[发明专利]一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法

摘要

本发明公开了一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法，本发明根据轴承外圈单点点蚀故障特征，针对不同故障大小的振动信号，利用Sparsogram算法快速提取包含故障特征的共振频带，计算所提取共振频带的样本熵值，通过样本熵值的变化实现对轴承外圈损伤趋势的预测。由于精确判断故障大小的困难性，本发明提出了故障区间的概念，将代表滚动轴承损伤程度(微弱损伤、轻度损伤、中度损伤和重度损伤)的故障区间与样本熵值区间一一对应，以样本熵值作为BP神经网络的输入量，实现对滚动轴承故障损伤程度的智能化识别。

主权项

一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法，其特征在于：包括以下步骤：(1)采集不同故障大小的滚动轴承外圈故障振动信号作为待分析信号；(2)针对待分析信号进行Sparsogram算法处理，提取信号中包含轴承故障特征信息的共振频带；(3)对共振频带计算样本熵,根据样本熵随着故障变化的趋势，设定不同的熵值区间对应滚动轴承不同的损伤程度，损伤程度为微弱损伤、轻度损伤、中度损伤和重度损伤；(4)以样本熵作为输入量，利用BP神经网络对故障损伤程度实现智能识别；其中Sparsogram算法包括以下步骤：S1加载原始信号，利用Daubechies 10小波对信号进行二进制小波包分解，得到在不同分解深度和结点的小波包系数，其最大分解深度为j，根据小波包分解后最小频带是外圈故障频率3倍确定最大分解深度；S2计算稀疏值，构造Sparsogram图；首先构造一个分析信号，实部是每一个结点的小波包系数，虚部是系数的希尔伯特变换，通过分析信号的模数得到包络信号，对包络信号计算得到信号的功率谱，假定包络信号零均值，稀疏值S(j,p):S(j,p)=Sjp=Σf=0Fs/2-1(djp(f))2Σf=0Fs/2-1|djp(f)|=||djp(f)||2||djp(f)||1,1≤j≤J,0≤P≤2J-1]]>其中表示包络信号的功率谱，j代表分解深度，p代表第p个小波包的基，||d||为范数；根据求得的稀疏值，得到Sparsogram图；S3通过Sparsogram图选择稀疏值最大的小波包节点，在多个故障情况下可以选择稀疏值较大的几个节点，然后对得到的小波包节点信号进行分析，能够得到更明显的故障信号；滚动轴承振动信号主要由轴承的旋转运动引起，故障轴承振动信号中还会出现冲击和瞬态振动特征，因此在轴承故障的研究中，能够准确快速的提取故障特征是关键，而利用Sparsogram算法能够准确快速的提取包含故障特征的共振频带用来做进一步的研究；样本熵算法的实现具体步骤如下：设采集到的原始数据为{u(i),i＝1,…,N}，预先给定维数m和相似容限r的值，则近似熵通过以下步骤计算得到：(1)将序列{u(i)}按顺序组成m维矢量X(i)，即X(i)＝[u(i),u(i+1)…u(i+m‑1)],i＝1～N‑m+1，(2)计算矢量X(i)与矢量X(j)之间的距离d[X(i),X(j)]＝max|u(i+k)‑u(j+k)|,k＝0,1,…,m‑1(3)按照给定的阈值r(r＞0)，对每一个i值统计d[X(i),X(j)]＜r的数目(称为模板匹配数)及此数目与距离总数N‑m+1的比值，记做即(4)求对所有i的平均值，记做Φm(r)，即Φm(r)=1N-m+1Σi=1N-m+1Cim(r)]]>(5)再对m+1，重复(1)～(4)的过程，得到Φm+1(r)(6)理论上此序列的样本熵为SampEn(m,r)=limN→∞[-lnΦm+1(r)Φm(r)]]]>一般实际工作中N不可能为∞，当N为有限值时，按上述步骤得出的是序列长度为N时SampEn的估计值SampEn(m,r,N)=-lnΦm+1(r)Φm(r).]]>