技术领域
[0001] 本
发明属于机械故障诊断与
信号处理领域，具体涉及一种基于GRCMSE与流形学习的
滚动轴承故障诊断方法。
背景技术
[0002] 滚动轴承作为
旋转机械的关键部件，其复杂的工作环境使得滚动轴承长时间运转后极易因疲劳而产生故障，进而引发一系列的事故，因此对其进行故障诊断有着现实的理论和实际意义。
[0003] 滚动轴承故障诊断的关键在于特征提取，近几年，随着非线性理论的发展，基于熵值特征提取方法受到学者青睐，如近似熵，样本熵，排列熵，模糊熵，多尺度熵和多尺度样本熵(MSE)等。其中，多尺度样本熵综合了多尺度熵可以从其他尺度上全面表征故障特征信息，以及样本熵具有适合衡量短数据序列复杂性特征和弥补近似熵匹配自身的
缺陷的优势，因此，在许多领域得到很好的应用。但将MSE应用于滚动轴承特征提取过程仍然存在以下两点缺陷：①通过均化数据的粗粒化过程，在一定程度上“中和”了原始信号的动
力学突变行为，使得估计的熵值存在偏差；②MSE熵值
稳定性会随粗粒化尺度因子增大而增加。
[0004] 此外，为全面表征滚动轴承故障信息，构建的故障特征通常表现为高维、非线性和冗余等，增加的分类器识别的负担，并影响识别效果。
发明内容
[0005] 有鉴于此，本发明的目的在于提供一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，克服了多尺度样本熵中粗粒化存在的不足，解决了高维故障特征存在的信息冗余问题。
[0006] 为实现上述目的，本发明采用如下技术方案：
[0007] 一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，包括以下步骤：
[0008] 步骤S1:利用
加速度
传感器采集滚动轴承振动加速度信号；
[0009] 步骤S2:利用GRCMSE
算法对振动加速信号进行特征提取，得到滚动轴承故障特征信息；
[0010] 步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行
降维处理，并将降维后的滚动轴承故障特征信息，按比例分为训练样本低维特征集和测试样本低维特征集；
[0011] 步骤S4:根据训练样本低维特征，训练PSO-SVM分类器，得到训练好的PSO-SVM分类器；
[0012] 步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器，诊断得到故障类型。
[0013] 进一步的，所述振动加速度信号包括正常状态，
外圈故障状态，
内圈故障状态和
滚动体故障状态下
传动轴径向振动加速度信号。
[0014] 进一步的，所述GRCMSE算法具体为：
[0015] (1)对时间序列{x(i),i＝1,2,...,N}，采用下式计算出广义复合粗粒化序列[0016]
[0017] (2)对于尺度因子s，分别计算出该尺度因子下每个广义粗粒化序列 的m维及m+1维空间向量个数，定义为
[0018] (3)在1≤h≤s范围内，计算 与 的平均值，分别为 与 即可得到时间序列x(i)在尺度因子为s下的GRCMSE熵值：
[0019]
[0020] 式中， 其中，设置GRCMSE算法参数为N＝4096，m＝2，r＝0.15SD(SD表示标准差值)，smax＝25。
[0021] 进一步的，所述DDMA流形学习方法具体为：
[0022] 令(X,P,μ)为测量空间，数据集X∈RD，P表示σ代数子集，μ表示X上的分布DDMA的具体过程如下：
[0024]
[0025]
[0026] 式中，ρ(x,y)表示核宽，l(x)和l(y)分别表示样本点x和y的标签信息，ω表示判别常数，ρW为同类标签样本的核宽，ρB为异类标签样本的核宽，Ω为整个数据集的标签信息；
[0027]
[0028]
[0029] A＝min{NA,NL＝l(x),NL＝l(y)} (7)
[0030] 式中，NA表示预先设定邻域大小，NL表示相同标签L下的样本点数；
[0031] (2)任意数据点x均可视为加权图G上的
顶点，然后在数据图上构建
马尔可夫链，用于寻找复杂几何中的相关结构，权重图G中x的度：
[0032]
[0033] 则x至y的转移概率表达式如下：
[0034]
[0035] (3)利用转移概率矩阵Q用以描述马尔可夫链，其中，Q包含所有q(x,y)；则x和y的转移距离定义为：
[0036]
[0037]
[0038] 式中，γ，分别表示矩阵Q的左、右
特征向量，λ表示特征值，d表示降维后的数据维数；特征值满足1＝λ0＞λ1≥…≥λd-1≥0；
[0039] 扩散映射结果如下：
[0040]
[0041] 进一步的，所述步骤S4具体为：
[0042] 步骤S41:对训练样本低维特征进行行归一化处理；
[0043] 步骤S42:根据SVM模型，选用径向基函数作为核函数，利用粒子群
优化算法，将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值，确定出SVM模型的最佳惩罚因子和核函数参数。
[0044] 本发明与
现有技术相比具有以下有益效果：
[0045] 1、本发明克服了多尺度样本熵中粗粒化存在的不足，解决了高维故障特征存在的信息冗余问题。
[0046] 2、本发明能够有效诊断滚动轴承不同状态类型。
附图说明
[0048] 图2为本发明一
实施例中滚动轴承不同状态下的时域
波形图；
[0049] 图3为本发明一实施例中GRCMSE的流程图；
[0050] 图4为本发明一实施例中四种状态高维特征均值特征曲线：(a)MSE与RCMSE均值曲线；(b)GMSE与GRCMSE均值曲线；
[0051] 图5为本发明一实施例中四种方法熵值偏差：(a)MSE熵值标准差；(b)RCMSE熵值标准差；(c)GMSE熵值标准差；(d)GRCMSE熵值标准差；
[0052] 图6为本发明一实施例中高维特征的PSO-SVM识别结果；
[0053] 图7为本发明一实施例中DDMA对GRCMSE降维结果；
[0054] 图8为本发明一实施例中低维特征的PSO-SVM识别结果。
具体实施方式
[0055] 下面结合附图及实施例对本发明做进一步说明。
[0056] 请参照图1，本发明提供一种基于GRCMSE与流形学习的滚动轴承故障诊断方法，包括以下步骤：
[0057] 步骤S1:利用加速度传感器采集滚动轴承振动加速度信号；
[0058] 在本实施例中，将其应用于滚动轴承正常工作(Nor)和具有内圈故障(IRF)、外圈故障(ORF)以及滚动体故障(BF)下的振动加速度信号分析过程。在
采样频率为5120HZ条件下，分别采集调心球轴承四种状态下振动加速度信号各100组，每组信号样本包含4096个采样点，4种类型共计400组样本。其中，每种类型随机选取20组样本作为训练样本，剩余80组作为测试样本，4种类型共计80组训练样本，320组测试样本。滚动轴承四种状态的时域波形图如图2所示。据图2可知，仅根据轴承振动信号时域波形难以区分各故障类型。
[0059] 步骤S2:利用GRCMSE算法对振动加速信号进行特征提取，得到滚动轴承故障特征信息；
[0060] 步骤S3:采用DDMA流形学习方法对滚动轴承故障特征信息进行降维处理，并将降维后的滚动轴承故障特征信息，按比例分为训练样本低维特征集和测试样本低维特征集；
[0061] 步骤S4:根据训练样本低维特征，训练PSO-SVM分类器，得到训练好的PSO-SVM分类器；
[0062] 步骤S5:将测试样本低维特征集输入训练好的PSO-SVM分类器，诊断得到故障类型。
[0063] 在本实施例中，所述GRCMSE算法具体为：
[0064] (1)对时间序列{x(i),i＝1,2,...,N}，采用下式计算出广义复合粗粒化序列[0065]
[0066] (2)对于尺度因子s，分别计算出该尺度因子下每个广义粗粒化序列 的m维及m+1维空间向量个数，定义为
[0067] (3)在1≤h≤s范围内，计算 与 的平均值，分别为 与 即可得到时间序列x(i)在尺度因子为s下的GRCMSE熵值：
[0068]
[0069] 式中， 其中，设置GRCMSE算法参数为N＝4096，m＝2，r＝0.15SD(SD表示标准差值)，smax＝25。
[0070] 在本实施例中，采用的GRCMSE算法流程如图3所示。并将该算法与多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE)等三种算法进行对比，四种算法对滚动轴承4种类熵值均值曲线和标准差分别如图4和图5所示。其中，各算法参数设置如下：N＝4096，m＝2，r＝0.15SD(SD表示标准差值)，smax＝25。。据图4和图5可知：(1)MSE与RCMSE算法对滚动轴承4种类型熵值均值曲线较为接近，如图4(a)所示。但与MSE相比，同一尺度下的RCMSE提取的熵值具有较小的标准差值如图5(a)和(b)所示。同理，GMSE与GRCMSE算法对滚动轴承4种类型熵值均值曲线较为接近，如图4(b)所示。但与GMSE相比，同一尺度下的GRCMSE提取的熵值具有较小的标准差值如图5(c)和(d)所示。这验证了采用精细复合思想提取出的熵值更为精准。(2)与MSE和RCMSE算法相比，GMSE和GRCMSE算法提取的滚动轴承4种类型熵值曲线更为平滑，并且在大部分尺度下，4种类型区分较为明显。表明利用广义粗粒化思想，能够提取易于区分故障类型的特征信息。
[0071] 在本实施例中，将GRCMSE全部特征直接输入至PSO-SVM分类器中进行训练与测试，识别结果如图6所述。据图6可知，GRCMSE算法提取的故障特征不可避免存在信息冗余，因此仍存有部分样本故障类别误判现象，需要采用降维算法对该高维故障特征集进行维数约简。本实施例利用DDMA流形学习方法对高维特征集进行维数约简时，其对GRCMSE特征集的降维结果如图7所示。其中，DDMA参数设置如下：依据相关维数法确定最佳本征维数为3，近邻参数为20，判别常数为2，转移时间为1。据图7可知，DDMA对GRCMSE特征集降维结果中，可将四类样本完全分离开，没有出现样本
混叠现象，并且四类样本聚集性较好。
[0072] 在本实施例中，所述DDMA流形学习方法具体为：
[0073] 令(X,P,μ)为测量空间，数据集X∈RD，P表示σ代数子集，μ表示X上的分布DDMA的具体过程如下：
[0074] (1)构建判别式的高斯内核：
[0075]
[0076]
[0077] 式中，ρ(x,y)表示核宽，l(x)和l(y)分别表示样本点x和y的标签信息，ω表示判别常数，ρW为同类标签样本的核宽，ρB为异类标签样本的核宽，Ω为整个数据集的标签信息；
[0078]
[0079]
[0080] A＝min{NA,NL＝l(x),NL＝l(y)} (7)
[0081] 式中，NA表示预先设定邻域大小，NL表示相同标签L下的样本点数；
[0082] (2)任意数据点x均可视为加权图G上的顶点，然后在数据图上构建马尔可夫链，用于寻找复杂几何中的相关结构，权重图G中x的度：
[0083]
[0084] 则x至y的转移概率表达式如下：
[0085]
[0086] (3)利用转移概率矩阵Q用以描述马尔可夫链，其中，Q包含所有q(x,y)；则x和y的转移距离定义为：
[0087]
[0088]
[0089] 式中，γ，分别表示矩阵Q的左、右特征向量，λ表示特征值，d表示降维后的数据维数；特征值满足1＝λ0＞λ1≥…≥λd-1≥0；
[0090] 扩散映射结果如下：
[0091]
[0092] 在本实施例中，所述步骤S4具体为：
[0093] 步骤S41:对训练样本低维特征进行行归一化处理；
[0094] 步骤S42:根据SVM模型，选用径向基函数作为核函数，利用
粒子群优化算法，将归一化处理后训练样本3折交叉后的平均正确识别率作为适应度值，确定出SVM模型的最佳惩罚因子和核函数参数。其中，设置粒子群规模为20，终止
迭代为100，局部搜索能力为2，全局搜索能力为2。
[0095] 以上所述仅为本发明的较佳实施例，凡依本发明
申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
