实施准确诊断、智能维护的功能需求。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了基于混合熵与联合分布适配的变工况下轴承故障诊断方法。

为了实现上述技术目的，本发明的技术方案为：

基于混合熵与联合分布适配的变工况下轴承故障诊断方法，包括以下步骤：

(1)根据负载工况是否已知对滚动轴承振动的原始样本数据集进行划分，建立用于变工况下滚动轴承故障诊断的源域数据集和目标域数据集；

(2)分别对源域数据集和目标域数据集包含的各样本信号进行时频分解，获取各样本信号的本征模态函数；

(3)根据非线性度量熵理论，计算各样本信号各IMF分量的非线性熵参数，构建样本信号的多尺度混合熵特征向量；

(4)根据迁移学习理论，实现目标域数据对源域数据的迁移学习，利用步骤(3)得到的源域数据集和目标域数据集中各样本信号的多尺度混合熵特征向量构建基于联合分布适配的变工况下滚动轴承故障诊断模型，输出最终诊断结果。

进一步地，在步骤(2)中，采用快速集成经验模态分解方法对源域数据集和目标域数据集包含的各样本信号进行时频分解。

进一步地，在步骤(3)中，所述非线性熵参数包括排列熵、样本熵、能量熵、奇异谱熵和功率谱熵。

进一步地，步骤(3)的具体过程如下：

(3-1)根据频率高低对各样本信号的本征模态函数进行排序；

(3-2)计算各IMF分量的排列熵、样本熵、能量熵、奇异谱熵和功率谱熵：