CN111238816A - 一种基于稀疏分类算法的滚动轴承复合故障诊断方法 - Google Patents

Abstract

本发明提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法，其步骤为：首先，利用采集的正常无故障振动信号样本和已知单一故障的振动信号样本构建稀疏分解的字典；其次，对待诊断滚动轴承的振动信号进行可调品质因子小波变换，得到一系列频带不同的变换系数向量；并利用峭度筛选出故障特征向量；然后，对每个故障特征向量在字典上进行稀疏系数向量；并对每个故障特征向量进行重构及归类；最后，找出满足判断标准的重构误差的较小值所在的类别，根据类别确定待诊断滚动轴承的故障类型。本发明利用稀疏分类算法进行复合故障诊断，避免了噪声干扰，克服了分离故障源方法的缺陷，具有诊断准确、可靠性高、成本低的优点。

Description

一种基于稀疏分类算法的滚动轴承复合故障诊断方法

技术领域

本发明涉及信号分析与故障诊断技术领域，特别是指一种基于稀疏分类算法的滚动轴承复合故障诊断方法。

背景技术

旋转机械设备中，滚动轴承起着支撑和将滑动摩擦转化为滚动摩擦的重要作用，由于安装不当或不良运行，其极容易产生故障，导致整个设备无法正常运行。滚动轴承的故障可以是单一类型(如：外环故障、内环故障、滚动体故障、保持架故障等)，也可以是复合类型(两种或以上的单一故障相互耦合作用的故障)。由于故障源彼此交叉作用，复合故障的发展速度和破坏力远胜于单一故障，因此，及时有效的诊断滚动轴承复合故障对保障整个设备的安全运行至关重要。

由于故障源产生的振动彼此交叉干扰，采集的设备振动信号是一种复杂的非平稳、多模态信号。现有基于振动分析的复合故障诊断技术，多采用分离故障源的方法。在实际工程案例中，分离故障源的方法为滚动轴承的复合故障诊断提供了有效的解决途径，但也存在缺陷，一方面，分离故障源方法要求各故障源具备良好的时频可分离性，但实际采集多路传感器的振动信号存在噪声和交叉项的影响，干扰严重；另一方面，分离故障方法未充分利用采集多路振动数据，通常选取单通道数据进行特征分离，这不利于准确全面的监测与诊断。

发明内容

针对现有复合故障诊断技术存在干扰严重，不能准确全面的监测与诊断的技术问题，本发明提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法，充分利用振动数据样本，通过稀疏分类进行复合故障诊断，不易受到干扰因素的影响，具有诊断准确，可靠性高、成本低的优点，具有广泛的应用前景。

本发明的技术方案是这样实现的：

一种基于稀疏分类算法的滚动轴承复合故障诊断方法，其步骤如下：

S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本；

S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典；

S3、采集待诊断滚动轴承的振动信号；

S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换，得到一系列频带不同的变换系数向量；

S5、计算步骤S4中的变换系数向量的峭度，并利用显著性的判断标准将峭度值显著大于阈值T的变换系数向量作为故障特征向量；

S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量；

S7、利用稀疏系数向量和字典上的子字典对步骤S5中的每个故障特征向量进行重构，并凭借重构误差较小值的判断标准对重构误差进行归类；

S8、依次判断重构误差是否存在满足判断标准的较小值，若存在，找出重构误差较小值所在的类别，根据类别确定待诊断滚动轴承的故障类型。

所述步骤S1中正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长正常无故障振动信号；所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号，其中，已知单一故障包括外环故障、内环故障和滚动体故障。

所述正常无故障振动信号样本为N₁,N₂,…,N_n1，其中，n1表示负载种类；所述外环故障振动信号样本为O₁,O₂,…,O_n2，其中，n2表示外环故障的尺寸数量；所述内环故障振动信号样本集I₁,I₂,…,I_n3，其中，n3表示内环故障的尺寸数量；所述滚动体故障振动信号样本集B₁,B₂,…,B_n4，其中，n4表示滚动体故障的尺寸数量。

所述稀疏分解的字典的构建方法为：

S21、设置重叠长度为l1，对每个正常无故障振动信号样本N_i1进行重叠截断处理，使每段信号长度为L，在所有正常无故障的信号段中，随机选取k1个信号段合并作为子字典

其中，1≤i1≤n1，k1＞n1，

表示随机选取的由N₁,N₂,…,N_n1重叠截断产生的信号段；

S22、设置重叠长度为l2，对每个外环故障振动信号样本O_i2进行重叠截断处理，使每段信号长度为L，在所有外环故障的信号段中，随机选取k2个合并作为子字典

其中，1≤i2≤n2，k2＞n2，

表示随机选取的由O₁,O₂,…,O_n2重叠截断产生的信号段；

S23、设置重叠长度为l3，对每个内环故障振动信号样本I_i3进行重叠截断处理，使每段信号长度为L，在所有内环故障的信号段中，随机选取k3个合并作为子字典

其中，1≤i3≤n3，k3＞n3，

表示随机选取的由I₁,I₂,…,I_n3重叠截断产生的信号段；

S24、设置重叠长度为l4，对每个滚动体故障振动信号样本B_i4进行重叠截断处理，使每段信号长度为L，在所有滚动体故障的信号段中，随机选取k4个合并作为子字典

其中，1≤i4≤n4，k3＞n3，

表示随机选取的由B₁,B₂,…,B_n4重叠截断产生的信号段；

S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D，即D＝[D₁,D₂,D₃,D₄]∈R^{L×(k1+k2+k3+k4)}。

所述待诊断滚动轴承的振动信号的采集方法为：将同型号的未知故障类型的滚动轴承安装在转轴上，设置转轴的转速与正常无故障振动信号的转速相同，采集一定时长的振动信号，得到未知故障类型的振动信号为y。

所述变换系数向量的峭度的计算方法为：

其中，1≤i≤p，w_i为第i个变换系数向量，p为变换系数向量的个数，μ为第i个变换系数向量w_i的平均值，σ为第i个变换系数向量w_i的标准差，

N_i为第i个变换系数向量w_i的长度。

所述显著性的判断标准为：

其中，T为阈值。

所述稀疏系数向量为：

其中，

为稀疏系数向量的求解值，α_i为稀疏分解的字典D的列向量总数，D为稀疏分解的字典，w_i为第i个变换系数向量，γ为正则化参数。

所述利用稀疏系数向量和字典上的子字典对故障特征向量进行重构，凭借重构误差较小值判断标准进行归类的方法为：

S71、计算重构误差：

其中，1≤j≤4，

子向量

分别对应于子字典D₁、D₂、D₃、D₄上的稀疏系数向量；

S72、判断重构误差e_ij是否为较小值，判断标准为：

若满足判断标准，则将故障特征向量w_i归类到j类别。

本技术方案能产生的有益效果：本发明利用可调品质因子小波变换将滚动轴承振动信号分解为不同频带分量，凭借不同故障类型振动信号在同一频带小波系数分布的显著差异性，通过峭度筛选出具有故障特征的频带系数，利用稀疏分类算法进行复合故障诊断，充分了利用已知的振动数据样本，避免了噪声干扰，克服了分离故障源方法的缺陷，具有诊断准确，可靠性高、成本低的优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图；

图2为本发明的N205EM型轴承正常无故障和3种已知单一故障的振动波形图，其中，(a)为正常无故障，(b)为外环故障，(c)为内环故障，(d)为滚动体故障；

图3为本发明的N205EM型轴承待诊断复合故障的振动波形图；

图4为本发明的21个变换系数向量的峭度情况；

图5为本发明的各故障特征向量的重构误差，其中，横坐标1表示正常无故障，横坐标2表示外环故障，横坐标3表示内环故障，横坐标4表示滚动体故障。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提出了一种基于稀疏分类算法的滚动轴承复合故障诊断方法应用到型号为QPZZ-II旋转机械振动故障平台的复合故障诊断中，选用型号为N205EM轴承做实验对象，具体步骤如下：

S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本；所述正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长的正常无故障振动信号；所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号，其中，已知单一故障包括外环故障、内环故障和滚动体故障。

所述正常无故障振动信号样本为N₁,N₂,…,N_n1，其中，n1表示负载种类；所述外环故障振动信号样本为O₁,O₂,…,O_n2，其中，n2表示外环故障的尺寸数量；所述内环故障振动信号样本集I₁,I₂,…,I_n3，其中，n3表示内环故障的尺寸数量；所述滚动体故障振动信号样本集B₁,B₂,…,B_n4，其中，n4表示滚动体故障的尺寸数量。

设置采样频率为12kHz，采集型号为N205EM、转速为1800r/min的滚动轴承正常无故障振动信号和3种单一故障振动信号。如图2所示，正常无故障振动信号在3种不同负载作用时分别采集得到，即得到N₁,N₂,N₃，3个信号时长均为1min。3种单一故障为：外环故障、内环故障、滚动体故障，每种单一故障的振动信号在4种不同的故障尺寸下采集得到：采集外环故障振动信号时，将轴承的外环用激光加工4种尺寸的凹点，然后分别采集在这4种故障尺寸下时长均为1min的振动信号，即得到O₁,O₂,O₃,O₄；采集内环故障振动信号时，将轴承的内环用激光加工4种尺寸的凹点，然后分别采集在这4种故障尺寸下时长均为1min的振动信号，即得到I₁,I₂,I₃,I₄；采集滚动体故障振动信号时，将轴承的滚动体用激光加工4种尺寸的瑕疵点，然后分别采集在这4种故障尺寸下时长均为1分钟的振动信号，即得到B₁,B₂,B₃,B₄。

S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典；

所述稀疏分解的字典的构建方法为：

S21、设置重叠长度为l1，对每个正常无故障振动信号样本N_i1进行重叠截断处理，使每段信号长度为L，在所有正常无故障的信号段中，随机选取k1个信号段合并作为子字典

其中，1≤i1≤n1，k1＞n1，

表示随机选取的由N₁,N₂,…,N_n1重叠截断产生的信号段；

S22、设置重叠长度为l2，对每个外环故障振动信号样本O_i2进行重叠截断处理，使每段信号长度为L，在所有外环故障的信号段中，随机选取k2个合并作为子字典

其中，1≤i2≤n2，k2＞n2，

表示随机选取的由O₁,O₂,…,O_n2重叠截断产生的信号段；

S23、设置重叠长度为l3，对每个内环故障振动信号样本I_i3进行重叠截断处理，使每段信号长度为L，在所有内环故障的信号段中，随机选取k3个合并作为子字典

其中，1≤i3≤n3，k3＞n3，

表示随机选取的由I₁,I₂,…,I_n3重叠截断产生的信号段；

S24、设置重叠长度为l4，对每个滚动体故障振动信号样本B_i4进行重叠截断处理，使每段信号长度为L，在所有滚动体故障的信号段中，随机选取k4个合并作为子字典

其中，1≤i4≤n4，k3＞n3，

表示随机选取的由B₁,B₂,…,B_n4重叠截断产生的信号段；

S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D，即D＝[D₁,D₂,D₃,D₄]∈R^{L×(k1+k2+k3+k4)}。

本发明实施例中设置的重叠长度l1＝l2＝l3＝l4＝256点、每段长度均为L＝12000点，分别将振动信号样本N₁,N₂,N₃、O₁,O₂,O₃,O₄、I₁,I₂,I₃,I₄、B₁,B₂,B₃,B₄重叠截断成若干段，在同一种类型中，随机选取50段(即k1＝k2＝k3＝k4＝50)合并构成1个子字典，最后4个子字典合并构成稀疏分解的字典，即得到子字典：

字典D＝[D₁,D₂,D₃,D₄]。

S3、采集待诊断滚动轴承的振动信号；具体方法为：将同型号的未知故障类型的滚动轴承安装在转轴上，设置转轴的转速与正常无故障振动信号的转速相同，采集一定时长的振动信号，得到未知故障类型的振动信号为y。型号为N205EM的另一个滚动轴承，在其外环和内环分别用激光机加工凹点，以模拟外环和内环的复合故障。将此轴承安装在试验平台上，设置转速为1800r/min，采样频率为12kHz，采集其1s时长的振动信号，即得到y，其波形如图3所示。

S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换，得到一系列频带不同的变换系数向量；设置品质因子Q＝1，对y实施可调品质因子小波变换，得到p＝21个频带不同的变换系数向量w₁,w₂,…,w₂₁。

S5、计算步骤S4中的变换系数向量的峭度：

其中，1≤i≤p，w_i为第i个变换系数向量，p为变换系数向量的个数，μ为第i个变换系数向量w_i的平均值，σ为第i个变换系数向量w_i的标准差，

N_i为第i个变换系数向量w_i的长度。根据变换系数向量的峭度的计算方法依次得到K₁,K₂,…,K₂₁，图4显示了21个变换系数向量的峭度情况。

再利用显著性的判断标准筛选出峭度值显著大于阈值T的变换系数向量作为故障特征向量；其中，显著性的判断标准为：

其中，T＝3为阈值。经计算判断：K₁,K₂,K₄,K₈,K₁₁,K₁₅，这6个峭度值显著性的判断标准，对应的变换系数向量为w₁,w₂,w₄,w₈,w₁₁,w₁₅，这6个变换系数向量作为故障特征向量。

S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量；所述稀疏系数向量为：

其中，

稀疏系数向量的求解值，α_i是稀疏分解的字典D的列向量总数，D为稀疏分解的字典，w_i为第i个变换系数向量，γ为正则化参数。将w₁,w₂,w₄,w₈,w₁₁,w₁₅分别按L1-范数优化模型在字典D上稀疏分解，利用正交匹配追踪算法分别求取稀疏分解系数向量

S7、利用稀疏系数向量和字典上的子字典对故障特征向量进行重构，凭借重构误差较小值的判断标准对重构误差进行归类；具体方法为：

S71、计算重构误差

其中，1≤j≤4，

子向量

分别对应于子字典D₁、D₂、D₃、D₄上的稀疏系数向量；

S72、判断重构误差e_ij是否为较小值，判断标准为：

若重构误差满足判断标准，则将故障特征向量w_i归类到j类别。

S8、对步骤S5中的每个故障特征向量都进行重构，依次判断重构误差是否存在满足判断标准的较小值，若存在，找出重构误差较小值所在的类别，根据类别确定待诊断滚动轴承的故障类型。若有多个故障特征向量在不同的类别(2个以上)上重构误差较小，则可根据这些类别确定待诊断滚动轴承的的复合故障类型；若有多个故障特征向量在相同的类别(1个)上重构误差较小，则可根据这一类别确定待诊断滚动轴承的单一故障类型。若w₁,w₂,w₄,w₈,w₁₁,w₁₅在不同的类别(2个以上)上重构误差较小，则可根据这些类别确定待诊断滚动轴承的的复合故障类型；若w₁,w₂,w₄,w₈,w₁₁,w₁₅在相同的类别(1个)上重构误差较小，则可根据这一类别确定待诊断滚动轴承的单一故障类型。

图5显示了w₁,w₂,w₄,w₈,w₁₁,w₁₅的重构误差分布图。可以看出：w₁,w₂的较小值均分布在第2和3类别上、w₄,w₁₁的较小值均分布在第2类别上、w₈,w₁₅的较小值均分布在第3类别上。由已知第2和3类别分别对应于外环故障和内环故障，因此，待诊断的滚动轴承存在外环和内环的复合故障类型，这一结论与实际相符。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，其步骤如下：

S1、采集正常无故障振动信号样本和已知单一故障的振动信号样本；

S2、利用步骤S1中的正常无故障振动信号样本和已知单一故障的振动信号样本构建用于稀疏分解的字典；

S3、采集待诊断滚动轴承的振动信号；

S4、对步骤S3中的待诊断滚动轴承的振动信号进行可调品质因子小波变换，得到一系列频带不同的变换系数向量；

S5、计算步骤S4中的变换系数向量的峭度，并利用显著性的判断标准将峭度值显著大于阈值T的变换系数向量作为故障特征向量；

S6、利用正交匹配追踪算法计算步骤S5中的每个故障特征向量在字典上的稀疏系数向量；

S7、利用稀疏系数向量和字典上的子字典对步骤S5中的每个故障特征向量进行重构，并凭借重构误差较小值的判断标准对重构误差进行归类；

S8、依次判断重构误差是否存在满足判断标准的较小值，若存在，找出重构误差较小值所在的类别，根据类别确定待诊断滚动轴承的故障类型。

2.根据权利要求1所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述步骤S1中正常无故障振动信号样本是在同型号、同转速、不同负载作用下采集一定时长正常无故障振动信号；所述已知单一故障的振动信号样本是在不同的故障尺寸下采集的故障振动信号，其中，已知单一故障包括外环故障、内环故障和滚动体故障。

3.根据权利要求2所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述正常无故障振动信号样本为N₁,N₂,…,N_n1，其中，n1表示负载种类；所述外环故障振动信号样本为O₁,O₂,…,O_n2，其中，n2表示外环故障的尺寸数量；所述内环故障振动信号样本集I₁,I₂,…,I_n3，其中，n3表示内环故障的尺寸数量；所述滚动体故障振动信号样本集B₁,B₂,…,B_n4，其中，n4表示滚动体故障的尺寸数量。

4.根据权利要求1或3所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述稀疏分解的字典的构建方法为：

S21、设置重叠长度为l1，对每个正常无故障振动信号样本N_i1进行重叠截断处理，使每段信号长度为L，在所有正常无故障的信号段中，随机选取k1个信号段合并作为子字典

其中，1≤i1≤n1，k1＞n1，

表示随机选取的由N₁,N₂,…,N_n1重叠截断产生的信号段；

S22、设置重叠长度为l2，对每个外环故障振动信号样本O_i2进行重叠截断处理，使每段信号长度为L，在所有外环故障的信号段中，随机选取k2个合并作为子字典

其中，1≤i2≤n2，k2＞n2，

表示随机选取的由O₁,O₂,…,O_n2重叠截断产生的信号段；

S23、设置重叠长度为l3，对每个内环故障振动信号样本I_i3进行重叠截断处理，使每段信号长度为L，在所有内环故障的信号段中，随机选取k3个合并作为子字典

其中，1≤i3≤n3，k3＞n3，

表示随机选取的由I₁,I₂,…,I_n3重叠截断产生的信号段；

S24、设置重叠长度为l4，对每个滚动体故障振动信号样本B_i4进行重叠截断处理，使每段信号长度为L，在所有滚动体故障的信号段中，随机选取k4个合并作为子字典

其中，1≤i4≤n4，k3＞n3，

表示随机选取的由B₁,B₂,…,B_n4重叠截断产生的信号段；

S25、将步骤S21至S24中的4个子字典合并构成了稀疏分解的字典D，即D＝[D₁,D₂,D₃,D₄]∈R^{L×(k1+k2+k3+k4)}。

5.根据权利要求1或2所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述待诊断滚动轴承的振动信号的采集方法为：将同型号的未知故障类型的滚动轴承安装在转轴上，设置转轴的转速与正常无故障振动信号的转速相同，采集一定时长的振动信号，得到未知故障类型的振动信号为y。

6.根据权利要求1所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述变换系数向量的峭度的计算方法为：

其中，1≤i≤p，w_i为第i个变换系数向量，p为变换系数向量的个数，μ为第i个变换系数向量w_i的平均值，σ为第i个变换系数向量w_i的标准差，

N_i为第i个变换系数向量w_i的长度。

7.根据权利要求6所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述显著性的判断标准为：

其中，T为阈值。

8.根据权利要求1所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述稀疏系数向量为：

其中，

为稀疏系数向量的求解值，α_i为稀疏分解的字典D的列向量总数，D为稀疏分解的字典，w_i为第i个变换系数向量，γ为正则化参数。

9.根据权利要求1所述的基于稀疏分类算法的滚动轴承复合故障诊断方法，其特征在于，所述利用稀疏系数向量和字典上的子字典对故障特征向量进行重构，凭借重构误差较小值判断标准进行归类的方法为：

S71、计算重构误差：

其中，1≤j≤4，

子向量

分别对应于子字典D₁、D₂、D₃、D₄上的稀疏系数向量；

S72、判断重构误差e_ij是否为较小值，判断标准为：

若满足判断标准，则将故障特征向量w_i归类到j类别。

Images