基于小波主成分分析的滾動(dòng)軸承故障預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及滾動(dòng)軸承技術(shù)領(lǐng)域，尤其涉及一種基于小波主成分分析的滾動(dòng)軸承故 障預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 20世紀(jì)60年代，滾動(dòng)軸承的故障診斷開始出現(xiàn)在科技領(lǐng)域中，經(jīng)過幾十年的迅猛 發(fā)展，到現(xiàn)在已經(jīng)成為一個(gè)融合了機(jī)械檢測(cè)領(lǐng)域和自動(dòng)控制領(lǐng)域以及模式識(shí)別領(lǐng)域的綜合 性應(yīng)用學(xué)科。
[0003] 滾動(dòng)軸承在許多機(jī)電設(shè)備中起到至關(guān)重要的作用，滾動(dòng)軸承的工作狀況也是影響 設(shè)備狀態(tài)的關(guān)鍵因素。由于設(shè)備工況的復(fù)雜和環(huán)境參數(shù)的不穩(wěn)定，滾動(dòng)軸承的故障原因難 以識(shí)別。另外，滾動(dòng)軸承由外環(huán)、內(nèi)環(huán)、滾子和保持架等單元組成，故障復(fù)雜性還體現(xiàn)在單元 故障特征多樣性，單元的故障原因不唯一以及單元故障的隨機(jī)耦合性，通過軸承故障診斷， 定位軸承故障單元，對(duì)找出故障原因起著關(guān)鍵作用。
[0004] 滾動(dòng)軸承的故障診斷技術(shù)的核心部分是信號(hào)處理技術(shù)。信號(hào)處理技術(shù)經(jīng)歷了漫長(zhǎng) 的發(fā)展歷程。1946年出現(xiàn)的短時(shí)傅里葉變換是最早提出的一種時(shí)頻分析方法，只適于分析 在時(shí)間窗內(nèi)平穩(wěn)的一些緩變的非平穩(wěn)信號(hào)，時(shí)間窗內(nèi)的分辨率是固定不變的。經(jīng)驗(yàn)?zāi)B(tài)分 解是一種基于經(jīng)驗(yàn)的非線性、非平穩(wěn)信號(hào)分析方法，目前尚未有原理證明該方法的科學(xué)性。 經(jīng)驗(yàn)?zāi)B(tài)分解提取的本征模態(tài)函數(shù)（IntrinsicModeFunction，IMF)個(gè)數(shù)的判別算法并不 完善，容易出現(xiàn)端點(diǎn)效應(yīng)，丟失信號(hào)的頻率信息，使診斷精度受到影響，并且提取信號(hào)邊際 譜和希爾伯特譜的算法時(shí)間復(fù)雜度高，不利于實(shí)際操作。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的實(shí)施例提供了一種基于小波主成分分析的滾動(dòng)軸承的工作狀態(tài)故障預(yù) 測(cè)方法，以實(shí)現(xiàn)在軸承故障早期做出判別預(yù)警。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明采取了如下技術(shù)方案。
[0007] -種基于小波主成分分析的滾動(dòng)軸承的故障預(yù)測(cè)方法，包括：
[0008] 提取滾動(dòng)軸承的振動(dòng)加速度信號(hào)的小波包變換系數(shù)，計(jì)算出所述小波包變換系數(shù) 與所述軸承振動(dòng)加速度信號(hào)之間的多分辨率相似系數(shù)熵；
[0009] 運(yùn)用小波主成分分析算法對(duì)所述多分辨率相似系數(shù)熵進(jìn)行特征融合處理，得到多 分辨率狀態(tài)融合空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的融合特征測(cè)度；
[0010] 根據(jù)所述多分辨率狀態(tài)融合空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的融合特征測(cè)度 監(jiān)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài)，根據(jù)比較所述融合特征測(cè)度的變化趨勢(shì)識(shí)別出處于正常狀態(tài)、 故障狀態(tài)和隱患狀態(tài)的滾動(dòng)軸承的融合區(qū)間。
[0011] 優(yōu)選地，所述的提取滾動(dòng)軸承的振動(dòng)加速度信號(hào)的小波包變換系數(shù)，包括：
[0012] 將原始的軸承振動(dòng)加速度信號(hào)分解為j層，得到2]個(gè)小波包分量，所述2 ]個(gè)小波 包分量表示將原始信號(hào)頻率平均分解成2]個(gè)頻帶后，每個(gè)頻帶包含的時(shí)域幅值；
[0013] 對(duì)所述2]個(gè)小波包分量分別重構(gòu)，獲得2 ]個(gè)小波包分量系數(shù)。
[0014] 優(yōu)選地，所述的計(jì)算出所述小波包變換系數(shù)與所述軸承振動(dòng)加速度信號(hào)之間的多 分辨率相似系數(shù)熵，包括：
[0015] 設(shè)原始軸承振動(dòng)加速度信號(hào)的周期采集點(diǎn)數(shù)為n，一個(gè)采集周期內(nèi)的軸承振動(dòng)加 速度信號(hào)的第j層小波包分量系數(shù)集合為.！ #u/e[i, 丨，n+:正 整數(shù)；
[0016] 原始軸承振動(dòng)加速度信號(hào)一個(gè)采樣周期內(nèi)的時(shí)域幅值為{Bk|kGN+U， kG[1,n]}；
[0017] 則小波包分量系數(shù)與原始軸承振動(dòng)加速度信號(hào)之間的時(shí)域幅值相似系數(shù)的計(jì)算 公式為：
[0018]
[0019] 其中，A代表小波包分量系數(shù)，B代表原始時(shí)域幅值系數(shù)。<為對(duì)原始信號(hào)進(jìn)行j 層小波包分解，第j層第i個(gè)小波分量系數(shù)的第k個(gè)時(shí)間序列對(duì)應(yīng)的幅值，Bk為第k個(gè)時(shí)間 序列對(duì)應(yīng)的幅值系數(shù)，:於是小波包分量系數(shù)均值，f是時(shí)域幅值系數(shù)均值；
[0020] 求出小波包變換系數(shù)與原始軸承振動(dòng)加速度信號(hào)之間的多分辨率相似系數(shù)熵 H(x)的計(jì)算公式為：
[0021]
[0022] xGNUxG[1，2]]，代表第x個(gè)小波包分量系數(shù)與原始信號(hào)的相關(guān)熵?cái)?shù)值。將 多個(gè)相關(guān)熵?cái)?shù)值加和累積得到相關(guān)熵?cái)?shù)值H(x);
[0023] 按照上述過程，分別求出2]個(gè)小波包分量對(duì)應(yīng)的2 1個(gè)相似系數(shù)熵。
[0024] 優(yōu)選地，所述的運(yùn)用小波主成分分析算法對(duì)所述多分辨率相似系數(shù)熵進(jìn)行特征 融合處理，得到多分辨率狀態(tài)融合空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的融合特征測(cè)度，包 括：
[0025] 構(gòu)建狀態(tài)融合空間的數(shù)學(xué)模型，所述數(shù)學(xué)模型包括n維狀態(tài)融合空間，采用多分 辨率狀態(tài)融合空間作為所述數(shù)學(xué)模型的具體應(yīng)用模型；
[0026] PCA特征狀態(tài)融合器運(yùn)用PCA方法融合已經(jīng)提取的所有2]個(gè)多分辨率相似系數(shù) 熵，將融合處理后得到的多分辨率相似系數(shù)熵集合作為PCA特征狀態(tài)融合器的輸入，
[0027] PCA特征狀態(tài)融合器對(duì)輸入的所有多分辨率相似系數(shù)熵集合進(jìn)行特征融合運(yùn)算， 將PCA特征狀態(tài)融合器的輸出所占比例最大的前兩列主成分分量作為多分辨率狀態(tài)融合 空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的二維測(cè)度。
[0028] 優(yōu)選地，所述的根據(jù)所述多分辨率狀態(tài)融合空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的 融合特征測(cè)度監(jiān)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài)，根據(jù)比較所述融合特征測(cè)度的變化趨勢(shì)識(shí)別出處 于正常狀態(tài)、故障狀態(tài)和隱患狀態(tài)的滾動(dòng)軸承的融合區(qū)間，包括：
[0029] 處理器接收PCA特征狀態(tài)融合器輸出的獨(dú)立主成分信息，即第一主成分和第二主 成分組成的2維測(cè)度，以所述第一主元為橫軸測(cè)度，所述第二主元為縱軸測(cè)度，構(gòu)成2維平 面內(nèi)的多分辨率狀態(tài)融合空間；
[0030] 根據(jù)所述多分辨率狀態(tài)融合空間的滾動(dòng)軸承的振動(dòng)加速度信號(hào)的融合特征測(cè)度 監(jiān)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài)，根據(jù)比較所述融合特征測(cè)度的變化趨勢(shì)在多分辨率狀態(tài)融合空 間中將處于正常狀態(tài)、故障狀態(tài)和隱患狀態(tài)的滾動(dòng)軸承分別聚類在不同的區(qū)域，從而識(shí)別 出處于正常狀態(tài)、故障狀態(tài)和隱患狀態(tài)的滾動(dòng)軸承的融合區(qū)間。
[0031] 由上述本發(fā)明的實(shí)施例提供的技術(shù)方案可以看出，本發(fā)明實(shí)施例提出了一種基于 小波多分辨率技術(shù)的列車軸箱軸承隱患辨識(shí)方法，并米用PCA算法對(duì)隱患做出隱患辨識(shí)， 基于軸承異源隱患的振動(dòng)特征的可分性，運(yùn)用PCA提取多維狀態(tài)主成份的思想將異源隱患 的電機(jī)軸承振動(dòng)信號(hào)定位分類，實(shí)驗(yàn)證明基于多分辨率狀態(tài)融合空間的軸承隱患監(jiān)測(cè)和隱 患定位方法的有效性。
[0032] 本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，這些將從下面的描述中變 得明顯，或通過本發(fā)明的實(shí)踐了解到。
【附圖說明】
[0033] 為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用 的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本 領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他 的附圖。
[0034] 圖1為本發(fā)明實(shí)施例一提供的一種基于小波-PCA(PrincipalComponent Analysis，主成分分析）技術(shù)的滾動(dòng)軸承的故障預(yù)測(cè)方法的處理流程圖；
[0035] 圖2為本發(fā)明實(shí)施例二提供的一種滾子故障和正常狀態(tài)下的滾動(dòng)軸承振動(dòng)振動(dòng) 加速度信號(hào)圖；
[0036] 圖3為本發(fā)明實(shí)施例二提供的一種小波包相關(guān)性熵示意圖；
[0037] 圖4為本發(fā)明實(shí)施例二提供的一種PCA主成分融合結(jié)果圖；
[0038] 圖5為本發(fā)明實(shí)施例二提供的一種基于主成分的狀態(tài)變化監(jiān)測(cè)結(jié)果圖；
[0039] 圖6為本發(fā)明實(shí)施例二提供的一種狀態(tài)融合空間識(shí)別結(jié)果圖。
【具體實(shí)施方式】
[0040] 下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出，其中自始 至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。
[0041] 本技術(shù)領(lǐng)域技術(shù)人員