[发明专利]一种基于LMD和PCA的滚动轴承状态辨识方法

摘要

本发明公开了属于轨道交通安全技术领域的一种基于LMD和PCA的滚动轴承状态辨识方法。包括以下步骤：1）获取实验数据；2）进行两类状态实验数据划分或四类状态实验数据划分；3）对划分的每段数据分别进行局部均值分解处理，获得每段数据的PF分量，组成各自的PF矩阵；4）提取滚动轴承状态的统计特征向量；5）确定安全域边界；6）辨识滚动轴承运行状态。本发明的有益效果为：本发明能够有效地提取滚动轴承运行状态特征，并完成滚动轴承的运行状态安全域估计以及正常、滚动体故障、内圈故障、外圈故障四种状态的辨识。本发明为滚动轴承故障监测、诊断提供了快速、有效的方法。

主权项

一种基于LMD和PCA的滚动轴承状态辨识方法，其特征在于，包括以下步骤：1）获取实验数据：分别采集滚动轴承的运行状态处于正常和故障情况下的振动加速度数据，故障包括滚动体故障、内圈故障和外圈故障；2）进行两类状态实验数据划分或四类状态实验数据划分；两类状态实验数据划分是指：按照时间间隔tI分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量；四类状态实验数据划分是指：按照时间间隔tI分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；3）当步骤2）进行两类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵；当步骤2）进行四类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵；4）提取滚动轴承的状态特征向量：对每个乘积函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2）进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2）进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本；5）当步骤2）进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正常和故障两种情况；当步骤2）进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。