[发明专利]一种基于概率神经网络的轴承健康状态识别方法

摘要

一种基于概率神经网络的轴承健康状态识别方法，步骤如下：1）采集原始信号；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征，评估选取参数对已知数据分配的能力。3）构造概率神经网络模型；4）将输入参数输入概率神经网络进行状态识别。本发明将轴承的运行状态分为正常，亚健康和故障三种状态，采用概率神经网络（PNN）对轴承的健康状态进行估计，使用样本熵等作为概率神经网络（PNN）的输入特征参数，评估数据的分布能力，通过与传统轴承状态的正常-故障模型进行实验对比，并给出了轴承健康状态的识别结果。

主权项

1.一种基于概率神经网络的轴承健康状态识别方法,其特征在于，步骤如下：1）采集原始信号：通过数据采集系统采集正常轴承和单点驱动端缺陷的数据；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征如下：幅度：Range=max(x_i)-min(x_i)                    （8）有效值：μx=1NΣi=1Nxi---(9)]]>绝对平均值：μ|x|=1NΣi=1N|xi|---(10)]]>均方值：ψx2=1NΣi=1Nxi2---(11)]]>均方根（RMS）：ψx=1NΣi=1Nxi2---(12)]]>方差：σx2=1NΣi=1N(xi-μx)2---(13)]]>标准差：SD=Σi=1n(xi-μ)2n-1---(14)]]>偏度：S=M3δ3=E(X)[(X-μ)3]δ3---(15)]]>峰态：K=M4δ4=E(X)[(X-μ)4]δ4---(16)]]>峰值：peak=max(X_i)                   （17）波形指标：WI=peakμx=max(xi)1/NΣi=1Nxi---(18)]]>脉冲指标：II=peakμ|x|=max(xi)1/NΣi=1N|xi|---(19)]]>样本熵：其计算过程如下步骤一：N点序列，首先计算N*N的距离矩阵D，第i行第j列的元素就是d，并定义成点i，j之间的距离。dij=1,|u(i)-u(j)|<r0,u(i)-u(j)|≥r(i=1,2,...,n;j=1,2,..,n,i≠j)---(20)]]>步骤二：用矩阵D中的元素很容易得到和假设窗长度是2；Ci2(r)=Σi,j=1N-2dij∩d(i+1)(j+1)---(21)]]>Ci3(r)=Σi,j=1N-2dij∩d(i+1)(j+1)∩d(i+1)(j+2)---(22)]]>步骤三：通过和计算得到和φm(r)=1N-m+1Σi=1N-m+1lnCim(r)---(23)]]>步骤四：计算样本熵SampEn(m,r,N)=-lnφm+1(r)φm(r)---(24)]]>评估上述13个参数对已知数据分配的能力，并另外选取性能比较好的绝对值平均值，峰态，标准差，均方根和样本熵作为输入特征。3）构造概率神经网络模型：输入层有5个节点表示输入特征，求和层和输出层都是3个节点，表示健康的三个状态，模式层有150个节点，表示选取的150个样本；4）将输入参数输入概率神经网络进行状态识别，根据健康度的定义HD=P(healthy)-P(failure)，计算健康度的值，根据轴承健康度的阈值来判定轴承所处的运行状态为健康、亚健康或故障。当0.4<HD<1时，轴承为健康状态，当-0.4<HD<0.4时，轴承为亚健康状态，当-1<HD<-0.4时，轴承为故障状态。