[发明专利]基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法

说明书

本发明涉及一种基于数据混合特征的无向图邻接矩阵改进算法,建立一种能够对原始数据进行特征分析并进行数据分类的算法，本发明充分考虑在进行数据特征分析时的数据相关性问题，提出了针对数据关系建立基于数据混合特征的无向图邻接矩阵，首先提取峰值、峭度、脉冲、裕度四个无量纲参数和小波包能量作为特征向量，再分别求出每一维的特征向量中每个数据间的欧氏距离，并建立无向图邻接矩阵。用SVD算法对每维特征的邻接矩阵提取特征值向量，最后将提取后的向量输入到训练好的SVM模型中，即可准确诊断出不同故障类型。

技术领域

本发明涉及故障诊断技术领域，尤其涉及基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法。

背景技术

随着现代科学技术的飞速发展与智能工业技术的迅速进步，当前制造业的机械设备日益呈现自动化、大型化、精密化和智能化，这不仅对机械设备关键部件的结构设计更加复杂，制造精度要求更高，还对机械设备中关键部件的安装和工作中的运行平稳性提出了更高的要求。滚动轴承是几乎所有类型的旋转机械的重要组成部分。滚动轴承作为机械设备中的关键部件，30％的机械故障是由轴承故障引起的。滚动轴承有助于机器平稳高速地旋转，减小摩擦，并能承载大量负载，是支撑旋转轴的关键部件。及时、准确地判断轴承的故障形式和故障发生位置，对提高机械设备安全性、可靠性和使用效率都有重要意义。

基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，主要通过选择和考察合适的信号动态分析指标，通过分析振动信号的混合时域特征，结合图论的相关算法分析数据特征间的相互联系，以此来对轴承故障进行诊断。

发明内容

本发明的目的是为了解决现有技术中存在现有分析数据特征方法对滚动轴承故障诊断结果精度不高的缺点，而提出的一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法。

一种基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法，包括以下步骤：

S1、滚动轴承的振动数据经过提取后，对滚动轴承振动信号的时域无量纲特征进行提取，包括峭度C_q、峰值X_p、脉冲因子C_f、裕度因子C_e，以及小波包分解的8维能量，其中，在对小波包能量提取时，采用小波包变换法通过对数据不断分解，同时选取分解后的低频部分和高频部分的能量特征。

S2、利用主成分分析法提取小波包分解能量中贡献度占95％的能量，经过分析，提取前5维的小波包能量，结合选取的4类时域无量纲多特征构成9维混合故障特征向量。

S3、分别计算每维混合故障特征向量中数据之间的欧氏距离，通过图论算法，使用计算出的数据间的欧式距离建立无向图模型，无向图模型通过邻接矩阵表示，利用奇异值分解法(SVD)对每维特征的邻接矩阵进行分解，提取每个邻接矩阵的奇异值作为分类器输入向量。

S4、使用支持向量机(SVM)作为故障分类器，建立故障分类规则，将经过奇异值分解处理的输入向量以一定比例分为训练集和测试集。利用训练集训练SVM模型，并设置合适的SVM分类器的惩罚因子和核参数，建立基于训练集的支持向量机(SVM)轴承故障诊断模型。

S5、将测试集作为输入，使用训练后的SVM模型进行故障分类，测试本算法训练的模型分类准确度，并输出结果。

优选的，根据振动信号时域特性对提取的振动数据进行分析，分别提取信号的峭度C_q、峰值X_p、脉冲因子C_f、裕度因子C_e进行数据多方面的无量纲特性分析。

优选的，将数据的无量纲时域信号和数据经过PCA算法提取的小波包能量组成为混合特征向量，实现对数据的多角度分析。