[发明专利]一种滚动轴承早期损伤状态的智能评估识别方法

说明书

本发明公开了一种滚动轴承早期损伤状态的智能评估识别方法，首先利用最小最大值归一化法对滚动轴承早期损伤振动特征数据集进行处理，得到无量纲的特征数据；然后建立支持向量机决策树，并通过粒子群算法对支持向量机的核参数和惩罚参数联合优化；最后利用参数优化的支持向量机对滚动轴承损伤状态数据进行自动分类与智能决策，得到各状态特征数据对应的状态类别，实现对滚动轴承早期损伤状态的准确评估识别。本发明只需少量有效数据即可实现滚动轴承早期损伤状态的准确分类，运行时间短、计算效率高，能自动给出滚动轴承早期损伤状态的评估识别结果，智能化程度较高，状态识别结果准确有效，为轴承及设备的安全运行及实时维护提供重要的参考依据。

技术领域

本发明属于机械设备故障识别技术领域，尤其涉及一种滚动轴承早期损伤状态的智能评估识别方法。

背景技术

滚动轴承在使用过程中若出现损伤状态，需要及时对其进行检修维护，避免设备发生故障，特别是对滚动轴承早期损伤状态进行及时评估与识别，可有效减少设备发生故障的概率。目前，国内外对滚动轴承损伤状态进行评估识别，主要都是利用轴承的振动信号进行分析，进而对滚动轴承的损伤状况及原因做出辨识与决策，其中，基于机器学习的故障诊断方法取得了较好的损伤评估及识别效果。但是，由于转子轴承系统具有强非线性特性，轴承振动信号表现出明显的非平稳特性，且轴承运行环境复杂多变，使得轴承早期损伤状态难以有效识别，直到滚动轴承损伤程度进一步加剧时，才能发现轴承健康状况出现异常。也就是说，轴承早期损伤状态没有得到及时评估识别，而这有可能导致滚动轴承完全失效甚至整台设备报废。

发明内容

针对上述背景技术中指出的不足，本发明提供了一种滚动轴承早期损伤状态的智能评估识别方法，能自动给出滚动轴承早期损伤状态的评估识别结果，状态识别结果准确有效。

为实现上述目的，本发明采用的技术方案是：

一种滚动轴承早期损伤状态的智能评估识别方法，包括以下步骤：

(1)对于一个包含M维状态特征N个样本的滚动轴承早期损伤振动特征数据集且X中有C类状态特征数据，利用最小最大值归一化方法对其进行处理，得到无量纲的特征数据，归一化方法处理过程如下：

(2)建立可实现多分类的支持向量机决策树，并通过粒子群优化算法对支持向量机惩罚参数和核参数进行联合优化；

(3)采用5折交叉验证法，将归一化处理后的数据集X输入参数优化的支持向量机决策树进行训练；对待识别的滚动轴承早期损伤状态特征数据集进行归一化预处理，再将其输入训练好的支持向量机决策树进行自动判别，得到各状态特征数据对应的状态类别，即可获得滚动轴承早期损伤状态的评估识别结果。

优选地，步骤(2)中，所述多分类的支持向量机决策树的建立方法如下：

对于一个两类样本集S＝{(y_i,b_i)}，i＝1,2,…,L，y_i∈R^M，b_i∈{-1,1}，其中，L为样本数目，y_i为M维特征，b_i为类别标签，在M维空间R^M中，若样本集线性可分，则该空间中存在一个将S分为b_i＝-1和b_i＝1两类的超平面，其方程表示为：

f(y)＝w·y+h＝0，

其中，w是一个M维的权向量，实际上为超平面的法向量；h为偏置量；

对于集合S中的所有样本点(y_i,b_i),i＝1,2,…,L，应满足：