[发明专利]滚动轴承故障特征提取方法、智能诊断方法及系统

说明书

本发明提供了滚动轴承故障特征提取方法、智能诊断方法及系统，包括：采集电动驱动端的轴承信号数据，对信号数据进行预处理，将信号数据分为测试集和训练集；采用小波频带能量法提取信号数据的特征，分别得到训练集和测试集的第一特征矩阵；采用小波包—AR谱估计法提取信号数据的特征，分别得到训练集和测试集的第二特征矩阵；采用EMD‑SVD法提取信号数据的特征，分别得到训练集和测试集的第三特征矩阵；将第一、第二和第三特征矩阵拼接处理，并通过PCA进行数据压缩得到降维后的训练集和测试集，并输入到分类器进行数据分析，对故障进行诊断，能够有效保证信号特征的完备性和稀疏性，提高特征提取的泛化准确率，提高分类器的泛化能力。

技术领域

本发明专利属于机械故障诊断领域，尤其是融合了多种特征处理方法和故障识别手段的滚动轴承故障特征提取方法、智能诊断方法及系统。

背景技术

机械故障诊断是在故障发生预期最短的周期内，基于可测量的信号特征，自动的对设备进行监督维护的一种方法。而滚动轴承作为旋转机械中最重要，也是最容易受损的部件一直深受工业界的关注。

现有的轴承故障诊断技术通常包括三个步骤：采集数字信号，处理数字信号，分类器分类。其中采集数字信号主要通过加速传感器获取，而分类器通常采用机器监督学习算法来进行故障识别，虽然此类算法在当今已经相当完善，但是采用监督学习算法进行故障识别在很大程度上依赖于所提取的信号特征。所提取的特征越完整，越具有代表性，其故障识别能力越强，而传统的使用单一特征提取方法，往往不能得到全面有效的特征，因此分类器分类很难表现好的泛化能力。

发明内容

针对现有技术存在的上述不足，本发明采用多种方法从不同角度进行特征提取，并通过一定手段进行降维处理，这保证了所提取特征的完备性和稀疏性，而在分类器分类识别阶段，针对SVM(支持向量机)的参数优化问题，提出采用PSO(粒子群算法)加快参数寻优速度。

第一方面，本发明提供了滚动轴承故障特征提取方法，步骤包括：采集电动驱动端的轴承信号数据，对信号数据进行预处理，将信号数据分为测试集和训练集；

采用小波频带能量法提取信号数据的特征，分别得到训练集和测试集的第一特征矩阵；

采用小波包—AR谱估计法提取信号数据的特征，分别得到训练集和测试集的第二特征矩阵；

采用EMD-SVD法提取信号数据的特征，分别得到训练集和测试集的第三特征矩阵；

将第一、第二和第三特征矩阵拼接处理，并通过PCA进行数据压缩得到降维后的训练集和测试集,即，为轴承故障特征。

第二方面，本发明还提供了一种滚动轴承故障的智能诊断方法，包括采用如第一方面所述的滚动轴承故障特征提取方法获取降维后的训练集和测试集，将降维后的训练集和测试集输入分类器进行训练，对轴承故障进行诊断；

所述将降维后的训练集和测试集输入分类器进行训练的具体步骤包括：初始化粒子群，对粒子速度和位置初始化；

计算粒子的适应度，在当前惩罚项系数和核函数宽度下，计算SVM识别准确率；

寻找极值；更新粒子速度和位置；判断SVM分类误差是否满足终止条件；若满足终止条件，则将测试集放入分类器进行分类，对训练集和测试集的分类结果进行分析；若不满足，则返回寻找极值处继续处理。

第三方面，本发明还提供了一种滚动轴承故障特征提取系统，包括：

采集模块：被配置为，采集电动驱动端的轴承信号数据；

预处理模块：被配置为，对信号数据进行预处理，将信号数据分为测试集和训练集；