基于层次全局模糊熵的滚动轴承故障诊断方法与相关技术

图片简介:本技术涉及一种基于层次全局模糊熵的滚动轴承故障诊断方法，采集滚动轴承的振动信号；对采集到的振动信号进行层次分解，计算第四个分解尺度上八个节点信号的全局模糊熵；将八个层次全局模糊熵作为滚动轴承故障特征向量；将得到的故障特征向量分为训练集和测试集；利用训练集训练支持向量机获得预测模型，利用预测模型对测试集进行预测；根据预测结果完成滚动轴承故障严重程度和故障类型的识别。

本技术针对原始模糊熵算法和多尺度分析的局限，引入全局模糊熵和层次分解提取轴承故障特征。

通过结合层次分解和全局模糊熵的优点，本技术提出的层次全局模糊熵能够从轴承振动信号中提取更加丰富的故障信息，在滚动轴承故障识别中有更好的分类性能。

技术要求1.一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：包括如下步骤：1)、测量滚动轴承的振动信号；2)、计算滚动轴承振动信号的层次全局模糊熵：3)、选取层次分解第四个尺度上八个节点信号的全局模糊熵作为滚动轴承故障特征向量；4)、将得到的层次全局模糊熵特征分为训练和测试两类样本；5)、利用训练样本对支持向量机进行训练得到预测模型；6)、利用得到的预测模型对测试样本进行预测；7)、根据预测结果识别滚动轴承的故障严重程度与故障类型。

2.如权利要求1所述的一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：步骤2)计算滚动轴承振动信号的层次全局模糊熵的步骤如下：2.1)对于一个N点时间序列{u(i):1≤i≤N}，原始模糊熵构建的m维向量为为了克服模糊熵主要强调信号局部特征这一局限，全局模糊熵在构建m维向量时去掉局部均值u0(i)，改为2.2)针对多尺度分析只考虑信号低频成分的缺陷，对测量得到的轴承振动信号进行层次分解，层次分解的优点在于同时考虑了信号的低频成分和高频成分；把层次分解与全局模糊熵相结合，计算层次分解第四个尺度上节点信号的全局模糊熵，即为本技术提出的新的全局模糊熵算法。

技术说明书一种基于层次全局模糊熵的滚动轴承故障诊断方法技术领域本技术涉及一种故障诊断技术，特指一种基于层次全局模糊熵的滚动轴承故障诊断方法。

背景技术滚动轴承在旋转机械中的应用非常广泛，其运行状态直接影响着整个机器的正常运转。

因此，对滚动轴承的工作状态进行诊断有着重要的意义。

在滚动轴承各种各样的故障诊断方法中，最常用而有效的方法是基于振动信号的诊断。

故障特征提取与故障状态识别是滚动轴承故障诊断的两个主要方面，其中故障特征提取又在很大程度上决定着故障状态识别的效果。

由于运行工程中受到间隙、摩擦等非线性因素的影响，滚动轴承振动信号呈现出非线性非平稳的特征。

因此，传统的时域和频域方法在分析此类信号是存在这很大的局限性。

近年来，随着非线性动力学的发展，很多研究学者把非线性动力学技术应用到滚动轴承的故障特征提取中。

这其中基于熵的参数：近似熵、样本熵、模糊熵和多尺度模糊熵等得到了广泛的关注，在故障特征提取应用过程中效果良好。

但是，上面提到的这些熵参数都还各自存在着一定的局限，近似熵对数据长度过分依赖；样本熵克服了近似熵自身匹配的缺点且降低了对数据长度的依赖，但是其采用的单位阶跃函数边界不连续，产生阶跃现象；模糊熵把模糊函数引入到样本熵的计算，拥有更好的一致性和抗噪能力，但其只强调了信号的局部特征而忽略信号的整体波动趋势，而滚动轴承在工作状态变化工程中振动信号的整体趋势也应该会发生变化；多尺度模糊熵计算不同尺度下的模糊熵，衡量信号不同尺度下的复杂性，比单一尺度的模糊熵相比，能更全面的衡量信号复杂度，其局限在于只考虑了信号的低频部分。

基于以上分析，本技术提出一个层次全局模糊熵的滚动轴承故障特征提取方法。

与多尺度分析相比，层次分解不但考虑信号的低频成分，同时也考虑了信号的高频成分，能够提取更全面准确的故障信息；与模糊熵相比，全局模糊熵更能反映轴承在状态变化时振动信号整体趋势的变化。

因此，针对原始模糊熵算法忽略信号的整体波动趋势以及多尺度分析只考虑信号的低频部分这一局限，本技术提出把全局模糊熵与层次分解相结合提取滚动轴承故障特征，最后利用支持向量机(Support Vector Machine,SVM)进行滚动轴承不同工作状态的识别。

技术内容本技术是针对传统的多尺度模糊熵算法在提取轴承状态信息时存在局限的问题，提出了一种基于层次全局模糊熵的滚动轴承故障诊断方法。

与模糊熵相比，全局模糊熵更能反映轴承信号整体趋势的波动；与对尺度分析相比，层次分解分析信号更加全面。

提出的层次全局模糊熵能更全面地反映信号的特征，提取更丰富的故障信息，从而更准确地评估轴承的运行状态。

一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：包括如下步骤：1)、测量滚动轴承的振动信号；2)、计算滚动轴承振动信号的层次全局模糊熵；3)、选取层次分解第四个尺度上八个节点信号的全局模糊熵作为滚动轴承故障特征向量；4)、将得到的层次全局模糊熵特征分为训练和测试两类样本；5)、利用训练样本对支持向量机进行训练得到预测模型；6)、利用得到的预测模型对测试样本进行预测；7)、根据预测结果识别滚动轴承的故障严重程度与故障类型。

进一步，一种基于层次全局模糊熵的滚动轴承故障诊断方法，其特征在于：步骤2)计算滚动轴承振动信号的层次全局模糊熵的步骤如下：2.1)对于一个N点时间序列{u(i):1≤i≤N}，原始模糊熵构建的m维向量为1≤i≤N-m+1，为了克服模糊熵主要强调信号局部特征这一局限，全局模糊熵在构建m维向量时去掉局部均值u0(i)，改为1≤i≤N-m+1；2.2)针对多尺度分析只考虑信号低频成分的缺陷，对测量得到的轴承振动信号进行层次分解，层次分解的优点在于同时考虑了信号的低频成分和高频成分；把层次分解与全局模糊熵相结合，计算层次分解第四个尺度上节点信号的全局模糊熵，即为本技术提出的新的全局模糊熵算法。

本技术的有益效果如下：(1)本技术提出的一种基于层次全局模糊熵的滚动轴承故障诊断方法改进了传统的模糊熵算法，并结合层次分解的优点，提出一种新的层次全局模糊熵算法，能够从轴承振动信号中提取更加全面而丰富的故障信息。

(2)本技术提出的一种基于层次全局模糊熵的滚动轴承故障诊断方法是用层次全局模糊熵作为滚动轴承故障特征，能够在轴承状态识别过程中有更高的识别率。

附图说明图1为尺度为4时信号x的层次分解结构；图2为凯斯西储大学轴承数据中心轴承试验装置示意图；图3为十种不同轴承状态下的振动信号时域波形；图4为十种不同轴承状态在八个分解节点上的层次全局模糊熵图；图5为本技术基于层次全局模糊熵和支持向量机的滚动轴承故障诊断流程图；图6为基于层次全局模糊熵和层次模糊熵的识别结果对比图；图7为基于层次全局模糊熵和多尺度全局模糊熵的识别结果对比图。

具体实施方式参照附图，进一步说明本技术：1.层次全局模糊熵算法1.1模糊熵近似熵和样本熵在定义向量的相似性时都是基于阶跃函数，导致了传统二值分类的结果，而真实世界里类的边界一般是模糊的，直接确定待定模式是否完全属于某一类是很难的。

基于此，模糊熵引入了模糊函数，在计算向量相似性时利用模糊函数代替阶跃函数。

模糊熵的定义如下：(1)对于一个N点时间序列{u(i):1≤i≤N},构造m维向量其中，表示从第i点开始的连续m个u值减去局部均值u0(i)，其中(2)和之间的距离被定义为为两者对应元素的最大差值(3)和的相似度可用模糊函数表示为r为相似容限，即相似度为两者对应元素的最大差值和相似容限的函数；(4)对每一个把其与所有的相似度平均，表示为(5)定义函数为(6)类似地，对m+1维，重复以上步骤可得(7)最终，模糊熵定义为(8)当N取有限值时，(8)式可写成FuzzyEn(m,r,N)＝lnφm(r)-lnφm+1(r) (9)其中(5)式中的模糊函数具体表达式为1.2全局模糊熵然而，模糊熵在构建计算相似性的向量时，减去了一个局部均值，这样做是能更准确地描衡量短暂生理电信号中的局部相似性，但忽略了信号的全局波动趋势。

对于滚动轴承而言，随着运行状态的变化，其振动信号的整体趋势应该也会发生变化，只考虑信号局部特征的模糊熵，很难全面地反映轴承的运行状态。

基于以上分析，本文在计算时把(1)中的局部均值u0(i)去掉，改为然后用(11)式计算模糊熵，我们称之为全局模糊熵，并用全局模糊熵与层次分解相结合计算轴承振动信号。

1.3层次全局模糊熵多尺度分析是通过构造粗粒序列，计算不同尺度因子下粗粒序列的样本熵或者模糊熵，多尺度分析只考虑了信号的低频成分，对于信息只包含在低频成分的信号来说比较有效，但是会损失高频成分的信息。

层次分解同时考虑信号的低频成分和高频成分，因此本技术把层次分解与全局模糊熵相结合提取轴承故障特征。

对于一个时间序列x＝{x(1),...,x(i),...x(N)}，层次分解步骤如下：(1)定义一个Qj算子式中，j＝0或1，时间序列的长度决定Qj的形式。

对时间序列作算子有其中，Q0代表序列在第一层分解的“低频成分”，Q1代表序列第一层分解的“高频成分”。

(2)构造一个n维向量[v1,v2,...,vn]，其中vn＝0或1，用vn来表达整数e可知e为非负整数，对给定的e有唯一的向量[v1,v2,...,vn]与之相对应。

(3)定义时间序列x的每一层的每个节点组分为图1是时间序列x在n＝3时的层次分解结构。

分析层次分解后每个节点信号的全局模糊熵，就构成了层次全局模糊熵分析。

实际上，节点xn,0的全局模糊熵就等于多尺度分析中信号在2n尺度的全局模糊熵，同时与多尺度分析不同的是，层次分解的右边节点分析的是信号的高频成分。

因此多尺度分析只分析了信号的“低频成分”，而层次全局模糊熵同时计算“低频成分”和“高频部分”的全局模糊熵，避免遗漏包含在“高频成分”里的信息。

因此，与多尺度分析相比，用层次全局模糊熵能够从滚动轴承振动信号中提取更加全面而丰富的故障信息。

实际轴承试验数据也验证了层次全局模糊熵的在故障特征提取中的有效性和优越性。

1.4参数的选择根据定义，全局模糊熵值的计算涉及的参数有嵌入维数m、相似容限r、序列长度N和模糊函数的梯度n。

嵌入维数m代表比较窗口的长度，r 表示相似容限的宽度。

m值越大，越能细致表示重构系统的发展过程，但是过大的m值需要数据长度(N＝10m～30m)的支撑，或者有足够大的相似容限。

然而相似容限过大会导致丢掉很多统计信息，反过来相似容限过小又会增加计算结果对噪声的敏感性。

根据之前的研究结果，r是0.1～0.25SD(SD为原始序列的标准差)范围之内取值。

综合考虑，本技术取m＝2，r＝0.2SD，N＝2048。

模糊函数的参数n，它决定着相似容限边界的梯度。

过大的n会导致细节信息丧失，当n取无穷大时，模糊函数退化为阶跃函数，此时边缘的细节信息全部丧失。