[发明专利]一种基于高阶原点矩的滚动轴承故障诊断方法及系统

权利要求书

1.一种基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述方法包括：

提取滚动轴承运行中正常工况和故障工况样本数据，对数据进行标准化处理；

采用小波分解方法将时域信号分成五层信号；

计算正常工况和三种故障工况的四阶原点矩；

以向量夹角角度为特征，把计算得到的五层信号四阶原点矩(1,2,3,4,5)组合成两个向量，分别为向量A(1,2,3)和向量B(3,4,5)，并计算向量A(1,2,3)和向量B(3,4,5)之间的夹角；

确定四种工况的区分范围，计算不同数据量大小的正确率；

建立正确率与数据量之间关系的指标函数，选取最优数据量大小；

建立SVM支持向量机分类器，将训练样本和测试样本分别输入SVM分类器进行分类诊断。

2.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述提取滚动轴承运行中正常工况和故障工况样本数据，对数据进行标准化处理，包括：

其中，x^*为标准化处理后的数据；x为原始数据；x_max为原始数据中的最大值；x_min为原始数据中的最小值。

3.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述采用小波分解方法将时域信号分成五层信号，包括：采用小波分解方法选时域信号中db8小波为小波基，并把db8小波分成五层信号。

4.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述计算正常工况和三种故障工况的四阶原点矩，包括：

其中，k为四阶原点矩，a为数据，n为数据量大小。

5.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述以向量夹角角度为特征，把计算得到的五层信号四阶原点矩(1,2,3,4,5)组合成两个向量，分别为向量A(1,2,3)和向量B(3,4,5)，并计算向量A(1,2,3)和向量B(3,4,5)之间的夹角，包括：

向量夹角角度为特征，把小波分解得到的五层信号，每一层信号计算得到一个四阶原点矩，五层信号共得到五个四阶原点矩，由于通过小波分解获得的五层信号在空间上彼此垂直，将由每一层信号计算出的四阶原点矩合并为一组空间向量；

按顺序排列得到一组向量(1,2,3,4,5)，将向量(1,2,3,4,5)组合成两个向量，分别为向量A(1,2,3)和向量B(3,4,5)，并计算向量A(1,2,3)和向量B(3,4,5)之间的夹角；其公式为：

其中θ表示角度，表示向量(1,2,3)，表示向量(3,4,5)。

6.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述确定四种工况的区分范围，计算不同数据量大小的正确率，包括：

计算四个工况的四阶原点矩；

计算每个工况的特征角；

以训练数据计算得到的特征角度作为训练特征，然后计算每个工况的训练角度平均值，以获得四个工况的四个平均角度，依次为正常运行的平均角度，内圈故障的平均角度，滚珠故障的平均角度和外圈故障的平均角度。

7.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述建立正确率与数据量之间关系的指标函数，包括：

其中，c是正确率，d表示数据量大小，α表示调节系数，y是指标函数。

8.根据权利要求1所述的基于高阶原点矩的滚动轴承故障诊断方法，其特征在于，所述建立SVM支持向量机分类器，将训练样本和测试样本分别输入SVM分类器进行分类诊断，包括：

建立SVM支持向量机分类器，将训练样本和测试样本分别输入SVM分类器进行分类诊断；

识别结果1表示正常工况，2表示内圈故障，3表示滚珠故障，4表示外圈故障，实现对测试样本的区分进行故障诊断。

9.一种基于高阶原点矩的滚动轴承故障诊断系统，其特征在于，所述系统包括：

提取模块，用于提取滚动轴承运行中正常工况和故障工况样本数据，对数据进行标准化处理；

小波分解模块，用于采用小波分解方法将时域信号分成五层信号；

第一计算模块，用于计算正常工况和三种故障工况的四阶原点矩；

第二计算模块，用于以向量夹角角度为特征，把计算得到的五层信号四阶原点矩(1,2,3,4,5)组合成两个向量，分别为向量A(1,2,3)和向量B(3,4,5)，并计算向量A(1,2,3)和向量B(3,4,5)之间的夹角；

确定模块，用于确定四种工况的区分范围，计算不同数据量大小的正确率；

建立模块，用于建立正确率与数据量之间关系的指标函数，选取最优数据量大小；

故障诊断模块，用于建立SVM支持向量机分类器，将训练样本和测试样本分别输入SVM分类器进行分类诊断。