[发明专利]一种基于改进MSET及频谱特征的轴承故障预警及诊断方法

权利要求书

1.一种基于改进MSET及频谱特征的轴承故障预警及诊断方法，其特征在于包括以下步骤：

步骤一：获取原始振动信号，采集轴承的原始振动信号；

步骤二：获得故障特征频率：利用轴承的尺寸参数，计算各部位的理论故障特征频率，根据故障特征频率的变化量确定实际频率范围；

步骤三：包络谱分析：利用快速谱峭度及带通滤波法对原始振动信号进行滤波，对滤波后的振动信号进行分析并得到包络谱，提取各部位实际频率范围内频率幅值最大处对应的频率作为实际故障特征频率，并将所述各部位的实际故障特征频率的幅值作为监测参数；

步骤四：改进MSET建模：建立历史记忆矩阵，采用基于聚类方法的抽样方式用于历史记忆矩阵的构建，利用得到的历史记忆矩阵建立MSET模型，并计算实时获取的振动信号的估计向量及各监测参数的残差；

步骤五：故障预警：利用整体偏离程度及残差偏离程度构建相似度模型，计算历史记忆矩阵的相似度的值，并利用这些相似度的均值及标准差构建监测阈值，通过比较实时相似度与监测阈值进行故障预警决策；

步骤六：故障诊断：对发出预警后的信号，利用残差贡献度及频率幅值贡献度构建故障贡献率模型，用于对轴承的故障部位进行诊断；

其中，在所述步骤四中的MSET模型，为一种状态监测方法，通过比较实时振动信号的数据与历史记忆矩阵中的参数的误差来判断当前数据是否出现异常，其步骤如下：

在该式中，D_ij即为x_j(t_i)，用于表示监测参数x_j在t_i时刻的测量值，X(t_i)为矩阵D_n×m中t_i时刻的观测向量，m表示矩阵中存在m个观测时刻，i＝1,2,...,m，n表示矩阵中的n个监测参数，j＝1,2,...,n，D_n×m表示MSET的历史记忆矩阵，也可用D表示；

在该式中，X_O表示某一时刻的观测向量，X_e表示该向量的估计向量，W表示权值向量且W＝[w₁,w₂,...,w_m]^T，每一个权值w_i表示X_O与矩阵D中t_i时刻状态向量的相似性测度，其中i＝1,2,...,m，为非线性运算符，这里采用欧式距离的方式运算；

ε＝X_e-X_o＝[ε₁,ε₂,...,ε_n]

在该式中，ε表示估计误差向量，ε_j，j＝1,2,...,n，表示每个监测参数的误差值；且

其中，在所述步骤四中的历史记忆矩阵的构建，包括用基于聚类的抽样方法构建正常状态空间的历史记忆矩阵D，其步骤如下：

a)从原始振动信号中选取L个时刻的正常状态数据，计算每个时刻正常状态数据的监测参数作为观测向量X(t_i)，L个观测向量构成样本总体；

b)首先计算样本总体中每一个观测向量X(t_i)的欧氏距离

其中，d(X(t_i))表示该观测向量X(t_i)到原点的距离，x_j(t_i)表示监测参数x_j在t_i时刻的测量值；

c)接着采用K-means聚类的方法将正常状态数据的样本总体分为K类，计算每一类状态占总体的概率p_k；

d)确定历史记忆矩阵D中所需观测向量数量为m，则从每一类的状态向量中选取的向量数为m_k＝p_k×m；

e)采用随机抽取的方式，从第k类数据中选取m_k个观测向量加入到历史记忆矩阵D中。