[发明专利]一种轴承故障诊断方法

说明书

本发明公开了一种轴承故障诊断方法，包括以下步骤：对滚动轴承振动信号进行故障特征提取；构建SVM分类器模型;根据训练集和IWOA算法更新所述SVM的分类器的惩罚参数和核函数参数：根据获取的最优的惩罚参数和最优的核函数参数构建所述SVM的测试模型，根据测试集、最优惩罚参数和最优核函数参数，以最长寻优时间、最短寻优时间和平均寻优时间、平均准确率、标准差作为评判标准，十折交叉验证后确定轴承的故障结果。本发明轴承故障诊断能力强，识别准确率高。

技术领域

本发明属于机械技术领域，具体来说涉及一种轴承故障诊断方法。

背景技术

滚动轴承是机械设备众多零部件中最常见的传动部件之一，属于易损易耗件。特别是在高速运行的机器中，轴承的故障诊断对确保其安全可靠运行起着重要作用。因此，快速、准确、便捷地诊断轴承故障，判别故障类型具有重大意义。

目前，国内外学者对滚动轴承的故障诊断相关理论与技术进行了大量研究。采用基于集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)奇异值熵判据的滚动轴承故障诊断方法，能够清晰的划分出滚动轴承不同工作状态的类别特征区间。采用了自适应白噪声的完整集成经验模态分解方法(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise，CEEMDAN)分解降噪信号，有效地提取出了滚动轴承的微弱故障特征信息。通过主成分分析法对模糊熵(Fuzzy Entropy，FuzzyEn)特征向量进行可视化降维后作为聚类算法的输入，实现对滚动轴承的故障诊断。而利用概率主成分分析(Probabilistic Principal Component Analysis，PPCA)结合经验小波变换的滚动轴承轻微故障诊断方法，提取了轴承主要故障特征成分，去除强背景噪声干扰，重构了故障信号，提取出了故障特征。而对于支持向量机(Support Vector Machine,SVM)的参数优化，现有粒子群优化算法(Particle Swarm Optimization，PSO)、遗传算法(Genetic Algorithm，GA)、灰狼算法(Grey Wolf Optimizer，GWO)对SVM中分类准确率有较大影响的参数C和惩罚因子σ进行优化，均取得了一定效果，提高了轴承的诊断精度。

鲸鱼优化算法(Whale Optimization Algorithm,WOA)是Mirjalili S等在2016年提出的一种模拟座头鲸狩猎行为的新颖群体元启发式优化算法，WOA算法具有原理简单、操作简便，容易实现，需调参数少及鲁棒性强等优点，但基本WOA算法也可能会出现收敛速度慢、收敛后期出现停滞的缺陷，仍需要进一步改进。

发明内容

本发明的目的在于克服上述缺点而提供的一种轴承故障诊断能力强，识别准确率高的轴承故障诊断方法。

本发明目的及解决其主要技术问题是采用以下技术方案来实现的：

本发明的一种轴承故障诊断方法，包括以下步骤：

(1)故障特征提取：

1)获取轴承的振动信号，通过自适应白噪声的完整集成经验模态分解方法CEEMDAN提取振动信号的IMF模态分量；

2)确定由CEEMDAN提取的IMF模态分量的模糊熵FuzzyEn，重构原始信号：

3)通过概率主成分分析PPCA对重构信号进行主特征提取，剔除冗余信息；

4)将经PPCA处理后的数据集作为特征向量，等比例构造支持向量机SVM的训练集和测试集并添加类别标签；

(2)IWOA-SVM故障诊断：

1)构建SVM分类器模型；

2)根据所述训练集和IWOA算法更新所述SVM的分类器的惩罚参数和核函数参数：