基于局部均值分解和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明基于局部均值分解和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方法屬于機(jī)械工程領(lǐng)域的滾動(dòng)軸承的故障檢測(cè)方法，涉及一種基于局部均值分解的模糊熵算法和灰色關(guān)聯(lián)的滾動(dòng)軸承故障檢測(cè)方法。檢測(cè)方法利用加速度傳感器采集運(yùn)行狀態(tài)下的滾動(dòng)軸承振動(dòng)加速度信號(hào)，包括無(wú)故障的正常軸承和有內(nèi)圈、滾動(dòng)體或外圈故障的軸承振動(dòng)加速度信號(hào)。再對(duì)采集的加速度信號(hào)進(jìn)行LMD分解，得到若干乘積函數(shù)PF分量和殘差；采用灰色關(guān)聯(lián)算法計(jì)算測(cè)試樣本與標(biāo)準(zhǔn)矩陣的灰色關(guān)聯(lián)度，進(jìn)而進(jìn)行故障模式識(shí)別。該識(shí)別方法能夠有效的進(jìn)行振動(dòng)信號(hào)的特征提取，克服了EMD分解具有嚴(yán)重過(guò)模態(tài)混疊、端點(diǎn)效應(yīng)的現(xiàn)象以及PF分量數(shù)據(jù)量大不能作為特征向量的問(wèn)題，實(shí)現(xiàn)滾動(dòng)軸承運(yùn)行狀態(tài)的有效識(shí)別。
【專(zhuān)利說(shuō)明】
基于局部均值分解和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于機(jī)械工程領(lǐng)域的滾動(dòng)軸承的故障檢測(cè)方法，具體涉及一種基于局部均 值分解的模糊熵算法和灰色關(guān)聯(lián)的滾動(dòng)軸承故障檢測(cè)方法。
【背景技術(shù)】
[0002] 機(jī)械設(shè)備中滾動(dòng)軸承是非常重要的零部件，在日常生活、工業(yè)生產(chǎn)以及國(guó)防建設(shè) 等各個(gè)領(lǐng)域應(yīng)用極為廣泛。滾動(dòng)軸承的運(yùn)行狀態(tài)的好壞直接影響著整臺(tái)設(shè)備運(yùn)行的穩(wěn)定 性、可靠性以及壽命。因此，滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)，對(duì)于安全生產(chǎn)，減小經(jīng)濟(jì) 損失，保證機(jī)械安全穩(wěn)定的運(yùn)行具有十分重要的作用。
[0003] 由于滾動(dòng)軸承受工作環(huán)境的影響，滾動(dòng)軸承的故障信號(hào)大都是非平穩(wěn)、非線性信 號(hào)，很難提取到滾動(dòng)軸承的故障特征。當(dāng)前，對(duì)于非平穩(wěn)、非線性的滾動(dòng)軸承信號(hào)的處理方 法有很多，主要有Wigner分布、經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition，EMD)，但都 有比較明顯的局限性，例如，Wigner分布對(duì)多分量信號(hào)進(jìn)行分析時(shí)會(huì)產(chǎn)生交叉項(xiàng);小波變換 處理信號(hào)缺乏自適應(yīng)性;EMD分解雖是自適應(yīng)信號(hào)處理方法，但EMD分解會(huì)造成過(guò)模態(tài)混疊、 端點(diǎn)效應(yīng)等現(xiàn)象。
[0004] 局部均值分解(Local Mean Decomposition,LMD)是一種新的自適應(yīng)非平穩(wěn)信號(hào) 處理方法。LMD分解與EMD分解相比，具有更高的信號(hào)的完整性保持能力，減少了迭代次數(shù)， 同時(shí)能夠更好地避免超調(diào)對(duì)信號(hào)分解的影響。程軍圣、張亢和楊宇等在《振動(dòng)與沖擊》2009 年第28卷第5期發(fā)表的論文《局部均值分解與經(jīng)驗(yàn)?zāi)Ｊ椒纸獾膶?duì)比研究》中對(duì)LMD和EMD方法 進(jìn)行了對(duì)比，結(jié)果表明在端點(diǎn)效應(yīng)、迭代次數(shù)等方面LMD方法要優(yōu)于EMD方法。由于滾動(dòng)軸承 的加速度信號(hào)經(jīng)LMD分解為若干的乘積函數(shù)分量(Pr 〇duCtfuncti〇n，PF)含有大量的數(shù)據(jù) 量，無(wú)法直接作為分類(lèi)的標(biāo)準(zhǔn)樣本。熵值是一種表征信號(hào)復(fù)雜程度的指標(biāo)，能夠有效的降低 特征向量的維數(shù)，充分表征信號(hào)的特征信息。模糊熵(FuzzyEn)對(duì)樣本熵、近似熵進(jìn)行了改 進(jìn)，在數(shù)據(jù)獨(dú)立性和相對(duì)一致性方面更加突出。因此采用模糊熵算法計(jì)算PF分量的模糊熵 值，作為更簡(jiǎn)單的故障特征向量。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的是克服現(xiàn)有技術(shù)的缺陷，發(fā)明一種基于局部均值分解和灰色關(guān)聯(lián)的滾 動(dòng)軸承檢測(cè)方法，通過(guò)對(duì)軸承加速度信號(hào)的分析，進(jìn)而識(shí)別出軸承的運(yùn)行狀態(tài)。采用基于 LMD模糊熵算法和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方法，克服了 EMD分解具有嚴(yán)重過(guò)模態(tài)混疊、端 點(diǎn)效應(yīng)的現(xiàn)象以及PF分量數(shù)據(jù)量大不能作為特征向量的問(wèn)題，實(shí)現(xiàn)滾動(dòng)軸承運(yùn)行狀態(tài)的有 效識(shí)別。
[0006] 本發(fā)明采用的技術(shù)方案是一種基于局部均值分解和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方 法，其特征是，檢測(cè)方法采用基于LMD模糊熵算法和灰色關(guān)聯(lián)相結(jié)合的計(jì)算方法，方法的具 體步驟如下：
[0007] 步驟一:利用加速度傳感器采集運(yùn)行狀態(tài)下的滾動(dòng)軸承振動(dòng)加速度信號(hào)，包括無(wú) 故障的正常軸承和有內(nèi)圈故障、滾動(dòng)體故障或外圈故障的軸承振動(dòng)加速度信號(hào)；
[0008] 步驟二:對(duì)采集的加速度信號(hào)進(jìn)行LMD分解，得到若干乘積函數(shù)PF分量和殘差；
[0009] 1)確定x(t)的所有局部極值點(diǎn)ru，計(jì)算相鄰極值點(diǎn)m和m+i的平均值mi和包絡(luò)估計(jì) 值ai，即：
[0012]用直線將所有相鄰兩個(gè)極值點(diǎn)的平均值nu連接起來(lái)，再利用滑動(dòng)平均法對(duì)連線進(jìn) 行平滑處理，得到局部均值函數(shù)11^(〇，（」=1，2，一士=1，2，一）；同樣，用直線把所有相鄰 包絡(luò)估計(jì)值&1連接起來(lái)，再利用滑動(dòng)平均法對(duì)連線進(jìn)行平滑處理，得到包絡(luò)估計(jì)函數(shù)a jk (t), (j = l ,2,··· ；k=l ,2··· ；k=)；
[0013] 2)把局部均值函數(shù)mjk(t)從原始信號(hào)x(t)中分離出來(lái)，得到函數(shù)h jk⑴為
[0014] hjk(t)=x(t)-mjk(t), (j = l ,2,··· ；k=l ,2··· ；k=) (3)
[0015] 3)用hjk⑴除以包絡(luò)估計(jì)函數(shù)ajk⑴對(duì)hjk⑴進(jìn)行解調(diào)，得到調(diào)頻信號(hào)以⑴為
[0017]理想的s訴(t)是一個(gè)純調(diào)頻信號(hào)，其局部包絡(luò)函數(shù)滿足aj(k+1) = l;如果不滿足，則 把sjk(t)作為原始信號(hào)重復(fù)上述的步驟，直到得到純調(diào)頻信號(hào)~n(t)，即滿足 1，它的局部包絡(luò)函數(shù)a j(n+1)(t) = 1，有
[0022] 在實(shí)際應(yīng)用中，為避免過(guò)多的分解次數(shù)，設(shè)一個(gè)變動(dòng)量Δ，滿足1-Δ <ajn(tH 1+ A，迭代結(jié)束；
[0023] (4)將產(chǎn)生的局部包絡(luò)函數(shù)相乘得到包絡(luò)信號(hào)，即PF分量的瞬時(shí)幅值，即
[0024] aj(t)=aji(t)aj2(t)…ajn(t)，（ j = l，2，···） (8)
[0025] 5)將包絡(luò)信號(hào)a」(t)和純調(diào)頻信號(hào)sjn(t)相乘，得到原始信號(hào)的第一個(gè)PF分量，即
[0026] PFj(t)=aj(t)sjn(t), (j = l ,2,···) (9)
[0027] PFKt)包含了原始信號(hào)中最高頻率成分，是一個(gè)單分量的調(diào)幅-調(diào)頻信號(hào)，包絡(luò)信 號(hào)a」(t)就是其瞬時(shí)幅值，其瞬時(shí)頻率灼(t)由純調(diào)頻信號(hào)s jn(t)求出，即
[0029] 6)將PFKt)從原始信號(hào)x(t)中分離出來(lái)，得到一個(gè)時(shí)間信號(hào)m(t)，把m(t)作為原 始信號(hào)重復(fù)上述步驟，循環(huán)P次，直到uP (t)為一個(gè)單調(diào)函數(shù)。
[0031]原始信號(hào)被分解為了 p個(gè)PF分量和一個(gè)單調(diào)函數(shù)uP(t)之和，即
[0033]步驟三:對(duì)軸承正常、內(nèi)圈故障、滾動(dòng)體故障和外圈故障四種狀態(tài)各取5組數(shù)據(jù)作 為標(biāo)準(zhǔn)樣本，計(jì)算5組樣本前3個(gè)PF分量的模糊熵值，取其均值作為標(biāo)準(zhǔn)矩陣；
[0034]步驟四：四種工況各取3組數(shù)據(jù)作為測(cè)試樣本，提取其前3個(gè)PF分量的模糊熵，采用 灰色關(guān)聯(lián)算法計(jì)算測(cè)試樣本與標(biāo)準(zhǔn)矩陣的灰色關(guān)聯(lián)度，進(jìn)而進(jìn)行故障模式識(shí)別；
[0035]灰色關(guān)聯(lián)分析的一般過(guò)程：
[0036] 1)選擇適當(dāng)?shù)奶卣鲄?shù)組成狀態(tài)模式向量
[0037] x=[x(l)，x(2)，···，x(k)，···，x(n)](k = l，2，···，n) (13)
[0038] 2)確定所要分類(lèi)的狀態(tài)個(gè)數(shù)，構(gòu)造標(biāo)準(zhǔn)狀態(tài)模式向量或矩陣
[0039] Xi= [xi(l)，xi(2)，…，xi(n)](i = 1，2,…，m) (14)
[0040] 3)提取待檢軸承的狀態(tài)模式向量
[0041] Y=[y(l)，y(2)，···，y(n)] (15)
[0042] 4)分別計(jì)算待檢軸承的狀態(tài)模式向量Y與m個(gè)標(biāo)準(zhǔn)模式向量乂1在1^點(diǎn)的關(guān)聯(lián)系數(shù)
[0044] 式中：ξ是分辨系數(shù)，是一個(gè)預(yù)先選定的常數(shù)，一般可取ξ < 0.5 ;△ min是狀態(tài)模式向 量Y與標(biāo)準(zhǔn)模式向量Xl中各元素的最小絕對(duì)差值，即
[0045]
[0046] Δ max為狀態(tài)模式向量Y與標(biāo)準(zhǔn)模式向量Xi中各元素的最大絕對(duì)差值，即
[0047]
[0048] △ i(k)為狀態(tài)模式向量Y與標(biāo)準(zhǔn)模式向量Xi中元素k的絕對(duì)差值，即
[0049] Ai(k)= |y(k)-xi(k) |，（k=l，2，."，n;i = l，2，."，m) (19)
[0050] 5)分別計(jì)算待檢模式向量Y與標(biāo)準(zhǔn)模式向量關(guān)聯(lián)度
[0052] 將待測(cè)模式向量與m個(gè)標(biāo)準(zhǔn)模式向量的關(guān)聯(lián)度由大到小排序，根據(jù)關(guān)聯(lián)度的大小 確定待檢軸承屬于哪一標(biāo)準(zhǔn)模式的可能性更大，并推斷軸承的故障程度;通過(guò)上述計(jì)算將 多個(gè)參數(shù)凝聚成為一個(gè)參數(shù)，即灰色關(guān)聯(lián)度;灰色關(guān)聯(lián)度定量表征待檢模式向量與標(biāo)準(zhǔn)模 式向量間的總體平均接近程度，因而可以用于滾動(dòng)軸承的狀態(tài)分類(lèi)和故障診斷。
[0053] 本發(fā)明的有益效果為:針對(duì)滾動(dòng)軸承故障振動(dòng)信號(hào)非線性、非高斯和非平穩(wěn)的特 點(diǎn)，采用LMD分解方法可以自適應(yīng)的處理信號(hào)，能夠得到原始信號(hào)完整的時(shí)頻分布;采用PF 分量的模糊熵值作為特征向量，克服了 PF分量數(shù)據(jù)量大，無(wú)法作為特征向量的缺點(diǎn)；該識(shí)別 方法能夠有效的進(jìn)行振動(dòng)信號(hào)的特征提取，準(zhǔn)確地對(duì)正常、內(nèi)圈故障、滾動(dòng)體故障和外圈故 障四種軸承狀態(tài)的識(shí)別。
【附圖說(shuō)明】
[0054]圖1為檢測(cè)方法的流程圖；
[0055] 圖2a)為軸承內(nèi)圈故障狀態(tài)的時(shí)域波形圖，圖2b)為軸承滾動(dòng)體故障狀態(tài)的時(shí)域波 形圖，圖2c)為軸承正常狀態(tài)的時(shí)域波形圖，圖2d)為軸承外圈故障狀態(tài)時(shí)域波形圖。
【具體實(shí)施方式】
[0056] 下面結(jié)合附圖和技術(shù)方案對(duì)本發(fā)明的實(shí)施作詳細(xì)說(shuō)明。
[0057] 圖1為檢測(cè)方法的流程圖，該試驗(yàn)所用的電機(jī)功率為1.5KW，測(cè)試所用軸承的型號(hào) 為SKF6205。軸承轉(zhuǎn)速為1750r/min，采樣頻率為12KHz，故障直徑為0.1778mm，軸承的內(nèi)圈、 外圈和滾動(dòng)體故障均用電火花人為加工而成。軸承的運(yùn)行狀態(tài)分為正常、內(nèi)圈故障、滾動(dòng)體 故障和外圈故障，四種軸承狀態(tài)的時(shí)域波形圖如圖2所示。檢測(cè)方法的具體步驟如下：
[0058]第一步利用加速度傳感器采集滾動(dòng)軸承的振動(dòng)加速度信號(hào)，包括無(wú)故障的正常軸 承和有內(nèi)圈故障、滾動(dòng)體故障或外圈故障的軸承振動(dòng)加速度信號(hào)。
[0059]第二步將采集的原始信號(hào)采用LMD分解，分解為若干的PF分量和一個(gè)殘差，每一個(gè) PF分量都是由一個(gè)包絡(luò)函數(shù)與一個(gè)純調(diào)頻函數(shù)相乘所得。由于經(jīng)過(guò)LMD分解后得到的PF分 量包含了大量的數(shù)據(jù)，無(wú)法直接用作故障特征向量，因此采用模糊熵方法計(jì)算PF分量的模 糊熵值來(lái)作為特征向量，提取滾動(dòng)軸承的狀態(tài)特征向量。
[0060] 第三步將正常、內(nèi)圈故障、滾動(dòng)體故障和外圈故障軸承四種狀態(tài)各取5組數(shù)據(jù)作為 標(biāo)準(zhǔn)樣本，每組數(shù)據(jù)1024個(gè)點(diǎn)，計(jì)算每組數(shù)據(jù)的PF分量，取5組的平均值組成標(biāo)準(zhǔn)矩陣。
[0061] 第四步計(jì)算5組樣本前3個(gè)PF分量的模糊熵值，取其均值作為標(biāo)準(zhǔn)矩陣，表一是LMD 分解后的模糊熵均值。
[0062]表一 LMD分解后的模糊熵均值
[0064] 第五步采用灰色關(guān)聯(lián)算法計(jì)算測(cè)試樣本與標(biāo)準(zhǔn)矩陣的灰色關(guān)聯(lián)度，進(jìn)而進(jìn)行故障 模式識(shí)別；分別計(jì)算待檢模式向量Y與標(biāo)準(zhǔn)模式向量關(guān)聯(lián)度，將關(guān)聯(lián)度由大到小排序， 根據(jù)關(guān)聯(lián)度的大小確定待檢軸承屬于哪一標(biāo)準(zhǔn)模式的可能性更大，并推斷軸承的故障程 度;將多個(gè)參數(shù)凝聚成為一個(gè)參數(shù)，即灰色關(guān)聯(lián)度;灰色關(guān)聯(lián)度定量表征待檢模式向量與標(biāo) 準(zhǔn)模式向量間的總體平均接近程度，因而可以用于滾動(dòng)軸承的狀態(tài)分類(lèi)和故障診斷。
[0065] 軸承四種狀態(tài)各取3組數(shù)據(jù)作為測(cè)試樣本，提取其前3個(gè)PF分量的模糊熵，采用灰 色關(guān)聯(lián)算法計(jì)算測(cè)試樣本與標(biāo)準(zhǔn)矩陣的灰色關(guān)聯(lián)度，進(jìn)而進(jìn)行故障模式識(shí)別。若關(guān)聯(lián)度越 大，說(shuō)明二者的相似程度越高，由此來(lái)分辨待測(cè)樣本的故障模式，表二灰色關(guān)聯(lián)度計(jì)算結(jié) 果。
[0066]表二灰色關(guān)聯(lián)度計(jì)算結(jié)果
[0067]
[0068] 從表二中可以看出，基于局部均值分解和灰色關(guān)聯(lián)的方法很好地識(shí)別軸承故障狀 態(tài)，可以廣泛用于滾動(dòng)軸承的故障檢測(cè)。
【主權(quán)項(xiàng)】
1. 一種基于局部均值分解和灰色關(guān)聯(lián)的滾動(dòng)軸承檢測(cè)方法，其特征是，檢測(cè)方法采用 基于LMD模糊熵算法和灰色關(guān)聯(lián)相結(jié)合的計(jì)算方法，方法的具體步驟如下： 步驟一:利用加速度傳感器采集運(yùn)行狀態(tài)下的滾動(dòng)軸承振動(dòng)加速度信號(hào)，包括無(wú)故障 的正常軸承和有內(nèi)圈故障、滾動(dòng)體故障或外圈故障的軸承振動(dòng)加速度信號(hào)； 步驟二:對(duì)采集的加速度信號(hào)進(jìn)行LMD分解，得到若干乘積函數(shù)PF分量和殘差； 1) 確定x(t)的所有局部極值點(diǎn)m，計(jì)算相鄰極值點(diǎn)m和ru+i的平均值mi和包絡(luò)估計(jì)值ai, 即：用直線將所有相鄰兩個(gè)極值點(diǎn)的平均值nu連接起來(lái)，再利用滑動(dòng)平均法對(duì)連線進(jìn)行平 滑處理，得到局部均值函數(shù)_(〇，（」=1，2，~士=1，2，~）；同樣，用直線把所有相鄰包絡(luò) 估計(jì)值&1連接起來(lái)，再利用滑動(dòng)平均法對(duì)連線進(jìn)行平滑處理，得到包絡(luò)估計(jì)函數(shù)a jk(t)，（j =1，2,…;k=l，2,…）； 2) 把局部均值函數(shù)mjk(t)從原始信號(hào)x(t)中分離出來(lái)，得到函數(shù)hjk⑴為 hjk(t) = x(t)-mjk(t), (j = 1,2,---^= 1,2,···) (3) 3) 用hjk⑴除以包絡(luò)估計(jì)函數(shù)ajk⑴對(duì)hjk⑴進(jìn)行解調(diào)，得到調(diào)頻信號(hào)s jk(t)為理想的sjk(t)是一個(gè)純調(diào)頻信號(hào)，其局部包絡(luò)函數(shù)滿足aj(k+1) = l;如果不滿足，則把sjk (t)作為原始信號(hào)重復(fù)上述的步驟，直到得到純調(diào)頻信號(hào)sjn(t)，即滿足-1 < 1，它 的局部包絡(luò)函數(shù)aj(n+l) ( t) = 1，有一般迭代終止條件為在實(shí)際應(yīng)用中，為避免過(guò)多的分解次數(shù)，設(shè)一個(gè)變動(dòng)量△，滿足1-Δ <ajn(tHl+A，迭 代結(jié)束； (4)將產(chǎn)生的局部包絡(luò)函數(shù)相乘得到包絡(luò)信號(hào)，即PF分量的瞬時(shí)幅值，即 aj(t)=aji(t)aj2(t)~ajn(t)，（j = l，2^··) (8) 5) 將包絡(luò)信號(hào)％(t)和純調(diào)頻信號(hào)sp(t)相乘，得到原始信號(hào)的第一個(gè)PF分量，即 PFj(t)=aj(t)sjn(t), (j = l,2,···) (9) PFj(t)包含了原始信號(hào)中最高頻率成分，是一個(gè)單分量的調(diào)幅-調(diào)頻信號(hào)，包絡(luò)信號(hào) (t)就是其瞬時(shí)幅值，其瞬時(shí)頻率f」(t)由純調(diào)頻信號(hào)~⑴求出，即(10) 6) 將PFKt)從原始信號(hào)x(t)中分離出來(lái)，得到一個(gè)時(shí)間信號(hào)m(t)，把m(t)作為原始信 號(hào)重復(fù)上述步驟，循環(huán)P次，直到u P(t)為一個(gè)單調(diào)函數(shù)；(11) 原始信號(hào)被分解為了 P個(gè)PF分量和一個(gè)單調(diào)函數(shù)uP(t)之和，即(12) 步驟三:對(duì)軸承正常、內(nèi)圈故障、滾動(dòng)體故障和外圈故障四種狀態(tài)各取5組數(shù)據(jù)作為標(biāo) 準(zhǔn)樣本，計(jì)算5組樣本前3個(gè)PF分量的模糊熵值，取其均值作為標(biāo)準(zhǔn)矩陣； 步驟四：四種工況各取3組數(shù)據(jù)作為測(cè)試樣本，提取其前3個(gè)PF分量的模糊熵，采用灰色 關(guān)聯(lián)算法計(jì)算測(cè)試樣本與標(biāo)準(zhǔn)矩陣的灰色關(guān)聯(lián)度，進(jìn)而進(jìn)行故障模式識(shí)別； 灰色關(guān)聯(lián)分析的一般過(guò)程： 1) 選擇適當(dāng)?shù)奶卣鲄?shù)組成狀態(tài)模式向量 Χ=[χ(1)，χ(2)，···，χ(1〇，···，χ(η)](1?=1，2，···，η) (13) 2) 確定所要分類(lèi)的狀態(tài)個(gè)數(shù)，構(gòu)造標(biāo)準(zhǔn)狀態(tài)模式向量或矩陣 Xi=[xi(l)^xi(2),= 1,2,---^)( 14) 3) 提取待檢軸承的狀態(tài)模式向量 Y=[y(l)，y(2)，."，y(n)] (15) 4) 分別計(jì)算待檢軸承的狀態(tài)模式向量Y與m個(gè)標(biāo)準(zhǔn)模式向量&在1^點(diǎn)的關(guān)聯(lián)系數(shù)(16) 式中：ξ是分辨系數(shù)，是一個(gè)預(yù)先選定的常數(shù)，一般可取ξ < 05 △ min是狀態(tài)模式向量Y與 標(biāo)準(zhǔn)模式向量t中各元素的最小絕對(duì)差值，即 (17) ?: >\·A max為狀態(tài)模式向量Υ與標(biāo)準(zhǔn)模式向量t中各元素的最大絕對(duì)差值，即(18) Δ i(k)為狀態(tài)模式向量Y與標(biāo)準(zhǔn)模式向量Xi中元素 k的絕對(duì)差值，即 Ai(k)=|y(k)-xi(k)|，（k=l，2，~，n;i = l，2，~，m) (19) 5) 分別計(jì)算待檢模式向量Y與標(biāo)準(zhǔn)模式向量Xi的關(guān)聯(lián)度 (20) 將待測(cè)模式向量與m個(gè)標(biāo)準(zhǔn)模式向量的關(guān)聯(lián)度由大到小排序，根據(jù)關(guān)聯(lián)度的大小確定 待檢軸承屬于哪一標(biāo)準(zhǔn)模式的可能性更大，并推斷軸承的故障程度。
【文檔編號(hào)】G06K9/00GK105865784SQ201610168614
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年3月23日
【發(fā)明人】馬躍, 楊帥杰, 張旭, 李鐸, 李震
【申請(qǐng)人】大連理工大學(xué)