一種基于符號(hào)化概率有限狀態(tài)機(jī)的軸承故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及軸承故障診斷技術(shù)領(lǐng)域，具體涉及基于符號(hào)動(dòng)力學(xué)的一種軸承故障診 斷方法。
【背景技術(shù)】
[0002] 隨著科學(xué)技術(shù)和現(xiàn)代工業(yè)的飛速發(fā)展，國(guó)民經(jīng)濟(jì)的機(jī)械、能源、石化、運(yùn)載和國(guó)防 等行業(yè)的機(jī)械設(shè)備日趨大型化、高速化、集成化和自動(dòng)化，這對(duì)我國(guó)經(jīng)濟(jì)高速發(fā)展提供了有 力保障。但是由于機(jī)械設(shè)備的故障失效引起的災(zāi)難性事故屢有發(fā)生，若能準(zhǔn)確及時(shí)識(shí)別機(jī) 械系統(tǒng)運(yùn)行當(dāng)中異常狀態(tài)，對(duì)機(jī)械系統(tǒng)的安全運(yùn)行，避免重大和災(zāi)難性事故意義重大。隨著 對(duì)高質(zhì)量、低能耗以及安全生產(chǎn)的需求，已經(jīng)有多種信號(hào)處理的方法引入到機(jī)械當(dāng)中。其 中，符號(hào)化時(shí)間序列分析由于具有計(jì)算效率高，高信噪比等特性被廣泛地應(yīng)用軸承故障診 斷當(dāng)中。
[0003] 符號(hào)化時(shí)間序列分析STSA(SymbolicTimeSeriesAnalysis)起源于上世紀(jì)90 年代中期，它是由符號(hào)動(dòng)力學(xué)理論、混沌時(shí)間序列分析和信息論發(fā)展起來(lái)的一種新的信息 分析方法。近年來(lái)，概率有限狀態(tài)機(jī)廣泛地應(yīng)用于符號(hào)序列的特征提取當(dāng)中。這是一種建 立在符號(hào)動(dòng)力學(xué)、信息論和統(tǒng)計(jì)信號(hào)處理基礎(chǔ)上的特征提取方法。2004年Ray在D階馬爾 科夫狀態(tài)機(jī)的基礎(chǔ)上提出了符號(hào)化概率有限狀態(tài)機(jī)特征提取方法。2011年，Jin等人將小 波變換引入到數(shù)據(jù)的擴(kuò)維當(dāng)中，將一維概率有限狀態(tài)機(jī)擴(kuò)展到二維空間上，并應(yīng)用于移動(dòng) 機(jī)器人的行為識(shí)別當(dāng)中。目前二維概率有限狀態(tài)機(jī)是研宄熱點(diǎn)之一，常用的小波擴(kuò)維方法 需要應(yīng)用人員對(duì)其能量密度譜進(jìn)行定性的觀察選取相關(guān)參數(shù)，這一選取過(guò)程對(duì)后續(xù)的特征 提取影響至關(guān)重要，而目前沒(méi)有一個(gè)很好的定量選取方法。這些問(wèn)題使得二維概率有限狀 態(tài)機(jī)在實(shí)際應(yīng)用中有很大的不確定性。
[0004] 在得到了信號(hào)的典型特征信息之后，需要對(duì)特征進(jìn)行學(xué)習(xí)分類，分類通常是一種 有監(jiān)督的機(jī)器學(xué)習(xí)方法。國(guó)內(nèi)外研宄者提出多種分類方法，其中常用的有神經(jīng)網(wǎng)絡(luò)、支持向 量機(jī)、決策樹、貝葉斯分類器等。其中k-最近鄰是一種基于實(shí)例類比的學(xué)習(xí)算法，其具有簡(jiǎn) 單、高效的特點(diǎn)，是十大數(shù)據(jù)挖掘算法之一。但是KNN算法是一種基于實(shí)例學(xué)習(xí)的惰性學(xué)習(xí) 算法，沒(méi)有從訓(xùn)練集中學(xué)習(xí)得到一個(gè)顯式的分類器，這使得其必須將所有訓(xùn)練樣本保存起 來(lái)。隨著訓(xùn)練樣本庫(kù)的增大，其所需的存儲(chǔ)空間，以及分類時(shí)所需的時(shí)間都大大增加，這一 局限性使得KNN分類算法在樣本集過(guò)大時(shí)效率大大降低。

【發(fā)明內(nèi)容】

[0005] 鑒于以上所述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明提供了一種基于符號(hào)化概率有限狀態(tài)機(jī)的 軸承故障診斷方法，該發(fā)明使用短時(shí)傅里葉變換符號(hào)法代替小波符號(hào)法進(jìn)行擴(kuò)維和符號(hào) 化。在故障分類中使用K-means聚類對(duì)傳統(tǒng)的K-最近鄰分類方法進(jìn)行改進(jìn)。
[0006] 該方法具體包括以下步驟：
[0007] (1)利用加速度傳感器采集大量已知故障類別的軸承信號(hào)，并對(duì)不同故障類別的 軸承振動(dòng)信號(hào)按類別進(jìn)行標(biāo)記。假設(shè)共m類不同的軸承信號(hào)，分別標(biāo)記為Cl，c2, ???&，每 類軸承信號(hào)樣本數(shù)量分別為隊(duì)，m類軸承信號(hào)共有N個(gè)訓(xùn)練樣本；
[0008] (2)分別對(duì)N個(gè)訓(xùn)練樣本進(jìn)行二維符號(hào)化概率有限狀態(tài)機(jī)特征提取，并使用提取 出來(lái)的特征向量來(lái)表示各個(gè)訓(xùn)練樣本。此時(shí)m類軸承信號(hào)都抽象為特征向量，例如(^類N i 個(gè)樣本信號(hào)將使用向量巧，月2,…片V??表示；
[0009] (3)使用改進(jìn)的k-最近鄰分類器對(duì)訓(xùn)練特征向量集進(jìn)行學(xué)習(xí)，學(xué)習(xí)主要是通過(guò)對(duì) 每類信號(hào)樣本分別使用k-means聚類分析。這樣(^類N i個(gè)樣本信號(hào)，將使用k :個(gè)中心向 量(5丨，0，…免表示；
[0010] (4)從未知狀態(tài)的軸承上利用步驟（1)相同傳感器，采集其運(yùn)行時(shí)的信號(hào)。經(jīng)過(guò)步 驟（2)中的特征提取方法，待診斷的軸承信號(hào)將使用特征向量i表示。然后利用傳統(tǒng)的KNN 分類方法，將特征向量i與訓(xùn)練結(jié)果中的mb個(gè)中心向量進(jìn)Rk 2最近鄰分類，根據(jù)k2個(gè)最近 鄰中所占類別最多軸承信號(hào)對(duì)未知狀態(tài)的軸承進(jìn)行診斷分類；
[0011] 進(jìn)一步的，步驟（2)中的二維符號(hào)化概率有限狀態(tài)機(jī)特征提取方法，其具體步驟 為：
[0012] (2. 1)短時(shí)傅里葉能量譜密度符號(hào)化：對(duì)一維的軸承振動(dòng)信號(hào)進(jìn)行離散短時(shí)傅里 葉變換，將一維信號(hào)轉(zhuǎn)換為二維的能量譜密度矩陣。對(duì)二維能量譜密度矩陣進(jìn)行符號(hào)化，得 到二維符號(hào)矩陣；
[0013] (2. 2)概率有限狀態(tài)機(jī)特征提?。簩?duì)二維符號(hào)矩陣構(gòu)建概率有限狀態(tài)機(jī)模型，使 用模型提取出的左特征向量作為特征量；
[0014] 進(jìn)一步的，步驟（3)、步驟（4)中改進(jìn)的K-最近鄰分類算法具體步驟如下所示：
[0015] (3. 1)對(duì)訓(xùn)練樣本集中每類數(shù)據(jù)進(jìn)行K-means聚類分析，其中聚類數(shù)匕應(yīng)滿足下 式要求。
[0016] min {N p N2，…，NJ
[0017] 在對(duì)每類數(shù)據(jù)進(jìn)行基于歐氏距離的k-means聚類之后，訓(xùn)練集中每類數(shù)據(jù)都使用 &個(gè)中心表示；
[0018] (3. 2)輸入K-最近鄰分類算法中最近鄰數(shù)k2，根據(jù)新訓(xùn)練集中樣本類別和數(shù)量k2 應(yīng)該滿足式要求。
[0019] 1 k2^ mk j k2 G Z
[0020] 在確定了分類中最近鄰數(shù)k2之后，計(jì)算待分類向量i與其他mkif簇中心的歐式 距離。根據(jù)經(jīng)典k-最近鄰分類規(guī)則，可以完成對(duì)向量；e的分類。
[0021] 與現(xiàn)有技術(shù)相比，使用短時(shí)傅里葉符號(hào)化方法代替小波符號(hào)法，提高了特征提取 方法的穩(wěn)定性與實(shí)用性。利用K-means對(duì)傳統(tǒng)的K-最近鄰分類算法進(jìn)行改進(jìn)，提高了算法 的計(jì)算效率和故障分類效果。
【附圖說(shuō)明】
[0022] 圖1為本發(fā)明軸承故障診斷方法的流程圖；
[0023] 圖2為本發(fā)明軸承故障診斷方法中短時(shí)傅里葉能量譜密度符號(hào)化示意圖。
【具體實(shí)施方式】
[0024] 下面結(jié)合附圖和實(shí)例對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，但是本發(fā)明的保護(hù)范圍不 局限于所述實(shí)施例。
[0025] 如圖1所示，本發(fā)明提供了一種基于符號(hào)化概率有限狀態(tài)機(jī)的軸承故障診斷方 法，該方法包括以下步驟：
[0026] (1)利用加速度傳感器采集大量已知故障類別的軸承信號(hào)，分別為正常軸承振動(dòng) 信號(hào)30組、0? 18mm尺寸內(nèi)圈故障30組、0? 36mm尺寸內(nèi)圈故障30組和0? 54mm尺寸內(nèi)圈故 障30組。對(duì)不同故障類別的軸承振動(dòng)信號(hào)按類別進(jìn)行標(biāo)記，共4類不同的軸承信號(hào)，分別 標(biāo)記為 Cl，c2, c3, c4，每類軸承信號(hào)樣本數(shù)量分別為30,4類軸承信號(hào)共有120個(gè)訓(xùn)練樣本；
[0027] (2)分別對(duì)120個(gè)訓(xùn)練樣本進(jìn)行二維