專利名稱：一種基于貝葉斯網絡的滾動軸承故障診斷方法
技術領域：
本發(fā)明涉及一種利用特征信號進行建模與推理的故障診斷方法，具體涉及一種基于貝葉斯網絡的滾動軸承故障診斷方法。
背景技術：
滾動軸承是旋轉機械中最為重要的機械零件之一，廣泛應用于化工、冶金、電力、航空等各個重要部門，同時它也是最易損壞的元件之一。軸承性能與工況的好壞直接影響到與之相關聯(lián)的軸以及安裝在轉軸上的齒輪乃至整臺機器設備的性能，其缺陷會導致設備產生異常振動和噪聲，甚至造成設備損壞。因此，對滾動軸承故障進行診斷，尤其是對于早初期故障的分析，避免事故的發(fā)生，在生產實際中尤為重要。目前常見的滾動軸承故障診斷方法有故障機理分析法、基于信號和人工智能的診斷方法?；诠收蠙C理分析的診斷方法，往往需要建立復雜的非線性動力學數學模型，而且對于局部缺陷，尤其是對故障的初期的診斷不甚理想；基于信號的診斷方法，如基于小波變換的時頻域分析方法也被提出，小波基函數的選取對故障診斷的效果影響較大，而如何選擇小波基函數的問題尚未得到有效解決；基于人工智能的故障診斷方法中，目前主要是利用人工神經網絡，通過不斷的學習和對系統(tǒng)進行信息的反饋，完成對診斷目標的分類。但其缺點是推理過程解釋性差，而且當待診斷樣本不完備(數據有缺失)時，神經網絡不能進行有效的推理工作，無法利用故障的早期特征對軸承進行相應診斷。滾動軸承運行出現異常時，會直接反映到振動信號上，導致信號幅值域上特征參數的變化。每個待診斷目標都有其與眾不同的特征表象。然而，在嘈雜、不確定性、動態(tài)的環(huán)境下利用信號特征進行快速、準確的故障的診斷，是一個復雜而艱巨的任務。貝葉斯網絡(Bayesian network,簡稱BN)作為解決不確定性和不完備信息問題處理的有效方法，由于其有機地結合`了概率論與圖論的理論成果，是可應用于故障診斷的理想工具。將問題域轉化為貝葉斯網絡模型表示后，便可利用貝葉斯網絡理論完成推理任務。貝葉斯網絡的推理是貝葉斯網絡研究的重要內容。其中，連接樹(又稱為聯(lián)合樹，Junctiontree )算法是目前計算速度快、應用最廣的BN精確推理算法之一。

發(fā)明內容
本發(fā)明的目的是提供一種基于貝葉斯網絡的滾動軸承故障診斷方法，利用貝葉斯網絡的學習能力和推理結果反映滾動軸承的故障狀態(tài)、提高診斷的準確性和有效性。本發(fā)明所采用的技術方案是
一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于
由以下步驟實現
第I步設置故障診斷信度閾值參數Θ *和故障樣本初始參數；設置樣本數據組m初值大??；設置故障類型Bearing取值事件q的個數；設置故障類型初值參數s={l，…，q}，類型標簽 tag_s={l, .··, q};第2步對不同故障引起的軸承的振動信號進行采樣，獲取樣本數據data_s={tag_s fs(η) I L=mN;m、N為正自然數；η=0，…，L_l};其中采集信號fs (η)分為m組長度各為N的數據，設j為組別號，則
權利要求
1.一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于由以下步驟實現第I步設置故障診斷信度閾值參數Θ *和故障樣本初始參數；設置樣本數據組m初值大??；設置故障類型Bearing取值事件q的個數；設置故障類型初值參數s={l，…，q}，類型標簽 tag_s={l, .··, q};第2步對不同故障引起的軸承的振動信號進行采樣，獲取樣本數據data_s={tag_s fs (η) I L=mN;m、N為正自然數；η=0，…，L_l};其中采集信號fs (η)分為m組長度各為N的數據，設j為組別號，則
2.根據權利要求1所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于第I步中，所述的Θ*范圍一般取O. 7至O. 8 (即70%至80%);m值常取80至100…常取值為3或4。
3.根據權利要求1或2所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第2步中，N值取1024。
4.根據權利要求3所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第 3 步中，k =0, ···, N-1; j=l,…，m;N值取 1024。
5.根據權利要求4所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第4步中，將W“u作為第j組頻率信號的第u個故障特征向量，計算公式如下
6.根據權利要求5所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第5步中，r值取3或4。
7.根據權利要求6所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第6步中，BN模型各節(jié)點間的信度條件概率參數利用q類故障特征向量樣本采用EM算法進行學習。
8.根據權利要求7所述的一種基于貝葉斯網絡的滾動軸承故障診斷方法，其特征在于 第9步中,Wv為第V個目標特征向量對應的觀測證據，4為故障診斷類型節(jié)點Bearing取值為I的事件，I ^ q ；q取值為3或4。
全文摘要
本發(fā)明涉及一種基于貝葉斯網絡的滾動軸承故障診斷方法。常見滾動軸承故障診斷方法，需建立數學模型，初期診斷不理想；選擇小波基函數問題未得到解決；推理過程解釋性差。本發(fā)明對軸承振動信號采樣，獲取樣本，進行N點快速Fourier變換處理，將時域信號轉成頻域信號，計算故障特征向量，對故障特征向量進行離散化，建立故障診斷推理貝葉斯網絡模型，設置待診斷故障樣本，獲取軸承觀測證據，在BN模型中完成故障診斷類型節(jié)點Bearing信度θ更新，計算故障診斷類型節(jié)點，輸出結果。本發(fā)明避免對振動信號進行復雜的數學建模過程，所得診斷推理模型具有特征參量少、故障特征突出和解釋性良好等優(yōu)點，是解決滾動軸承故障診斷問題的有效途徑。
文檔編號G01M13/04GK103048133SQ20121050623
公開日2013年4月17日 申請日期2012年12月3日 優(yōu)先權日2012年12月3日
發(fā)明者郭文強, 侯勇嚴, 周強, 付菊 申請人:陜西科技大學