CN108760300A - 一种依据轴承振动信号对其进行故障智能诊断的方法 - Google Patents

Abstract

本发明涉及机械设备的故障智能诊断方法，特别涉及一种依据轴承振动信号对其进行故障智能诊断的方法。该方法首先对原始振动信号进行粗粒化，分别提取每个粗粒序列的排列熵特征组成原始特征集，衡量振动信号在不同尺度上的复杂性；然后采用距离评估技术对原始特征进行评估，计算评估因子，并根据评估因子的大小从大量原始特征集中选择出少数敏感特征；最后将选择出的敏感特征作为支持向量机的输入，实现对轴承运行状态的自动识别。具有简单、可靠、易行，成本低，实时性强三维优点，适用于现场实时监测轴承的运行状态，有利于提高轴承的可靠性和安全性，为小样本轴承故障状态的诊断提供了新思路和新方法，具有重要的工程实用价值。

Description

一种依据轴承振动信号对其进行故障智能诊断的方法

技术领域

本发明涉及机械设备的故障智能诊断方法，特别涉及一种依据轴承振动信号对其进行故障智能诊断的方法。

背景技术

轴承作为机械设备的关键零部件之一，其运行状态直接影响到整台设备的使用性能和使用安全。因此，对轴承进行故障智能诊断研究具有十分重要的意义，是有效评估设备整体效能的迫切需要，对于延长设备使用寿命，保证其使用安全性具有重要的工程使用价值。

依据轴承振动信号对其进行故障智能诊断是目前普遍采用且行之有效的方法。该方法包括信号采集、特征提取和选择以及状态识别三个环节，其中特征提取和选择是关键，状态识别是核心。只有保证了提取和选择特征的敏感性，状态识别方法的有效性，才能获得准确的诊断结果。

轴承振动信号具有非线性、非平稳性以及故障特征微弱性的特点，而且工程实际中很难获得轴承在不同状态下的大量信号样本，其状态识别属于小样本问题。因此，难以实现轴承不同故障类型、不同故障程度的准确诊断。

排列熵是一种对信号复杂度的度量，对时间具有较高的敏感性，能够较好地反映信号的微小变化，并且对于信号的微小变化具有放大作用，其应用领域也正从医学、生物、图像处理等领域延伸到机械故障诊断中。但是，排列熵只反映信号在单一尺度上的信息。因此，将多尺度排列熵用来反映信号在不同尺度因子下复杂性程度可以更好地解决故障智能诊断中的难题。但是现有技术存在的问题是：由于不相关特征和冗余特征的存在，导致现有的方法不仅不能提高诊断精度，而且影响诊断的成本和实时性。

支持向量机是一种基于统计理论的机器学习方法，该方法借助于核方法与最优化方法在小样本工程问题中表现出了良好的性能，非常符合现实故障智能诊断的需要。但是现有技术存在的问题是：忽略了支持向量机的参数优化，极大地影响支持向量机的分类性能。

发明内容

本发明的目的是提供一种依据轴承振动信号对其进行故障智能诊断的方法，以克服现有技术存在的诊断精度低，诊断的成本高和实时性差的问题，同时要克服现有技术存在的支持向量机的分类性能不理想的问题。

为达到以上目的，本发明是采取如下技术方案予以实现的：一种依据轴承振动信号对其进行故障智能诊断的方法，其特征在于，包含以下步骤：

一、振动信号获取：

通过数据采集系统，获取轴承在运行过程中的振动信号；

二、特征提取：

(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}建立其新的粗粒序列：

其中，s＝1,2,L为正整数，称为尺度因子；

(二)对于每一个粗粒序列，计算其排列熵，计算步骤如下：

首先将粗粒序列{y_s(n),n＝1,2,L,N/s}进行相空间重构，得到重构分量：

Y_s(i)＝{y_s(i),y_s(i+τ),L,y_s(i+(m-1)τ)},i＝1,2,L,N/s-(m-1)τ

其中，m为嵌入维数；τ为延迟时间。多尺度

然后对于每一个重构分量Y_s(i)，将其根据元素的数值大小按照升序重新排列为：

y_s(i+(j₁-1)τ)≤y_s(i+(j₂-1)τ)≤L≤y_s(i+(j_m-1)τ)

对于任意重构分量Y_s(i)都可以将其映射到一组符号序列：

S(l)＝(j₁,j₂,L,j_m)

其中，l＝1,2,L,K，且K≤m！。

最后计算每一种符号序列出现的概率，并记为P₁,P₂,L,P_K，按照信息熵的形式，将振动信号样本{y_s(n),n＝1,2,L,N/s}的排列熵定义为：

每一个振动信号样本提取到多个尺度下的排列熵特征，用来衡量振动信号在不同尺度上的复杂性；

三、特征选择：

假设一个具有C个类的特征集

{q_m,c,j，m＝1,2,K,M_c；c＝1,2,K,C；j＝1,2,K,J}

其中：q_m,c,j表示第c类第m个样本的第j个特征的特征值；M_c表示第c类的样本个数；J表示特征个数，具体步骤如下：

(一)首先计算第c类第j个特征的类内距离：

其中：M_c表示第c类的样本个数；J表示特征个数；C表示类别个数；q_m,c,j、q_l,c,j分别表示第c类第m个和第l个样本的第j个特征的特征值；

然后计算第j个特征C个类的类内距离的平均值：

(二)首先计算第c类M_c个样本第j个特征的平均值

然后计算第j个特征C个类的类间距离的平均值

其中：u_e,j、u_c,j分别表示第e和第c个类第j个特征的平均值；

(三)计算第j个特征的评估因子：

α_j的大小反映了第j个特征对C个类进行分类的难易程度，α_j越大表示第j个特征越敏感，更容易对C个类进行分类，选择大于一定阈值的α_j所对应的特征构成敏感特征集；

四、状态识别

首先，采用已知状态类别的训练样本对支持向量机进行训练，产生支持向量机分类器。

然后，将未知状态类别的测试样本输入到训练好的支持向量机分类器中，根据以下分类决策函数识别出测试样本所属的状态类别：

其中：x表示未知样本；n表示训练样本个数。

所述的评估因子阈值设定为所有评估因子的平均值。

与现有技术相比，本发明的优点是：

1、本发明实现了多尺度排列熵特征提取、距离评估敏感特征选择和支持向量机分类识别在算法上的混合。利用振动信号智能诊断轴承的运行状态，方法简单、可靠，成本低且实时性强，适用于现场实时监测轴承的运行状态，有利于提高轴承的可靠性和安全性，为小样本轴承故障状态的诊断提供了新思路，具有重要的工程实用价值。

2、本发明在特征选择方面，采用距离评估技术从原始特征中选择出敏感特征，作为支持向量机的输入，提高分类的准确率，同时采用交叉验证法进行支持向量机的参数优化，进一步提高分类的准确率。

附图说明

下面结合附图及具体实施方式对本发明做进一步的详细说明。

图1为本发明轴承故障智能诊断流程图。

图2为图1中对振动信号样本进行粗粒化的示意图。

图3为图1中对振动信号样本进行粗粒化后计算某一尺度下的排列熵的示意图。

图4和图5分别为实验装置的实物图和结构示意图。

图6为轴承在不同运行状态下的振动信号的时域波形图。图中横坐标表示时间，单位为s；纵坐标表示幅值，单位为g。

图7为基于距离评估技术的敏感特征选择图。图中横坐标表示原始特征数目，纵坐标表示特征评估因子。

图8为采用本发明方法的滚动轴承智能故障诊断结果，图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。

图9和图10分别为基于距离评估技术的敏感多尺度样本熵特征选择图和采用敏感多尺度样本熵的支持向量机识别结果，以对比突出本发明方法在特征提取方面的优势。图9中横坐标表示原始特征数目，纵坐标表示特征评估因子。图10中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。

图11为采用原始多尺度排列熵特征的支持向量机识别结果，以对比突出本发明方法在特征选择方面的优势。图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。

图12为采用敏感多尺度排列熵特征的径向基神经网络识别结果，以对比突出本发明方法在状态识别方面的优势。图中横坐标表示7种故障状态的测试样本，纵坐标表示每个测试样本的类别标签。

具体实施方式

参照图1所示，为轴承故障智能诊断流程图，通过数据采集系统获得轴承在运行过程的振动信号；基于多尺度排列熵算法，提取每个样本信号的多尺度排列熵特征组成原始特征集；基于距离评估技术从大量原始特征集中选择出少数对轴承故障敏感的特征；将选择出的敏感特征作为支持向量机的输入，实现轴承故障状态的自动识别。

本发明的设计原理是：通过减少不相关特征和冗余特征能够大大地减少学习算法的运行时间，并能更好地认识故障分类问题。通过本发明提供的特征选择方法试图挑选一个对故障敏感、维数最小而且对于分类充分必要的特征子集。

本发明利用振动信号对轴承的故障状态进行智能诊断，按以下具体步骤实施：

一、振动信号获取：

通过数据采集系统，获取轴承在运行过程中的振动信号。

二、特征提取

(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}，参考图2，建立其新的粗粒序列：

其中，s＝1,2,L为正整数，称为尺度因子。

(二)参考图3，对于每一个粗粒序列计算其排列熵，计算步骤如下：

首先，将粗粒序列{y_s(n),n＝1,2,L,N/s}进行相空间重构，得到重构分量：Y_s(i)＝{y_s(i),y_s(i+τ),L,y_s(i+(m-1)τ)},i＝1,2,L,N/s-(m-1)τ

其中，m为嵌入维数；τ为延迟时间。

然后，对于每一个重构分量Y_s(i)，将其根据元素的数值大小按照升序重新排列为：

y_s(i+(j₁-1)τ)≤y_s(i+(j₂-1)τ)≤L≤y_s(i+(j_m-1)τ)

那么，对于任意重构分量Y_s(i)都可以将其映射到一组符号序列：

S(l)＝(j₁,j₂,L,j_m)

其中，l＝1,2,L,K，且K≤m！。

最后，计算每一种符号序列出现的概率，并记为P₁,P₂,L,P_K，按照信息熵的形式，将振动信号样本{y_s(n),n＝1,2,L,N/s}的排列熵定义为：

这样，每一个振动信号样本提取到多个尺度下的排列熵特征，用来衡量振动信号在不同尺度上的复杂性。

三、特征选择

某一特征的同一类的类内距离越小，不同类的类间距离越大，则这一特征越敏感

假设一个具有C个类的特征集

{q_m,c,j，m＝1,2,K,M_c；c＝1,2,K,C；j＝1,2,K,J}

其中：q_m,c,j表示第c类第m个样本的第j个特征的特征值；M_c表示第c类的样本个数；J表示特征个数，具体步骤如下：

(一)首先计算第c类第j个特征的类内距离：

其中：M_c表示第c类的样本个数；J表示特征个数；C表示类别个数；q_m,c,j、q_l,c,j分别表示第c类第m个和第l个样本的第j个特征的特征值。

然后计算第j个特征C个类的类内距离的平均值：

(二)首先计算第c类M_c个样本第j个特征的平均值

然后，计算第j个特征C个类的类间距离的平均值

其中：u_e,j、u_c,j分别表示第e和第c个类第j个特征的平均值。

(三)计算第j个特征的评估因子：

α_j的大小反映了第j个特征对C个类进行分类的难易程度，α_j越大表示第j个特征越敏感，更容易对C个类进行分类，选择大于一定阈值的α_j所对应的特征构成敏感特征集，其中该阈值设定为所有评估因子的平均值。

这样，每个振动信号样本用敏感特征来表征，剔除无用特征，以减小支持向量机的计算负担，提高支持向量机的分类准确率。

四、状态识别

首先，采用已知状态类别的训练样本对支持向量机进行训练，产生支持向量机分类器。

然后，将未知状态类别的测试样本输入到训练好的支持向量机分类器中，根据以下分类决策函数就可以识别出测试样本所属的状态类别：

其中：x表示未知样本；n表示训练样本个数。

这样，即可自动识别出未知样本所对应的轴承的状态类别，从而实现轴承故障的智能诊断。

以下给出一个具体的应用实例过程，同时验证了本发明在工程应用中的有效性。

应用实例中的实验装置和实验数据均来自美国Case Western ReserveUniversity电气工程实验室。实验装置的实物图和示意图分别如图4和图5所示，它包括一台1.5kW的3相感应电动机(左端)，一个扭矩传感器(中间)，一个测力计(右端)。实验轴承用来支撑电机轴，它包含驱动端轴承和风扇端轴承。加速度传感器垂直固定在感应电机驱动端支撑轴承上方的机壳上来测试轴承不同故障状态下的振动信号。数据采集系统包括高频信号放大器和采样频率为12kHz数据记录装置。

实验轴承型号为6025-2 RS JEM SKF深沟轴承，通过电火花加工制造单点故障。实验模拟了滚动轴承在0kW载荷下的7种运行状态：1正常运行状态；2外圈轻微故障；3内圈轻微故障；4滚动体轻微故障；5外圈严重故障；6内圈严重故障；7滚动体严重故障。其中，轻微和严重故障的故障尺寸分别为0.36和0.54mm。在试验中，每种状态下各获取29个数据样本，其中5个用作训练，另外的24个作为测试，每个数据样本长度为4096个点。图6示出了轴承在7种运行状态下的振动信号时域波形。

利用本发明所述方法，首先基于多尺度排列熵算法，提取每个振动信号样本的多尺度排列熵特征组成原始特征集；然后基于距离评估技术从大量原始特征集中选择出少量对轴承故障敏感的特征，特征评估因子与选择结果如图7所示；最后将选择出的敏感特征作为支持向量机的输入，实现轴承运行状态的自动识别。其中，支持向量机核函数选用高斯径向基核函数，惩罚因子和核函数参数采用交叉验证法选取。状态识别结果如图8所示，从图8可以看出，采用本发明所述方法取得了满意的轴承状态识别结果，在7种状态的168个测试样本中没有出现错分样本，识别准确率达到了100％，从而验证了本发明在诊断轴承故障状态方面的有效性。

为了考察本发明在特征提取方面的优势，首先提取每个振动信号样本的多尺度样本熵特征组成原始特征集；然后基于距离评估技术从大量原始特征集中选择出少数对轴承故障敏感的样本熵特征，如图9所示；最后将选择出的敏感特征作为支持向量机的输入，进行轴承7种运行状态的分类识别，识别结果如图10所示。从图10可以看出，在7种状态的168个测试样本中出现了11错分样本，识别准确率为93.45％，比本发明方法的识别准确率低6.55％，从而验证了本发明在特征提取方面的有效性。

为了考察本发明在特征选择方面的优势，将提取到的原始多尺度排列熵特征作为支持向量机的输入，进行轴承7种运行状态的分类识别，识别结果如图11所示。从图11可以看出，在7种状态的168个测试样本中出现6个错分样本，识别准确率为96.43％，比本发明方法的识别准确率低3.57％，从而验证了本发明在特征选择方面的有效性。

为了考察本发明在状态识别方面的优势，将提取和选择出的多尺度敏感排列熵特征作为径向基神经网络的的输入，进行轴承7种运行状态的分类识别，识别结果如图12所示。从图12可以看出，在7种状态的168个测试样本中出现38个错分样本，识别准确率为77.38％，比本发明方法的识别准确率低22.62％，从而验证了本发明在状态识别方面的有效性。

Claims (2)

1.一种依据轴承振动信号对其进行故障智能诊断的方法，其特征在于，包含以下步骤：

一、振动信号获取：

通过数据采集系统，获取轴承在运行过程中的振动信号；

二、特征提取：

(一)对于每一个振动信号样本序列{x(k),k＝1,2,L,N}建立其新的粗粒序列：

其中，s＝1,2,L为正整数，称为尺度因子；

(二)对于每一个粗粒序列，计算其排列熵，计算步骤如下：

首先将粗粒序列{y_s(n),n＝1,2,L,N/s}进行相空间重构，得到重构分量：

Y_s(i)＝{y_s(i),y_s(i+τ),L,y_s(i+(m-1)τ)},i＝1,2,L,N/s-(m-1)τ

其中，m为嵌入维数；τ为延迟时间。多尺度

然后对于每一个重构分量Y_s(i)，将其根据元素的数值大小按照升序重新排列为：

y_s(i+(j₁-1)τ)≤y_s(i+(j₂-1)τ)≤L≤y_s(i+(j_m-1)τ)

对于任意重构分量Y_s(i)都可以将其映射到一组符号序列：

S(l)＝(j₁,j₂,L,j_m)

其中，l＝1,2,L,K，且K≤m！。

最后计算每一种符号序列出现的概率，并记为P₁,P₂,L,P_K，按照信息熵的形式，将振动信号样本{y_s(n),n＝1,2,L,N/s}的排列熵定义为：

每一个振动信号样本提取到多个尺度下的排列熵特征，用来衡量振动信号在不同尺度上的复杂性；

三、特征选择：

假设一个具有C个类的特征集

{q_m,c,j，m＝1,2,K,M_c；c＝1,2,K,C；j＝1,2,K,J}

其中：q_m,c,j表示第c类第m个样本的第j个特征的特征值；M_c表示第c类的样本个数；J表示特征个数，具体步骤如下：

(一)首先计算第c类第j个特征的类内距离：

其中：M_c表示第c类的样本个数；J表示特征个数；C表示类别个数；q_m,c,j、q_l,c,j分别表示第c类第m个和第l个样本的第j个特征的特征值；

然后计算第j个特征C个类的类内距离的平均值：

(二)首先计算第c类M_c个样本第j个特征的平均值

然后计算第j个特征C个类的类间距离的平均值

其中：u_e,j、u_c,j分别表示第e和第c个类第j个特征的平均值；

(三)计算第j个特征的评估因子：

α_j的大小反映了第j个特征对C个类进行分类的难易程度，α_j越大表示第j个特征越敏感，更容易对C个类进行分类，选择大于一定阈值的α_j所对应的特征构成敏感特征集；

四、状态识别

首先，采用已知状态类别的训练样本对支持向量机进行训练，产生支持向量机分类器。

然后，将未知状态类别的测试样本输入到训练好的支持向量机分类器中，根据以下分类决策函数识别出测试样本所属的状态类别：

其中：x表示未知样本；n表示训练样本个数。

2.如权利要求1所述的基于多尺度排列熵和支持向量机的轴承故障智能诊断方法，其特征在于，所述的评估因子阈值设定为所有评估因子的平均值。