色散模式多尺度多样性熵的滚动轴承故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种色散模式多尺度多样性熵的滚动轴承故障诊断方法。

背景技术

随着机械设备的复杂程度不断提高，影响设备运行可靠性的因素越来越多，设备的维护难度增大。得益于传感技术的发展，使得大量数据的实时采集得以实现，利用监测数据实现故障诊断，是保障设备安全可靠运行的有效手段之一。在机械设备中，滚动轴承是核心动力部件，但是受运行环境复杂(如高温高湿、大冲击、高负载等)和运行时间长等因素的影响，导致轴承易发生故障，成为制约机械设备安全、精准运行的关键。因此，对滚动轴承的运行状态进行监测，及时发现故障，对于机械设备的安全运行具有十分重要的意义。

滚动轴承发生故障时，所采集到的振动信号(通常为加速度形式)的复杂度会发生变化，熵是一种描述系统混乱程度的方式，信号复杂度和熵两者具有相似的表征，因此可以用熵来衡量信号的复杂度。目前，基于熵的振动信号特征提取方法在故障诊断领域中被广泛研究，多样性熵是其中的一种，然而，已有的多样性熵方法都是通过计算相邻子序列的余弦相似度的统计概率来衡量序列的全局特性，这种方法从全局角度来衡量序列的复杂程度，却忽略了局部角度变化趋势，造成部分信息丢失，导致所提取的特征不完整，从而影响故障诊断的准确性。本发明解决该问题的基本思想是，在对振动信号进行特征提取时，计算振动信号时间序列的余弦相似度色散模式，作为熵算法的依据，通过这种方式，增加了局部角度变化趋势的特征，从而解决传统多样性熵存在的信息丢失的问题，提高了故障诊断的准确率。

发明内容

本发明的目的是提供一种色散模式多尺度多样性熵的滚动轴承故障诊断方法，解决了现有技术中存在的传统多样性熵提取特征时信息丢失的问题。

本发明所采用的技术方案是，色散模式多尺度多样性熵的滚动轴承故障诊断方法，具体按照以下步骤实施：

步骤1、采集滚动轴承分别在B种不同故障下运行的振动信号；

步骤2、将所述步骤1采集的振动信号划分为若干样本，对每个样本在不同尺度下进行粗粒化；

步骤3、在每个样本中，计算振动信号的色散模式多样性熵，进行特征提取，得到样本的熵特征；

步骤4、对所有样本提取熵特征，构造形成包含不同运行状态的特征集，将特征集划分为训练集和测试集；

步骤5、利用训练集，优化得到故障诊断模型；将测试集输入至故障诊断模型，得到故障诊断结果，并计算准确率。

本发明的特点还在于，

步骤2具体按照以下步骤实施：

步骤2.1、将振动信号以每L个长度划分为若干非重叠样本S，具体通过式(1)划分如下；

S(i)＝{v

其中，S(i)表示振动信号划分的第i个样本，v

步骤2.2、对每个样本S(i)在不同尺度因子τ下通过式(2)进行粗粒化；

其中，

步骤3具体按照以下步骤实施：

步骤3.1、将粗粒化后长度为N的振动信号X＝{x

其中，m为嵌入维度，y

步骤3.2、计算子序列矩阵Y(m)中，相邻子序列y

D(m)＝[d

其中，d的范围是[-1,1]，d代表两个子序列角度的相似性；

步骤3.3、选取c个色散类别，将D(m)中每一个元素通过分配给1～c中的某一类别

步骤3.4、计算色散模式

步骤3.5、计算每种色散模式

其中，

步骤3.6、根据香农熵的定义计算色散模式多样性熵：

通过计算每个粗粒化后序列的色散模式多样性熵作为该样本的熵特征。

步骤4具体按照以下步骤实施：

步骤4.1、将每个样本分别在不同尺度因子τ下进行重复上述步骤3以计算色散模式多尺度多样熵MDDE为：

MDDE(S,τ,m)表示样本S在尺度因子τ下的色散模式多尺度多样性熵，m为嵌入维度,每个样本的MDDE的大小为1×τ，DDE代表

步骤4.2、在所有样本在不同尺度因子τ下计算色散模式多样性熵后形成滚动轴承在不同运行状态下的特征集F；

其中，MDDE(j)表示第j个样本计算的色散模式多尺度多样性熵，

步骤4.3、将特征集F按比例分为训练集和测试集，训练比例意味着随机选择用于训练分类模型的特征在特征集的比例(一般选取60％)做训练集，剩余部分(40％)作为测试集在训练模型成功后，使用测试集对模型进行评估。

步骤5具体按照以下步骤实施：

步骤5.1、根据所需判别的故障类别构造B个二分类支持向量机，B为故障类别数，在构造第b(b∈[1,…B])个分类器时，将第b类的训练样本作为一类，类别编号t

其中，f(x)表示样本x分类，α

步骤5.2、将测试集样本分别输入给B个二分类支持向量机，从以上分类输出函数式得B个输出结果，比较B个输出结果最大的故障分类类别，即为测试样本判定的故障类别。

本发明的有益效果是，色散模式多尺度多样性熵的滚动轴承故障诊断方法，将信号对不同时间尺度下的序列进行重构，通过利用余弦相似度计算相邻子序列之间的相似性；将所计算的相似度选取不同的嵌入维度m

附图说明

图1是本发明色散模式改进多样性熵的轴承故障诊断方法流程图；

图2(a)是本发明色散模式改进多样性熵的轴承故障诊断方法中轴承三种故障状态下MDE熵值图；

图2(b)是本发明色散模式改进多样性熵的轴承故障诊断方法中轴承三种故障状态下MDDE熵值图；

图3(a)是本发明色散模式改进多样性熵的轴承故障诊断方法中轴承振动信号MDE熵值散点图；

图3(b)是本发明色散模式改进多样性熵的轴承故障诊断方法中轴承振动信号MDDE熵值散点图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明色散模式多尺度多样性熵的滚动轴承故障诊断方法，流程图如图1所示，具体按照以下步骤实施：

步骤1、采集滚动轴承分别在B种不同故障下运行(如：正常、内圈故障、外圈故障)的振动信号；

步骤2、将所述步骤1采集的振动信号划分为若干样本，对每个样本在不同尺度下进行粗粒化；

步骤2具体按照以下步骤实施：

步骤2.1、将振动信号以每L个长度划分为若干非重叠样本S，具体通过式(1)划分如下；

S(i)＝{v

其中，S(i)表示振动信号划分的第i个样本，v

步骤2.2、对每个样本S(i)在不同尺度因子τ下通过式(2)进行粗粒化；

其中，

步骤3、在每个样本中，计算振动信号的色散模式多样性熵，进行特征提取，得到样本的熵特征；

步骤3具体按照以下步骤实施：

步骤3.1、将粗粒化后长度为N的振动信号X＝{x

其中，m为嵌入维度，y

步骤3.2、计算子序列矩阵Y(m)中，相邻子序列y

D(m)＝[d

其中，d的范围是[-1,1]，d代表两个子序列角度的相似性；

步骤3.3、选取c个色散类别，将D(m)中每一个元素通过分配给1～c中的某一类别

步骤3.4、计算色散模式

步骤3.5、计算每种色散模式

其中，

步骤3.6、根据香农熵的定义计算色散模式多样性熵：

将样本在不同尺度因子下进行粗粒化，然后通过上述步骤3计算每个粗粒化后序列的色散模式多样性熵作为该样本的熵特征。

步骤4、对所有样本提取熵特征，构造形成包含不同运行状态的特征集，将特征集划分为训练集和测试集；

步骤4具体按照以下步骤实施：

步骤4.1、将每个样本分别在不同尺度因子τ下进行重复上述步骤3以计算色散模式多尺度多样熵MDDE为：

MDDE(S,τ,m)表示样本S在尺度因子τ下的色散模式多尺度多样性熵，m为嵌入维度,每个样本的MDDE的大小为1×τ，DDE代表

步骤4.2、在所有样本在不同尺度因子τ下计算色散模式多样性熵后形成滚动轴承在不同运行状态下的特征集F；

其中，MDDE(j)表示第j个样本计算的色散模式多尺度多样性熵，

步骤4.3、将特征集F按比例分为训练集和测试集，训练比例意味着随机选择用于训练分类模型的特征在特征集的比例(一般选取60％)做训练集，剩余部分(40％)作为测试集在训练模型成功后，使用测试集对模型进行评估。

步骤5、利用训练集，优化得到故障诊断模型；将测试集输入至故障诊断模型，得到故障诊断结果，并计算准确率。

步骤5具体按照以下步骤实施：

步骤5.1、根据所需判别的故障类别构造B个二分类支持向量机，B为故障类别数，在构造第b(b∈[1,…B])个分类器时，将第b类的训练样本作为一类，类别编号t

其中，f(x)表示样本x分类，α

步骤5.2、将测试集样本分别输入给B个二分类支持向量机，从以上分类输出函数式得B个输出结果，比较B个输出结果最大的故障分类类别，即为测试样本判定的故障类别。

实施例

选用德国Paderborn大学轴承数据集。该数据集包括正常轴承数据和故障轴承数据。其中故障轴承包括人工损伤轴承数据和真实损伤故障数据俩种。该数据集包括四种工作条件，通过改变驱动系统的速度来测试轴承上的径向力和驱动系统上的负载扭矩。本案例所使用的正常轴承数据为：K001、K002、K003、K004、K005、K006，外圈轴承故障为KA01、KA03、KA05、KA06、KA07、KA08、KA09，内圈故障的轴承选取为：KI01、KI03、KI05、KI07和KI08。本案例研究MDE和MDDE选取参数：样本长度L、嵌入维度m、区间个数ε、尺度因子τ分别选择为4096、3、10、20，MDDE的参数：色散类别c取6，嵌入维度m

图2(a)中三条曲线分别表示正常、外圈故障、内圈故障的轴承数据集在尺度因子为1到20时的多样性熵，由图2(a)可以看出MDE计算外圈故障熵值起伏比较大，与其他俩种故障状态下熵值交叉较多，不便于分类，三种情况下计算的多样性熵值波动较大不够稳定。图2(b)MDDE计算的熵值可以更好的将正常情况与外圈故障分离开来而且所计算的熵值在正常、内圈故障、外圈故障的情况下都比较稳定具有较好的一致性。

图3(a)和图3(b)分别显示了正常、外圈故障和内圈故障状态下MDE和MDDE聚类散点图，可以看出，由于使用色散模式多尺度多样性熵算法增加了局部特征信息，这一特点与传统的多样性熵相比具有更好的聚类效果。

表(1)分别显示了多尺度多样性熵和色散模式多尺度多样性熵分别与支持向量机相结合后的诊断精度。为了避免单个结果的随机性，分别取占比为0.6、0.4、0.8的数据作为训练样本，进行独立十次实验取平均值。与多尺度多样性熵相比，色散模式多尺度多样性熵诊断精度更高，其中色散模式多尺度多样性熵的诊断精度比多尺度多样性熵结合支持向量机提高了约2％，具有显著优势。

表(1)不同训练集比例下MDE和MDDE故障诊断正确率