一種基于復合多尺度排列熵的滾動軸承故障診斷方法
【技術領域】
[0001] 本發(fā)明涉及滾動軸承故障診斷技術領域，特別涉及一種基于復合多尺度排列熵 (Composite multi-scale permutation entropy，CMPE)、拉普拉斯分值（Laplacian score， LS)特征選擇和支持向量機（Support vector machine，SVM)的滾動軸承故障診斷方法。
【背景技術】
[0002] 由于機械系統(tǒng)的復雜性，設備在運轉過程中不可避免地會發(fā)生摩擦，振動和負載 等，系統(tǒng)的振動信號往往表現出非線性行為。因此，非線性分析的方法在提取故障特征方面 比線性分析的方法更具有其獨特的優(yōu)勢，可以提取隱藏在振動信號中其它方法無法提取的 故障特征信息。近年來，許多非線性分析方法，如分形、近似熵、樣本熵和排列熵等已被廣泛 應用于機械故障診斷領域，取得了非常好的故障診斷效果。
[0003] 排列熵是最近提出的一種時間序列隨機性衡量和動力學突變行為檢測的方法，但 排列熵只適用于分析單一尺度的時間序列。多尺度排列熵定義為不同尺度下的排列熵，能 夠衡量時間序列在不同尺度下的復雜性。然而，研宄發(fā)現，基于粗粒化方式定義的多尺度計 算方法依賴于時間序列的長度，由于每個粗?；蛄械拈L度等于原信號的長度除以尺度因 子，因此，排列熵值的偏差會隨著粗?；蛄虚L度減小而增大，而且傳統(tǒng)的多尺度算法的估 計誤差也會隨著尺度因子的增大而增大。
[0004] 由于正常滾動軸承的振動信號是隨機振動，而當機械系統(tǒng)發(fā)生故障時，振動信號 的隨機性和動力學行為都會發(fā)生突變；不僅如此，振動信號的這種隨機性和動力學突變往 往表現在多個尺度。因此，對振動信號進行多尺度分析、檢測振動信號多個尺度的隨機性和 動力學突變行為是有效的提取故障特征的方法。

【發(fā)明內容】

[0005] 1.發(fā)明要解決的技術問題
[0006] 本發(fā)明為了克服多尺度排列熵中排列熵值隨著尺度因子增大而偏差較大的問題， 同時為了提高故障診斷效率，以及減少人為經驗因素對診斷結果的影響，提供了一種基于 復合多尺度排列熵、拉普拉斯分值和支持向量機的滾動軸承故障診斷方法；本發(fā)明在特征 提取過程中能更好地提取振動信號的非線性特征，同時在模式識別過程中也具有更高的故 障識別度。
[0007] 2?技術方案
[0008] 為達到上述目的，本發(fā)明提供的技術方案為：
[0009] 本發(fā)明的一種基于復合多尺度排列熵的滾動軸承故障診斷方法，其步驟為：
[0010] 步驟S11、測量故障物體的振動信號；
[0011] 步驟S12、計算所得振動信號的復合多尺度排列熵值；
[0012] 步驟S13、采用拉普拉斯分值方法對復合多尺度排列熵進行特征降維；
[0013] 步驟S14、將降維后所得故障特征值分為訓練樣本和測試樣本；
[0014] 步驟S15、采用訓練樣本對基于支持向量機的多故障分類器進行訓練；
[0015] 步驟S16、利用已訓練的多故障分類器對測試樣本進行分類；
[0016] 步驟S17、根據分類結果識別故障物體的工作狀態(tài)和故障類型。
[0017] 更進一步地，步驟S12所述計算振動信號的復合多尺度排列熵值的過程如下：
[0018] 步驟S21、對步驟S11所得振動信號進行粗粒化；
[0019] 步驟S22、計算同一尺度因子下每個粗粒序列的排列熵值；
[0020] 步驟S23、對同一尺度因子下的所有排列熵值求平均，得所述振動信號在該尺度因 子下的排列摘；
[0021] 步驟S24、對所有的尺度因子，重復步驟S23~S24的操作，得所述振動信號的復合 多尺度排列熵。
[0022] 更進一步地，步驟S13所述對復合多尺度排列熵進行特征降維的步驟包括：
[0023] (1)根據復合多尺度排列熵的最大尺度因子n，構建一個含有n個樣本點的近鄰圖 Q，判斷樣本點i與樣本點j是否連通；
[0024] (2)若樣本點i與樣本點j不連通，令Sij=0;若樣本點i與樣本點j連通，則令
[0025] Si』=exp(_ | |x廠叉』| 12/t)
[0026]式中，t為常數，第i個樣本點對應Xi，Si」為加權矩陣S的元素；
[0027] ⑶定義
[0028] fr=[frl，fr2,…，frn]T，D=diag(SI)，I= [1，…，1]T，L=D-S
[0029] 其中，4為第i個樣本點的第i個特征值（i = 1，2,…，n) ;T表示轉置，D表示矩 陣SI的對角矩陣，矩陣L為近鄰圖Q的拉普拉斯矩陣；
[0030] 對各個特征值進行去均值化處理得到：
【主權項】
1. 一種基于復合多尺度排列滴的滾動軸承故障診斷方法，其步驟為： 步驟S11、測量故障物體的振動信號； 步驟S12、計算所得振動信號的復合多尺度排列滴值； 步驟S13、采用拉普拉斯分值方法對復合多尺度排列滴進行特征降維； 步驟S14、將降維后所得故障特征值分為訓練樣本和測試樣本； 步驟S15、采用訓練樣本對基于支持向量機的多故障分類器進行訓練； 步驟S16、利用已訓練的多故障分類器對測試樣本進行分類； 步驟S17、根據分類結果識別故障物體的工作狀態(tài)和故障類型。
2. 根據權利要求1所述的一種基于復合多尺度排列滴的滾動軸承故障診斷方法，其特 征在于：步驟S12所述計算振動信號的復合多尺度排列滴值的過程如下： 步驟S21、對步驟S11所得振動信號進行粗粒化； 步驟S22、計算同一尺度因子下每個粗粒序列的排列滴值； 步驟S23、對同一尺度因子下的所有排列滴值求平均，得所述振動信號在該尺度因子下 的排列滴； 步驟S24、對所有的尺度因子，重復步驟S23~S24的操作，得所述振動信號的復合多尺 度排列滴。
3. 根據權利要求2所述的一種基于復合多尺度排列滴的滾動軸承故障診斷方法，其特 征在于：步驟S13所述對復合多尺度排列滴進行特征降維的步驟包括： (1) 根據復合多尺度排列滴的最大尺度因子n，構建一個含有n個樣本點的近鄰圖Q，判 斷樣本點i與樣本點j是否連通； (2) 若樣本點i與樣本點j不連通，令Su= 0 ;若樣本點i與樣本點j連通，則令Sij=exp(-IIXj-XjIIVt) 式中，t為常數，X為第i個樣本點的特征值元素，Su為加權矩陣S的元素； (3) 定義 fr=[f…fr2,…，frn]T，D=diag(S：[)，I= [1，…，：L]T，L=D-S其中，為第i個樣本點的第r個特征值（i= 1，2,…，n) ;T表示轉置，D表示矩陣SI 的對角矩陣，矩陣L為近鄰圖Q的拉普拉斯矩陣； 對各個特征值進行去均值化處理得到：
義表示去均值后的特征值，IT和乂T分別表示I和fr的轉置. (4) 計算第r個特征值的拉普拉斯分值Lf:
其中，Var(fr)為第r個特征值的方差，夫7'表示又的轉置。
4. 根據權利要求3所述的一種基于復合多尺度排列滴的滾動軸承故障診斷方法，其特 征在于：步驟S13中判斷樣本點i與樣本點j是否連通的標準為樣本點i為樣本點j的5 近鄰節(jié)點。
5. 根據權利要求3或4所述的一種基于復合多尺度排列滴的滾動軸承故障診斷方法， 其特征在于；步驟S14將降維后所得拉普拉斯分值進行從小到大排序，選取分值較小的前5 個復合多尺度排列滴值作為故障特征值。
6. 根據權利要求5所述的一種基于復合多尺度排列滴的滾動軸承故障診斷方法，其特 征在于：步驟S16中利用已訓練的多故障分類器對測試樣本進行分類的步驟包括： 對于測試樣本中的故障特征值，分別根據已訓練的多故障分類器中的每單一支持向量 機的輸出〇(y)是否為+1進行判斷； 若輸出〇(y) = +1，則停止輸入到下一個支持向量機，輸出該測試樣本的分類； 若輸出為〇(y) =-1，則將該測試樣本輸入到下一個支持向量機，直到輸出結果為+1時 輸出測試樣本的分類。
【專利摘要】本發(fā)明公開了一種基于復合多尺度排列熵的滾動軸承故障診斷方法，屬于故障診斷技術領域。本發(fā)明的步驟為：測取故障物體的振動信號；從振動信號中提取復合多尺度排列熵；將復合多尺度排列熵值采用拉普拉斯分值進行降維；將降維后得分較低的前若干個復合多尺度排列熵作為故障特征向量分為多個訓練樣本和多個測試樣本；分別將多個訓練樣本輸入基于支持向量機建立的多故障分類器進行學習以對測試樣本進行分類；根據分類結果識別故障物體的工作狀態(tài)和故障類型。本發(fā)明提出的故障診斷方法，在特征提取的過程中有較高的創(chuàng)新性，在故障模式識別過程中具有較高的識別度。
【IPC分類】G01H17-00, G06K9-62, G01M13-04
【公開號】CN104849050
【申請?zhí)枴緾N201510297851
【發(fā)明人】鄭近德, 潘海洋, 徐培民, 張俊
【申請人】安徽工業(yè)大學
【公開日】2015年8月19日
【申請日】2015年6月2日