[发明专利]一种基于故障特征融合的轴承健康监测方法

说明书

本发明涉及一种基于故障特征融合的轴承健康监测方法，包括：通过N个加速度传感器采集轴承运行过程中的振动信号；提取振动信号的特征获得N个原始特征集；将N个原始特征集分别输入N个多测度分层模型，经特征筛选获得最佳特征子集与对应的敏感度权重矩阵；通过神经网络训练最佳特征子集，重构敏感度权重矩阵；利用WKPCA算法将各最佳特征子集进行加权融合并输入神经网络进行模型训练；提取待检测的轴承故障特征数据并输入到训练好的神经网络模型中，根据输出结果判断轴承的故障状态。本发明通过振动信号的筛选与融合，降低了特征的冗余性，提高了轴承故障诊断的精度和稳定性。

技术领域

本发明涉及轴承故障诊断技术领域，尤其是一种基于故障特征融合的轴承健康监测方法。

背景技术

对机械设备的监测系统，选择合适的特征来描述设备运行状态是关键环节，好的特征可敏感地反映设备由正常向故障发展的趋势。建立能够科学描述机械装备运行状态的特征选择模式，用这种模式去挖掘设备运行中的有用信息，对推动健康监测技术向科学方向发展具有重要作用。常见的健康监测系统采用特定的时域、频域、时频域指标对设备的运行状态进行描述，这些特定指标的选取往往来自于专业技术人员以及专家经验。其存在的缺点有：只对特定设备及其故障有良好的诊断效果，不具有普遍适用性。在复杂的工业测试现场，如故障信息复杂多变，往往夹杂着背景噪声和多传感器测量噪声，也可能包含内外激励以及多个故障的耦合，特定的故障特征与故障类别之间存在着不完全对应的问题。

现有技术中，对信号特征进行筛选即信号特征选择，为解决特征冗余以及故障特征与故障类别不匹配的问题提供了思路。但是常规的信号特征选择的单一评价指标下有效特征受评价指标影响大，特征选择效果不稳定。另外，常规的信号特征选择无法对多传感器下的信息进行筛选与融合。因此，需要利用特征融合将不同传感器的多源信号进行归纳与整合。

现有技术中，对多传感器进行特征融合时存在的主要问题有：一是未考虑特征与故障之间、传感器与故障之间的敏感性。二是不同位置的传感器，采集到的故障信息具有差异性，若所有传感器的特征都以相同权值进行融合，会导致具有高敏感性传感器中的特征被弱化，从而降低了故障样本子集的可分性。

因此研究如何降低轴承运行信号特征冗余，对有效解决不同故障数据集的类别划分问题具有非常重要的意义。

发明内容

针对现有技术的不足，本发明提供了一种基于故障特征融合的轴承健康监测方法，目的是降低轴承运行信号特征冗余，提高故障诊断结果的准确性。

本发明采用的技术方案如下：

一种基于故障特征融合的轴承健康监测方法，包括：

S1、通过N个加速度传感器采集轴承运行过程中的振动信号；

S2、提取振动信号的时域、频域、时频域特征，获得共N个原始特征集；

S3、将N个原始特征集分别输入N个多测度分层模型，所述多测度分层模型采用Pearson相关系数、信息增益以及互信息作为评价准则，依次进行特征筛选，获得最佳特征子集与对应的敏感度权重矩阵w_ij；

S4、通过神经网络训练每个加速度传感器对应的最佳特征子集，获得信息量指标p_i′，利用所述信息量指标重构获得优化的敏感度权重矩阵W_ij，W_ij＝w_ij×p_i′；

S5、利用WKPCA算法将各多测度分层模型得到的所述最佳特征子集进行加权融合：以所述优化的敏感度权重矩阵W_ij为依据进行加权，并通过QGA算法搜索WKPCA算法的最优核宽度参数；

S6、将S5加权融合后的最佳特征子集输入所述神经网络进行模型训练；