[发明专利]一种滚动轴承故障诊断方法

说明书

本发明公开了一种滚动轴承故障诊断方法，所述故障诊断方法包括：设置各故障基准概率分布Ysubgt;i/subgt;；分别求解各待测信号Xsubgt;i/subgt;与所述各故障基准概率分布Ysubgt;i/subgt;之间的最优输运距离；组建最优输运距离矩阵，将所述最优输运距离矩阵作为故障特征矩阵T；使用分类器对所述故障特征矩阵T进行分类判断并输出诊断结果。本发明可以在较少的样本数量、不完备的样本情况时，能对轴承故障进行有效的诊断，其正确率高、耗时短、实时性好、且不受分类器限制；可以对未知工况的故障做出精准的预测，解决了实际运行过程中，复杂工况的轴承故障诊断问题。

技术领域

本发明涉及机械故障领域，具体涉及轴承振动信号的实时故障诊断。

背景技术

滚动轴承的故障诊断，主要是为可靠的轴承运行提供支撑，目前存在方法主要分为四类：时域分析法，频域分析法、时频分析法和基于智能优化算法的方法，时域分析是根据信号的时间波形，分析信号的组成和特征量，常用的时域指标有峰值、有效值、脉冲、裕度、峭度等，但其精密性不佳，易受噪声影响；频域分析法是将故障信号变换到频域中，通过对频谱进行分析，常用的有傅里叶变换、谱峭度、倒频谱等，存在精度和参数选择问题；时频分析法是将时域信号映射到时频平面，反映非平稳信号的时频联合特征，常用的有小波分解、经验模态分解、局部均值分解等，但存在模式混叠现象、时频分布偏移等问题；基于智能优化算法的方法主要有基于遗传算法、卷积神经网络、深度置信网络等，这些方法需要大量的样本和较长的训练时间，难以实时诊断。

时域分析法常常需要多种时域指标提取特征量，这些特征量不能准确的反映故障的差异性，而且预测的准确性一般；频域分析法和时频分析法需要进行变换域，需要在设计各种复杂的算法进行迭代，诊断周期较长；基于智能优化算法的方法对于故障的基础数据量需求巨大，其构建的模型缺乏物理意义，需要长时间的训练模型。此外，轴承工作在多种工况时，特别出现样本中不存在的工况时候，模型难以适应变化，识别的准确率会大幅下降。因此如何解决轴承故障诊断过程中，特别是轴承工作在未知工况时，准确率不高、训练时间长、实时性差的问题是目前有待解决的问题。

发明内容

本发明要解决的技术问题是轴承故障诊断过程中，特别是轴承工作在未知工况时，准确率不高、训练时间长、实时性差的问题，提供一种基于最优输运理论的滚动轴承故障诊断方法。

本发明是通过下述技术方案来解决上述技术问题：

一种滚动轴承故障诊断方法，所述故障诊断方法包括：

设置各故障基准概率分布Y_i；

分别求解各待测信号X_i与所述各故障基准概率分布Y_i之间的最优输运距离；

组建最优输运距离矩阵，将所述最优输运距离矩阵作为故障特征矩阵T；

使用分类器对所述故障特征矩阵T进行分类判断并输出诊断结果。

进一步地，获取所述各故障基准概率分布Y_i包括：

将获取的轴承不同状态数据作为最优输运模型中高维数据的一个低维流形；

所述轴承不同状态数据的概率分布分别对应所述低维流形的不同子类；

获取所述各故障基准概率分布Y_i。

进一步地，获取所述最优输运距离包括：

在X×Y空间上定义非负可测函数C(x，y)；

获取边际概率U和V，投影映射π_x＝U，π_y＝V；

获取所述最优输运距离X_i＝{∫_X×YC(x，y)dπ(x，y)}。