本發(fā)明涉及一種滾動(dòng)軸承損傷程度識別方法，特別涉及一種基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法。
背景技術(shù)：
：滾動(dòng)軸承是機(jī)械設(shè)備中最常見的傳動(dòng)部件之一，對其進(jìn)行故障診斷以保證軸承的正常運(yùn)轉(zhuǎn)具有重要意義。滾動(dòng)軸承故障是一個(gè)動(dòng)態(tài)發(fā)展的過程，只有了解故障演變的過程，掌握滾動(dòng)軸承損傷程度，才能實(shí)現(xiàn)對滾動(dòng)軸承故障的實(shí)時(shí)監(jiān)測、視情檢修和壽命預(yù)測。因此，采用有效的分析工具和算法，提取滾動(dòng)軸承的故障特征，并進(jìn)行有效的故障程度定量診斷實(shí)現(xiàn)故障發(fā)展的狀態(tài)監(jiān)測具有極其重要的意義。信號的分析方法中，最基本的方法包括時(shí)域分析和頻域分析。時(shí)域分析最簡單且直觀，而頻域分析能更好地反映信號內(nèi)涵的信息。然而對于復(fù)雜的非平穩(wěn)信號而言，單純的時(shí)域分析或頻域分析都不能完整刻畫信號富含的特征信息，因此時(shí)頻分析方法應(yīng)運(yùn)而生。典型的時(shí)頻分析方法有短時(shí)傅里葉變化、Wigner-Ville分布、小波變換、EMD分解等，而Sparsogram算法正是利用小波包變換的原理，實(shí)現(xiàn)共振頻帶的快速提取。由Tse提出的Sparsogram算法在小波包變換的基礎(chǔ)上，利用稀疏值的大小，能夠準(zhǔn)確快速地提取含有故障特征的共振頻帶，對該頻帶進(jìn)行解調(diào)，能夠有效識別軸承信號的故障頻率，進(jìn)而實(shí)現(xiàn)對故障類型的診斷。然而，基于Sparsogram的滾動(dòng)軸承損傷程度識別還需進(jìn)一步研究。近年來，人們對于滾動(dòng)軸承故障的研究往往集中在故障的類型上，但對于工程實(shí)際，僅僅知道是否發(fā)生故障及故障類型對設(shè)備的預(yù)防維修是遠(yuǎn)遠(yuǎn)不夠的，因此我們需要對滾動(dòng)軸承故障的嚴(yán)重程度進(jìn)行深入的研究。技術(shù)實(shí)現(xiàn)要素：為了實(shí)現(xiàn)滾動(dòng)軸承損傷程度的識別，本發(fā)明提供了一種基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法。一種基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法，包括以下步驟：(1)采集不同故障大小的滾動(dòng)軸承外圈故障振動(dòng)信號作為待分析信號；(2)針對待分析信號進(jìn)行Sparsogram算法處理，提取信號中包含軸承故障特征信息的共振頻帶；(3)對共振頻帶計(jì)算樣本熵,根據(jù)樣本熵隨著故障變化的趨勢，設(shè)定不同的熵值區(qū)間對應(yīng)滾動(dòng)軸承不同的損傷程度，損傷程度為微弱損傷、輕度損傷、中度損傷和重度損傷；(4)以樣本熵作為輸入量，利用BP神經(jīng)網(wǎng)絡(luò)對故障損傷程度實(shí)現(xiàn)智能識別。所述步驟(2)中Sparsogram算法是一種快速提取包含軸承故障特征信息共振頻帶的有效方法。利用Sparsogram算法提取軸承故障信號中的共振頻帶；首先對待分析信號在最優(yōu)層數(shù)進(jìn)行小波包分解，然后計(jì)算各小波包結(jié)點(diǎn)的稀疏值，構(gòu)造Sparsogram圖，通過Sparsogram圖選擇稀疏值最大的小波包節(jié)點(diǎn)，從而得到包含軸承故障特征信息的共振頻帶。所述步驟(3)中樣本熵是一種描述信號序列復(fù)雜性的指標(biāo)，而在預(yù)測滾動(dòng)軸承損傷程度時(shí)，不同的損傷程度可以對應(yīng)不同的信號樣本熵值區(qū)間；具體步驟如下：(1)不同故障大小的信號在經(jīng)過Sparsogram算法處理后，計(jì)算各信號的樣本熵值，將對應(yīng)不同故障大小的樣本熵值連線作圖，實(shí)現(xiàn)滾動(dòng)軸承故障趨勢的診斷；(2)根據(jù)樣本熵曲線圖，確定不同損傷程度(微弱損傷、輕度損傷、中度損傷和重度損傷)所對應(yīng)的樣本熵值區(qū)間。所述步驟(4)中BP神經(jīng)網(wǎng)絡(luò)是一種能夠?qū)崿F(xiàn)智能識別的方法；在該步驟中，以經(jīng)過處理的不同故障大小振動(dòng)信號的樣本熵值作為輸入量，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識別，從而實(shí)現(xiàn)滾動(dòng)軸承損傷程度的智能化識別。本方法包括利用Matlab編寫Sparsogram算法，通過Sparsogram算法快速提取共振頻帶，計(jì)算樣本熵值，根據(jù)樣本熵隨著故障變化的趨勢，設(shè)定不同的熵值區(qū)間對應(yīng)滾動(dòng)軸承不同的損傷程度，BP神經(jīng)網(wǎng)絡(luò)的智能識別等步驟。其中Sparsogram算法包括以下步驟：S1加載原始信號，利用Daubechies10小波對信號進(jìn)行二進(jìn)制小波包分解，得到在不同分解深度和結(jié)點(diǎn)的小波包系數(shù)，其最大分解深度為j，根據(jù)小波包分解后最小頻帶是外圈故障頻率3倍確定最大分解深度。S2計(jì)算稀疏值，構(gòu)造Sparsogram圖。首先構(gòu)造一個(gè)分析信號，實(shí)部是每一個(gè)結(jié)點(diǎn)的小波包系數(shù)，虛部是系數(shù)的希爾伯特變換，通過分析信號的模數(shù)得到包絡(luò)信號，對包絡(luò)信號計(jì)算得到信號的功率譜，假定包絡(luò)信號零均值，稀疏值S(j,p):S(i,p)=Sjp=Σf=0Fs/2-1(djp(f))2Σf=0Fs/2-1|djp(f)|=||djp(f)||2||djp(f)||1,1≤j≤J,0≤P≤2J-1]]>其中表示包絡(luò)信號的功率譜，j代表分解深度，p代表第p個(gè)小波包的基，||d||為范數(shù)。根據(jù)求得的稀疏值，得到Sparsogram圖。S3通過Sparsogram圖選擇稀疏值最大的小波包節(jié)點(diǎn)，在多個(gè)故障情況下可以選擇稀疏值較大的幾個(gè)節(jié)點(diǎn)，然后對得到的小波包節(jié)點(diǎn)信號進(jìn)行分析，能夠得到更明顯的故障信號。滾動(dòng)軸承振動(dòng)信號主要由軸承的旋轉(zhuǎn)運(yùn)動(dòng)引起，故障軸承振動(dòng)信號中還會出現(xiàn)沖擊和瞬態(tài)振動(dòng)特征，因此在軸承故障的研究中，能夠準(zhǔn)確快速的提取故障特征是關(guān)鍵，而利用Sparsogram算法能夠準(zhǔn)確快速的提取包含故障特征的共振頻帶用來做進(jìn)一步的研究。樣本熵算法的實(shí)現(xiàn)具體步驟如下：設(shè)采集到的原始數(shù)據(jù)為{u(i),i＝1,…,N}，預(yù)先給定維數(shù)m和相似容限r(nóng)的值，則近似熵通過以下步驟計(jì)算得到：(1)將序列{u(i)}按順序組成m維矢量X(i)，即X(i)＝[u(i),u(i+1)…u(i+m-1)],i＝1～N-m+1，(2)計(jì)算矢量X(i)與矢量X(j)之間的距離d[X(i),X(j)]＝max|u(i+k)-u(j+k)|,k＝0,1,…,m-1(3)按照給定的閾值r(r＞0)，對每一個(gè)i值統(tǒng)計(jì)d[X(i),X(j)]＜r的數(shù)目(稱為模板匹配數(shù))及此數(shù)目與距離總數(shù)N-m+1的比值，記做即(4)求對所有i的平均值，記做Φm(r)，即Φm(r)=1N-m+1Σi=1N-m+1Cim(r)]]>(5)再對m+1，重復(fù)(1)～(4)的過程，得到Φm+1(r)(6)理論上此序列的樣本熵為SampEn(m,r)=limN→∞[-lnΦm+1(r)Φm(r)]]]>一般實(shí)際工作中N不可能為∞，當(dāng)N為有限值時(shí)，按上述步驟得出的是序列長度為N時(shí)SampEn的估計(jì)值SampEn(m,r,N)=-lnΦm+1(r)Φm(r)]]>本發(fā)明的技術(shù)效果在于：根據(jù)軸承外圈單點(diǎn)點(diǎn)蝕故障特征，針對不同故障大小的振動(dòng)信號，利用Sparsogram算法快速提取包含故障特征的共振頻帶，計(jì)算所提取共振頻帶的樣本熵值，通過樣本熵值的變化實(shí)現(xiàn)對軸承外圈損傷趨勢的預(yù)測。由于精確判斷故障大小的困難性，提出了故障區(qū)間的概念，將代表滾動(dòng)軸承損傷程度(微弱損傷、輕度損傷、中度損傷和重度損傷)的故障區(qū)間與樣本熵值區(qū)間一一對應(yīng)，以樣本熵值作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，實(shí)現(xiàn)對滾動(dòng)軸承故障損傷程度的智能化識別。附圖說明下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明作進(jìn)一步說明。圖1是本發(fā)明中Sparsogram算法中的結(jié)構(gòu)框圖。圖2是本發(fā)明中基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法流程圖。圖3是本發(fā)明中軸承外圈0.2mm故障信號時(shí)域圖。圖4是本發(fā)明中軸承外圈0.5mm故障信號時(shí)域圖。圖5是本發(fā)明中軸承外圈2mm故障信號時(shí)域圖。圖6是本發(fā)明中軸承外圈3.5mm故障信號時(shí)域圖。圖7是本發(fā)明中軸承外圈5mm故障信號時(shí)域圖。圖8是本發(fā)明中軸承外圈故障信號直接求解的樣本熵趨勢圖。圖9是本發(fā)明中軸承外圈故障信號在經(jīng)過文中方法處理的樣本熵趨勢圖。具體實(shí)施方式圖1是本發(fā)明中Sparsogram算法中的結(jié)構(gòu)框圖。Sparsogram算法包括以下步驟：(1)加載原始信號，利用Daubechies10小波對信號進(jìn)行二進(jìn)制小波包分解，得到在不同分解深度和結(jié)點(diǎn)的小波包系數(shù)，其最大分解深度為j，根據(jù)小波包分解后最小頻帶是外圈故障頻率3倍確定最大分解深度。(2)計(jì)算稀疏值，構(gòu)造Sparsogram圖。首先構(gòu)造一個(gè)分析信號，實(shí)部是每一個(gè)結(jié)點(diǎn)的小波包系數(shù)，虛部是系數(shù)的希爾伯特變換，通過分析信號的模數(shù)得到包絡(luò)信號，對包絡(luò)信號計(jì)算得到信號的功率譜，假定包絡(luò)信號零均值，稀疏值S(j,p):S(i,p)=Sjp=Σf=0Fs/2-1(djp(f))2Σf=0Fs/2-1|djp(f)|=||djp(f)||2||djp(f)||1,1≤j≤J,0≤P≤2J-1]]>其中表示包絡(luò)信號的功率譜，j代表分解深度，p代表第p個(gè)小波包的基，||d||為范數(shù)。根據(jù)求得的稀疏值，帶入圖1的結(jié)構(gòu)框圖，得到Sparsogram圖。(3)通過Sparsogram圖選擇稀疏值最大的小波包節(jié)點(diǎn)，在多個(gè)故障情況下可以選擇稀疏值較大的幾個(gè)節(jié)點(diǎn)，然后對得到的小波包節(jié)點(diǎn)信號進(jìn)行分析，能夠得到更明顯的故障信號。圖2是本發(fā)明中基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法流程圖。下面結(jié)合流程圖對基于Sparsogram和樣本熵的滾動(dòng)軸承損傷程度識別方法進(jìn)行詳細(xì)說明。(1)采集不同故障大小的滾動(dòng)軸承外圈故障振動(dòng)信號作為待分析信號；(2)針對待分析信號進(jìn)行Sparsogram算法處理，提取信號中包含軸承故障特征信息的共振頻帶；(3)計(jì)算各共振頻帶的樣本熵，得到樣本熵趨勢圖：設(shè)采集到的原始數(shù)據(jù)為{u(i),i＝1,…,N}，預(yù)先給定維數(shù)m和相似容限r(nóng)的值，則近似熵可以通過以下步驟計(jì)算得到：1)將序列{u(i)}按順序組成m維矢量X(i)，即X(i)＝[u(i),u(i+1)…u(i+m-1)],i＝1～N-m+1，2)計(jì)算矢量X(i)與矢量X(j)之間的距離d[X(i),X(j)]＝max|u(i+k)-u(j+k)|,k＝0,1,…,m-13)按照給定的閾值r(r＞0)，對每一個(gè)i值統(tǒng)計(jì)d[X(i),X(j)]＜r的數(shù)目(稱為模板匹配數(shù))及此數(shù)目與距離總數(shù)N-m+1的比值，記做即4)求對所有i的平均值，記做Φm(r)，即Φm(r)=1N-m+1Σi=1N-m+1Cim(r)]]>5)再對m+1，重復(fù)(1)～(4)的過程，得到Φm+1(r)6)理論上此序列的樣本熵為SampEn(m,r)=limN→∞[-lnΦm+1(r)Φm(r)]]]>一般實(shí)際工作中N不可能為∞，當(dāng)N為有限值時(shí)，按上述步驟得出的是序列長度為N時(shí)SampEn的估計(jì)值SampEn(m,r,N)=-lnΦm+1(r)Φm(r)]]>(4)根據(jù)樣本熵隨著故障變化的趨勢，設(shè)定不同的熵值區(qū)間對應(yīng)滾動(dòng)軸承不同的損傷程度(微弱損傷、輕度損傷、中度損傷和重度損傷)。(5)以樣本熵作為輸入量，利用BP神經(jīng)網(wǎng)絡(luò)對故障損傷程度實(shí)現(xiàn)智能識別。圖3是本發(fā)明中軸承外圈0.2mm故障信號時(shí)域圖。圖4是本發(fā)明中軸承外圈0.5mm故障信號時(shí)域圖。圖5是本發(fā)明中軸承外圈2mm故障信號時(shí)域圖。圖6是本發(fā)明中軸承外圈3.5mm故障信號時(shí)域圖。圖7是本發(fā)明中軸承外圈5mm故障信號時(shí)域圖。圖8是本發(fā)明中軸承外圈故障信號直接求解的樣本熵趨勢圖。針對不同故障大小的外圈故障信號，直接進(jìn)行樣本熵的求解，得到不同故障大小情況下信號的樣本熵值，連線作圖得到樣本熵值隨故障變化的趨勢圖。通過圖形可以發(fā)現(xiàn)，直接求解信號的樣本熵值隨著故障的增大并不呈現(xiàn)單一的趨勢，而是先減小后增大。圖9是本發(fā)明中軸承外圈故障信號在經(jīng)過文中方法處理的樣本熵趨勢圖。針對不同故障大小的外圈故障信號，首先經(jīng)過本發(fā)明方法的處理，計(jì)算樣本熵，得到不同故障大小情況下信號的樣本熵值，連線作圖得到樣本熵值隨故障變化的趨勢圖。通過圖形可以發(fā)現(xiàn)信號的樣本熵值呈現(xiàn)單調(diào)的趨勢，為了使趨勢更加明顯，在此圖中增多了故障點(diǎn)。為了實(shí)現(xiàn)軸承損傷程度的識別，根據(jù)上圖的趨勢，定義故障大小為[0，0.5]mm為微弱損傷，[0.5，2]mm為輕度損傷，[2，3]mm為中度損傷，3mm以上為重度損傷。損傷程度、故障區(qū)間與樣本熵值區(qū)間的關(guān)系如表1所示。將不同故障大小的樣本熵值作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，實(shí)現(xiàn)滾動(dòng)軸承損傷程度的智能化識別，識別結(jié)果如表2所示。表1損傷程度、故障區(qū)間與樣本熵區(qū)間對應(yīng)關(guān)系表損傷程度微弱損傷輕度損傷中度損傷重度損傷故障區(qū)間[0，0.5)mm[0.5，2]mm[2，3]mm>3mm樣本熵區(qū)間>2.1[1.26，2.1][1.16，1.26]<1.16表2識別結(jié)果損傷程度樣本個(gè)數(shù)正確個(gè)數(shù)準(zhǔn)確率微弱損傷403895％輕度損傷403997.5％中度損傷403997.5％重度損傷403895％當(dāng)前第1頁1 2 3