本發(fā)明涉及一種滾動軸承故障診斷方法，核心是基于小波包變換和奇異值分解的滾動軸承故障特征提取技術(shù)以及基于PNN神經(jīng)網(wǎng)絡(luò)的模式識別技術(shù)。

背景技術(shù)：

滾動軸承是旋轉(zhuǎn)機械的關(guān)鍵零部件之一，在使用過程中受到機械應(yīng)力、磨損等一系列物理作用，使軸承發(fā)生形變、腐蝕等損傷。同時，由于加工制造工藝的不規(guī)范以及裝配不當(dāng)?shù)仍?，軸承也會產(chǎn)生人為損傷，這些損傷的累積與加深最終導(dǎo)致了軸承的故障。一旦軸承發(fā)生故障，將導(dǎo)致機組停機，甚至發(fā)生重大生產(chǎn)事故。因此，滾動軸承的故障診斷至關(guān)重要。

當(dāng)前滾動軸承的故障診斷大多采用振動分析法作為技術(shù)手段，在故障特征提取方面主要是通過時域、頻域以及時頻分析三種方法。然而，時域和頻域方法只能從整體上描述振動信號的特征，割裂了信號時域和頻域的聯(lián)系，不能詳細(xì)的反映振動信號的內(nèi)在信息。在滾動軸承故障診斷的研究中，故障的征兆和故障類型存在很復(fù)雜的非線性數(shù)學(xué)關(guān)系，使得診斷的合適的數(shù)學(xué)模型很難找到。時頻分析方法能夠在時域和頻域上反映信號的特征。小波變換是目前信號時頻分析中常用的方法之一，但是它只能夠?qū)Φ皖l段信號進(jìn)行分解，對于信號的高頻部分不再進(jìn)行處理，而滾動軸承的故障特征信息往往集中在信號的中高頻段，這就限制了小波變換在滾動軸承故障診斷中的應(yīng)用。從小波變換發(fā)展而來的小波包分解技術(shù)不僅體現(xiàn)信號低頻段的近似部分，也能體現(xiàn)信號高頻段的細(xì)節(jié)部分，因而在處理非線性及非平穩(wěn)信號的領(lǐng)域中具有非常明顯的優(yōu)勢。

故障診斷的關(guān)鍵在于故障特征的提取，矩陣奇異值是矩陣的固有特征，通過對矩陣的奇異值分解可以有效提取矩陣中的關(guān)鍵信息。奇異值具有良好的穩(wěn)定性，即當(dāng)矩陣元素發(fā)生小的變動時，矩陣的奇異值變化也很小，這個性質(zhì)可以有效地降低測量噪聲對振動信號特征提取的影響；同時，矩陣的奇異值可以通過少數(shù)的值表征原矩陣的特性，從而降低特征矩陣的維數(shù)，有利于提高神經(jīng)網(wǎng)絡(luò)的診斷精度和速度。

概率神經(jīng)網(wǎng)絡(luò)(PNN)是一種用于模式分類的神經(jīng)網(wǎng)絡(luò)。概率神經(jīng)網(wǎng)絡(luò)是基于統(tǒng)計原理的神經(jīng)網(wǎng)絡(luò)模型，在分類功能上與最優(yōu)貝葉斯分類等價，其實質(zhì)是基于貝葉斯最小風(fēng)險準(zhǔn)則發(fā)展而來的一種并行算法，同時它不像傳統(tǒng)的多層前向網(wǎng)絡(luò)那樣需要BP算法進(jìn)行反向誤差傳播的計算，而是完全前向的計算過程。它訓(xùn)練時間短、不易產(chǎn)生局部最優(yōu)，而且它的分類正確率較高。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種用于滾動軸承智能故障診斷的方法，該方法易于實現(xiàn)、精度高、實時性好，適用于滾動軸承故障診斷。

實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：

一種用于滾動軸承智能故障診斷的方法，包括以下步驟：

1)利用加速度傳感器獲取滾動軸承振動信號；

2)采用小波包變換對滾動軸承振動信號進(jìn)行分解并重構(gòu)；

3)運用奇異值分解方法對重構(gòu)信號進(jìn)行奇異值分解，將各頻段的奇異值組合成特征向量；

4)將滾動軸承不同狀態(tài)下的特征向量構(gòu)成特征矩陣，并輸入到PNN神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)；

5)將振動信號經(jīng)步驟2)、3)特征提取后輸入到訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障模式識別。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點為：(1)本發(fā)明首先采用小波包變換的方法對軸承振動信號進(jìn)行分解和重構(gòu)，能夠?qū)⒄駝有盘柗纸獾讲煌l段，以較高的時頻分辨率凸顯各頻段重構(gòu)信號中所蘊含的軸承故障信息；(2)對重構(gòu)后的不同頻段信號進(jìn)行奇異值分解，提取出軸承的故障特征向量，能夠有效地降低測量噪聲對振動信號特征提取的影響，同時降低特征矩陣的維數(shù)，并且該特征向量具有良好的聚類性和可分性，有利于提高神經(jīng)網(wǎng)絡(luò)的診斷精度和速度；(3)采用PNN神經(jīng)網(wǎng)絡(luò)，能夠自動的對滾動軸承的故障進(jìn)行識別，不需要人工觀察頻譜特性，自動化程度和可靠性較高，并可依據(jù)計算機網(wǎng)絡(luò)實現(xiàn)滾動軸承的遠(yuǎn)程故障診斷和狀態(tài)監(jiān)測。

附圖說明

圖1為本發(fā)明用于滾動軸承智能故障診斷的方法流程圖。

圖2為滾動軸承正常狀態(tài)振動信號。

圖3為滾動軸承內(nèi)圈故障振動信號。

圖4為滾動軸承外圈故障振動信號。

圖5為滾動軸承滾動體故障振動信號。

圖6為滾動軸承振動信號的三層小波包分解樹示意圖。

圖7為滾動軸承正常狀態(tài)下8個頻段的重構(gòu)信號。

圖8為滾動軸承不同狀態(tài)下的振動信號特征向量柱狀圖。

圖9為滾動軸承振動信號特征向量的三維效果圖。

圖10為概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖。

圖11為采用PNN神經(jīng)網(wǎng)絡(luò)的分類結(jié)果。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進(jìn)一步詳細(xì)闡述。

本發(fā)明所述的一種用于滾動軸承智能故障診斷的方法，流程圖如圖1所示，包括以下步驟：

1)利用加速度傳感器分別采集滾動軸承在正常、內(nèi)圈故障、外圈故障以及滾動體故障四種狀態(tài)下的振動信號，如圖2～5所示。

2)采用小波包變換對振動信號進(jìn)行分解并重構(gòu)，得到各頻段的重構(gòu)信號。其具體包括以下步驟：

2.1)對振動信號X進(jìn)行零均值化處理。X＝X-E(X)，式中，E(·)是求均值。

2.2)對零均值化后的振動信號進(jìn)行小波包分解。利用MATLAB中小波包分解函數(shù)wpdec，其調(diào)用格式為Tr＝wpdec(X,L,'wname')，L為小波包分解層數(shù)，wname為小波基函數(shù)。本實施例中設(shè)置L＝3，wname＝db3，采用db3小波基函數(shù)對滾動軸承振動信號進(jìn)行3層小波包分解，其中Tr為小波包分解樹，包含了8個頻段的小波包系數(shù)，如圖6所示為滾動軸承振動信號的3層小波包分解樹示意圖。

2.3)對8個頻段的小波包系數(shù)進(jìn)行重構(gòu)。利用MATLAB中的小波包系數(shù)重構(gòu)函數(shù)wprcoef，該函數(shù)的調(diào)用格式為S_3,i＝wprcoef(Tr,[3,i])，其中S_3,i(i＝0,1,2,…7)即為8個重構(gòu)信號，[3,i]表示第3層第i個節(jié)點。滾動軸承正常狀態(tài)下8個頻段的重構(gòu)信號如圖7所示。

3)運用奇異值分解技術(shù)對重構(gòu)信號進(jìn)行奇異值分解，將各頻段的奇異值組合成為滾動軸承特征向量。其具體包括以下步驟：

3.1)分別計算8個重構(gòu)信號的奇異值，奇異值是矩陣具有的固有特征，能夠充分反映矩陣中元素包含的內(nèi)在信息。

其中：U_i∈R^m×m為正交矩陣，V_i∈R^n×n為正交矩陣，Σ_i∈R^m×n為對角矩陣，其中Σ_i對角線上的非零元素λ_i為重構(gòu)信號S_3,i的奇異值，則該分解稱為S_3,i的奇異值分解。

3.2)將各頻段的奇異值組合成滾動軸承特征向量_p，作為PNN神經(jīng)網(wǎng)絡(luò)的輸入。

p＝[λ₀,λ₁,λ₂,λ₃,λ₄,λ₅,λ₆,λ₇]

隨機選取滾動軸承不同狀態(tài)下的一組振動信號，其特征向量如表1所示。

表1滾動軸承振動信號特征向量

附圖8.為滾動軸承不同狀態(tài)下的振動信號特征向量柱狀圖，從圖中可以看出，滾動軸承不同狀態(tài)下的特征向量有著很明顯的差別。附圖9.為滾動軸承振動信號特征向量的三維效果圖。從圖中可以看出，利用小波包變換與奇異值分解提取出的滾動軸承特征向量具有良好的聚類性以及可分性。說明小波包與奇異值分解能夠有效地表征軸承故障特征。

4)將滾動軸承不同狀態(tài)下的特征向量構(gòu)成特征矩陣，并輸入到PNN神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)。具體包括以下步驟：

4.1)設(shè)置滾動軸承故障四種工作狀態(tài)的類別向量，如表2所示。

表2滾動軸承故障類別向量

PNN神經(jīng)網(wǎng)絡(luò)的輸入為滾動軸承四種狀態(tài)下振動信號經(jīng)特征提取后的特征向量；輸出為代表滾動軸承四種工作狀態(tài)的類別向量，(1,0,0,0)對應(yīng)正常狀態(tài)，(0,1,0,0)對應(yīng)滾動體故障，(0,0,1,0)對應(yīng)內(nèi)圈故障，(0,0,0,1)對應(yīng)外圈故障。

4.2)利用MATLAB中的newpnn函數(shù)構(gòu)建PNN神經(jīng)網(wǎng)絡(luò)，該函數(shù)的調(diào)用格式為net＝newpnn(P,T,spread)；其中net為訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)，P為輸入矩陣，T為目標(biāo)矩陣，spread為擴展速度；附圖6.為PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。PNN神經(jīng)網(wǎng)絡(luò)輸入層有8個神經(jīng)元，分別對應(yīng)特征向量p中的8個特征值；輸出層有4個神經(jīng)元，分別對應(yīng)類別向量的四個元素值。

4.3)將滾動軸承四種工作狀態(tài)的特征向量構(gòu)成輸入矩陣P，將相應(yīng)的類別向量構(gòu)成目標(biāo)矩陣T，spread值為14，選取訓(xùn)練集對PNN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保存訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為識別網(wǎng)絡(luò)。

5)將振動信號經(jīng)特征提取后輸入到訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障模式識別。

圖11為采用PNN神經(jīng)網(wǎng)絡(luò)的分類結(jié)果，從圖中可以看出，訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確識別出軸承的工作狀態(tài)。