基于盲信号分离和支持向量机的滚动轴承故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112257530A(43)申请公布日2021.01.22(21)申请号202011088023.4(22)申请日2020.10.13(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人张伟涛纪晓凡孙瑾铃楼顺天(74)专利代理机构陕西电子工业专利中心61205代理人陈宏社王品华(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G01M13/045(2019.01)权利要求书4页说明书8页附图2页(54)发明名称基于盲信号分离和支持向量机的滚动轴承故障诊断方法(57)摘要本发明提出了一种基于盲信号分离和支持向量机的滚动轴承故障诊断方法，属于旋转机械智能故障诊断技术领域，旨在提高滚动轴承故障诊断的精度、效率和鲁棒性，实现步骤为：获取训练样本集和测试样本集；获取训练样本集对应的多维特征向量集；获取支持向量机集合；对支持向量机集合进行迭代训练；定义观测矩阵和分离矩阵；对观测矩阵进行盲信号分离；获取滚动轴承的故障诊断结果。本发明在分离矩阵的迭代中引入了自适应选择非线性函数和迭代步长，在提取振动信号特征向量时采用由幅域参数、频域指标和多尺度熵共同组成的多维特征向量，结合支持向量机，有效提高了诊断精度、效率和鲁棒性。CN112257530ACN112257530A权利要求书1/4页1.一种基于盲信号分离和支持向量机的滚动轴承故障诊断方法，其特征在于包括如下步骤：(1)获取训练样本集和测试样本集：(1a)从数据库中选取K个包含不同单一故障类型滚动轴承的N个振动时域信号，每个滚动轴承的振动时域信号为一个或多个，每个振动时域信号包含的单一故障类型为有故障类型或无故障类型，按照故障类型对每个振动时域信号进行标注，并对每个振动时域信号及其对应的标签进行组合，构成训练样本集X1，X1＝{(x1,y1),(x2,y2),…,(xn,yn),…,(xN,yN)}，其中，N≥200，K≥2，xn表示第n个振动时域信号，yn表示xn的标签；(1b)通过布置在复杂工况下滚动轴承座外壳上的M个振动传感器，对滚动轴承进行D次混合振动时域信号采集，并将M个各包含P个相互独立的源信号的混合振动时域信号组合成T测试样本集X2，X2＝＝[x1,x2,…,xm,…,xM]，xm＝[xm(1),xm(2),…,xm(t),…,xm(D)]，其中，T表示转置，M≥1，P≥2，D≥1000，xm(t)表示t时刻第m个振动传感器采集到的混合振动时域信号，1≤m≤M，1≤t≤D；(2)获取训练样本集X1对应的多维特征向量集Z1：提取训练样本集X1中每个振动时域信号xn的有效值(Xrms)n、方根幅值(Xr)n、歪度αn、峭度βn、峰值指标(Cf)n、峭度指标(Kv)n、频域指标fn和多尺度熵Msen，组成xn的多维特征向量zn，zn＝[(Xrms)n,(Xr)n,αn,βn,(Cf)n,(Kv)n,fn,Msen]，并将N个振动时域信号对应的多维特征向量组合成多维特征向量集Z1，Z1＝{z1,z2,…,zn,…,zN}；(3)构建支持向量机集合F：对K种故障类型中的任意两种故障类型各构建一个支持向量机，得到包含K(K-1)/2个支持向量机的集合F,F＝{f1,f2,…,fk,…,fK(K-1)/2}，其中fk表示第k个支持向量机；(4)对支持向量机集合F进行迭代训练：(4a)令k＝1；(4b)选取训练样本集X1中与支持向量机fk对应的两种故障类型的Nk个训练样本作为fk的训练样本集Ik，同时选取多维特征向量集Z1中与Nk个训练样本对应的多维特征向量作为fk的多维特征向量子集Hk；(4c)将fk的训练样本集Ik和多维特征向量子集Hk作为支持向量机fk的输入，并采用网格搜索方法，通过Ik中的标签和Hk对高斯径向基核函数的参数gk和惩罚因子Ck进行参数寻优，得到最优参数(gk)best和最优惩罚因子(Ck)best；(4d)通过最优参数(gk)best构建fk的高斯径向基核函数Gk(zi,zj)：2Gk(zi,zj)＝exp(-(gk)best||zi-zj||)其中zi,zj为多维特征向量子集Hk中的任意两个多维特征向量，i,j≤Nk且i≠j；(4e)利用高斯径向基核函数Gk(zi,zj)和最优惩罚因子(Ck)best，将支持向量机fk要解决的非线性不可分问题转化为线性可分问题A，并对A进行求解，得到训练后的支持向量机fk′，其中：2CN112257530A权利要求书2/4页其中，αi,αj均为拉格朗日系数，αi,αj≥0，yi和yj分别为训练样本集Ik中xi和xj对应的标签；(4f)判断k＝K(K-1)/2是否成立，若是，得到训练后的支持向