CN111767891A - 一种滚动轴承故障诊断方法 - Google Patents
一种滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111767891A CN111767891A CN202010657960.0A CN202010657960A CN111767891A CN 111767891 A CN111767891 A CN 111767891A CN 202010657960 A CN202010657960 A CN 202010657960A CN 111767891 A CN111767891 A CN 111767891A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pca
- time domain
- rolling bearing
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种滚动轴承故障诊断方法,包括以下步骤:步骤一,获取滚动轴承的原始振动数据;步骤二,对步骤一所得的原始振动数据提取时域特征;步骤三,利用PCA算法对步骤二时域特征数据进行降维去噪,提取时域特征主分量;步骤四,利用KICA算法对PCA得到的特征空间进行处理,得到各分量统计独立的特征空间;步骤五,利用SVM特征信号进行分类即故障诊断。本发明有效的克服了现有技术中特征信息复杂且冗余,特征信息表征能力不高以及故障诊断准确率不高的技术问题。同时在旋转设备在线监测领域拥有独特的优势。
Description
技术领域
本发明涉及本发明属于轴承故障诊断领域,尤其涉及一种滚动轴承故障诊断方法。
背景技术
滚动轴承是旋转机械的重要部件,研究钻承的故障诊断技术,对于保障设备的安全运行具有十分重要的意义。在过去的数十年中,振动信号、声辐射和温度值等参数都曾被用于轴承的损伤诊断,其中振动信号因其具有轴承状态信息丰富、测试简便和相关理论较为成熟的特点而得到广泛应用。
目前工程人员提出基于时域特征提取方法有峭度,裕度和峰值等,频域上的傅里叶变换以及时频域上的经验模态分解(EMD)、局部均值分解和本征时间尺度分解等。但是由于滚动轴承损坏过程特征信息具有复杂性和多变性的特点,并且轴承振动信号的指标之间存在很强的关联性,冗余信息较多且信号中往往含有强噪声,所以故障特征很难提取尤其是在轴承早期发生故障的时候。
发明内容
针对滚动轴承故障特征难以提取的问题,本文提出了一种基于PCA+KICA和SVM的滚动轴承故障诊断方法,即将主成分分析法(PCA)的降维去噪技术和核独立成分分析(kernel independent component analysis,KICA)法的盲源分离技术相融合并结合SVM(支持向量机)对滚动轴承故障进行准确分类的方法。该方法比传统的PCA+SVM的诊断方法提取的故障特征信息表征能力更强分类准确率更高。
为实现上述技术目的,本发明采取的技术方案为:
一种滚动轴承故障诊断方法,包括以下步骤:
步骤一,获取滚动轴承的原始振动数据;
步骤二,对步骤一所得的原始振动数据提取时域特征;
其特征是:
步骤三,利用PCA算法对步骤二时域特征数据进行降维去噪,提取时域特征主分量;
步骤四,利用KICA算法对PCA得到的特征空间进行处理,得到各分量统计独立的特征空间;
步骤五,利用SVM特征信号进行分类即故障诊断。
为优化上述技术方案,采取的具体措施还包括:
步骤二中的时域特征包括均值其中峰值xp,其中xp=max(|xi|),幅值平方和xc,其中均方根xrms,其中方根幅值xr,其中标准差xstd,其中歪度xske,其中峭度xkur,其中波形指标xSF,其中峰值指标Ip,其中IP=xp/xrms,脉冲指标Cf,其中裕度指标Ce,其中上式中xi为轴承振动信号数据序列
步骤三的具体步骤为:
将步骤二所得的轴承不同状态下的各种时域特征组成数据矩阵Y,并对其进行PCA算法降维处理;降维处理是对时域特征提取之后的特征信息组成新的低维数据矩阵,具体步骤如下:
设观测样本信号矩阵Y是d×N型矩阵(d为样本数N为特征数),即
假定Y是经过中心化后样本矩阵;
标准化观测样本信号矩阵为
式中,Q是Y的样本方差矩阵平方根的逆。
(3)依据PCA方法的主元选择标准确定保留的主元个数m,并计算前m个主元,表示为
步骤四的具体步骤为:
(1)将YPCA白化处理,即
(2)选择核函数K(x,y),根据KICA算法,确定目标函数C(W);
定义λH为下式的最大特征值:
其中K1,K2.....Km是观察数据的Gram矩阵,a1,a2.....am分别是K1,K2.....Km的特征矢量。
(5)对W进行收敛判断,若不收敛,返回到(3)步,收敛则进行(6)步;
步骤五的具体具体步骤为:
(1)选择合适的核函数;
(2)采用交叉验证选择最佳参数;
(3)采用最佳参数对整个训练集进行训练获取支持向量机模型;
(4)利用获得的模型进行训练与预测。
与现有技术相比,本发明所达到的有益效果;本发明是一种基于改进主成分分析法(PCA)和支持向量机(SVM)的滚动轴承故障诊断方法,通过振动传感器采集轴承不同状态的振动数据,并提取振动数据在时域上的特征,然后在主成分分析法的基础上增加核独立成分分析,对时域特征数据进行降维去噪,提特征主分量。最后使用支持向量机对故障进行准确的分类。
该发明有效的克服了现有技术中特征信息复杂且冗余,特征信息表征能力不高以及故障诊断准确率不高的技术问题。同时在旋转设备在线监测领域拥有独特的优势。
附图说明
图1是本发明的滚动轴承故障诊断系统框图;
图2是现有技术中利用PCA处理的轴承状态空间分布图;
图3是本发明利用PCA+KICA处理的轴承状态空间分布图;
图4是现有技术中PCA+SVM对轴承状态的诊断结果图;
图5是本发明利用PCA+KICA+SVM对轴承状态的诊断结果图。
具体实施方式
以下对本发明的实施例作进一步详细描述。
一种滚动轴承故障诊断方法,包括以下步骤:
步骤一,获取滚动轴承的原始振动数据;
步骤二,对步骤一所得的原始振动数据提取时域特征;
其特征是:
步骤三,利用PCA算法对步骤二时域特征数据进行降维去噪,提取时域特征主分量;
步骤四,利用KICA算法对PCA得到的特征空间进行处理,得到各分量统计独立的特征空间;
步骤五,利用SVM特征信号进行分类即故障诊断。
步骤二中的时域特征包括均值其中峰值xp,其中xp=max(|xi|),幅值平方和xc,其中均方根xrms,其中方根幅值xr,其中标准差xstd,其中歪度xske,其中峭度xkur,其中波形指标xSF,其中峰值指标Ip,其中IP=xp/xrms,脉冲指标Cf,其中裕度指标Ce,其中上式中xi为轴承振动信号数据序列。
步骤三的具体步骤为:
将步骤二所得的轴承不同状态下的各种时域特征组成数据矩阵Y,并对其进行PCA算法降维处理;降维处理是对时域特征提取之后的特征信息组成新的低维数据矩阵,具体步骤如下:
设观测样本信号矩阵Y是d×N型矩阵(d为样本数N为特征数),即
假定Y是经过中心化后样本矩阵;
标准化观测样本信号矩阵为
式中,Q是Y的样本方差矩阵平方根的逆。
(3)依据PCA方法的主元选择标准确定保留的主元个数m,并计算前m个主元,表示为
步骤四的具体步骤为:
(1)将YPCA白化处理,即
(2)选择核函数K(x,y),根据KICA算法,确定目标函数C(W);
定义λH为下式的最大特征值:
其中K1,K2.....Km是观察数据的Gram矩阵,a1,a2.....am分别是K1,K2.....Km的特征矢量。
(5)对W进行收敛判断,若不收敛,返回到(3)步,收敛则进行(6)步;
步骤五的具体具体步骤为:
(1)选择合适的核函数;
(2)采用交叉验证选择最佳参数;
(3)采用最佳参数对整个训练集进行训练获取支持向量机模型;
(4)利用获得的模型进行训练与预测。
从图2可看出,根据传统PCA算法提取振动信号的前三个时域特征主成分可大致实现滚动轴承状态的区分识别,但轴承内圈故障和外圈故障在特征空间中出现小面积的相互交融情况,影响SVM分类的准确率。而从图3可以看出PCA_KICA算法处理的特征空间则不存在这个问题,4个轴承状态相对独立比较好区分识别。下面借助SVM实现滚动轴承状态的精确识别。将测取的每种轴承故障状态100个样本分为支持向量机训练样本和检验样本,其中训练样本50个,检验样本50个。对样本分别进行PCA算法和PCA_KICA算法提取故障特征后,利用训练样本完成支持向量机的训练,训练完毕后利用检验样本进行检验。PCA-SVM的识别结果如图4所示,PCA_ICA-SVM的识别结果如图5所示,从图4中可以看出PCA-SVM算法对于四种轴承故障共200个样本,识别正确185个,识别准确率为92.5%。而图5可以看出PCA_ICA-SVM算法对200个样本的识别正确个数为197个,识别准确率为98.5%,准确率提高了6%。由此证明提出的融合PCA、KPCA算法并结合SVM是一种有效的滚动轴承故障诊断方法。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.一种滚动轴承故障诊断方法,包括以下步骤:
步骤一,获取滚动轴承的原始振动数据;
步骤二,对步骤一所得的原始振动数据提取时域特征;
其特征是:
步骤三,利用PCA算法对步骤二时域特征数据进行降维去噪,提取时域特征主分量;
步骤四,利用KICA算法对PCA得到的特征空间进行处理,得到各分量统计独立的特征空间;
步骤五,利用SVM特征信号进行分类即故障诊断。
3.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征是:步骤三的具体步骤为:
将步骤二所得的轴承不同状态下的各种时域特征组成数据矩阵Y,并对其进行PCA算法降维处理;降维处理是对时域特征提取之后的特征信息组成新的低维数据矩阵,具体步骤如下:
设观测样本信号矩阵Y是d×N型矩阵(d为样本数N为特征数),即
假定Y是经过中心化后样本矩阵;
标准化观测样本信号矩阵为
式中,Q是Y的样本方差矩阵平方根的逆。
(3)依据PCA方法的主元选择标准确定保留的主元个数m,并计算前m个主元,表示为
4.根据权利要求3所述的一种滚动轴承故障诊断方法,其特征是:步骤四的具体步骤为:
(1)将YPCA白化处理,即
(2)选择核函数K(x,y),根据KICA算法,确定目标函数C(W);
定义λH为下式的最大特征值:
其中K1,K2.....Km是观察数据的Gram矩阵,a1,a2.....am分别是K1,K2.....Km的特征矢量。
(5)对W进行收敛判断,若不收敛,返回到(3)步,收敛则进行(6)步;
5.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征是:步骤五的具体具体步骤为:
(1)选择合适的核函数;
(2)采用交叉验证选择最佳参数;
(3)采用最佳参数对整个训练集进行训练获取支持向量机模型;
(4)利用获得的模型进行训练与预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657960.0A CN111767891A (zh) | 2020-07-09 | 2020-07-09 | 一种滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657960.0A CN111767891A (zh) | 2020-07-09 | 2020-07-09 | 一种滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111767891A true CN111767891A (zh) | 2020-10-13 |
Family
ID=72725963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010657960.0A Pending CN111767891A (zh) | 2020-07-09 | 2020-07-09 | 一种滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642101A (zh) * | 2021-07-21 | 2021-11-12 | 北京航天发射技术研究所 | 一种液压助力转向器故障诊断方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041725A1 (en) * | 2010-08-11 | 2012-02-16 | Huh Seung-Il | Supervised Nonnegative Matrix Factorization |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
CN109308498A (zh) * | 2018-11-28 | 2019-02-05 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂小米汤辨识方法 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
-
2020
- 2020-07-09 CN CN202010657960.0A patent/CN111767891A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041725A1 (en) * | 2010-08-11 | 2012-02-16 | Huh Seung-Il | Supervised Nonnegative Matrix Factorization |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
CN107271187A (zh) * | 2017-08-09 | 2017-10-20 | 西华大学 | 一种对汽车变速器轴承故障进行定量诊断的方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN109308498A (zh) * | 2018-11-28 | 2019-02-05 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂小米汤辨识方法 |
CN109829402A (zh) * | 2019-01-21 | 2019-05-31 | 福州大学 | 基于gs-svm的不同工况下轴承损伤程度诊断方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN110674892A (zh) * | 2019-10-24 | 2020-01-10 | 北京航空航天大学 | 一种基于加权多特征融合和svm分类的故障特征筛选方法 |
Non-Patent Citations (4)
Title |
---|
WIDODO A 等: "Fault diagnosis of low speed bearing based on relevance vector machine and support vector machine", 《EXPERT SYSTEMS WITH APPLICATIONS》, vol. 36, no. 3, pages 7252 - 7261, XP025914624, DOI: 10.1016/j.eswa.2008.09.033 * |
张沛朋 等: "基于PCA-SVM的滚动轴承故障诊断研究", 《组合机床与自动化加工技术》, no. 2015, pages 88 - 90 * |
朱川 等: "基于PCAICA与SVM的滚动轴承故障诊断研究", 《南京工程学院学报 (自然科学版 )》, vol. 19, no. 2021, pages 20 - 24 * |
梁胜杰 等: "基于主成分分析与核独立成分分析的降维方法", 《系统工程与电子技术》, vol. 33, no. 09, pages 1 - 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642101A (zh) * | 2021-07-21 | 2021-11-12 | 北京航天发射技术研究所 | 一种液压助力转向器故障诊断方法及装置 |
CN113642101B (zh) * | 2021-07-21 | 2023-12-01 | 北京航天发射技术研究所 | 一种液压助力转向器故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
Glowacz | Diagnostics of DC and induction motors based on the analysis of acoustic signals | |
CN111103139A (zh) | 基于grcmse与流形学习的滚动轴承故障诊断方法 | |
Alam et al. | Performance of classification based on PCA, linear SVM, and Multi-kernel SVM | |
CN107209512B (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN112098088B (zh) | 一种基于kica-分形理论的滚动轴承故障诊断方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
JP6359123B2 (ja) | 検査データ処理装置および検査データ処理方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN112729835B (zh) | 一种轴向柱塞泵轴承的多域半监督故障诊断方法及装置 | |
CN111767891A (zh) | 一种滚动轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116595317A (zh) | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 | |
Hwang et al. | Application of cepstrum and neural network to bearing fault detection | |
Sadoughi et al. | A physics-based deep learning approach for fault diagnosis of rotating machinery | |
Holguín-Londoño et al. | Machine fault detection based on filter bank similarity features using acoustic and vibration analysis | |
Li et al. | A new method of nonlinear feature extraction for multi-fault diagnosis of rotor systems | |
Song et al. | Rolling Bearing Fault Diagnosis Under Different Severity Based on Statistics Detection Index and Canonical Discriminant Analysis | |
CN115438698A (zh) | 一种基于图像处理的电力设备声音识别方法及系统 | |
Shamsi et al. | Heart sound localization in chest sound using temporal fuzzy c-means classification | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
Chen et al. | Bearing fault detection based on SVD and EMD |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |