专利名称：一种基于lmd和pca的滚动轴承状态辨识方法
技术领域：
本发明属于轨道交通安全技术领域。本发明涉及一种基于LMD和PCA的滚动轴承状态辨识方法。
背景技术：
在轨道车辆、汽车、工程机械行业中，滚动轴承的应用十分广泛，但其故障率高，且运行正常与否严重影响机械设备的整体性能，因此准确有效的滚动轴承运行状态监测和识别对于提高工作效率、保障运行安全具有重要意义。特征的提取和状态的辨识是滚动轴承状态监测中需解决的关键问题，在特征提取方面，局部均值分解(Local Mean Decomposition, LMD)是一种新的自适应非平稳信号处理方法，能够将多分量的信号分解为若干个称之为乘积函数(product function, PF)的单 分量调幅一调频信号之和，其分解过程温和，能够保存丰富的频率和包络信息。目前，已有学者对基于LMD的故障信号特征提取方法进行了研究，提出了诸如LMD与阶次跟踪分析相结合的方法，对LMD后各分量的瞬时幅值和瞬时频率信号进行Fourier变换的方法，基于LMD的能量算子解调方法，计算LMD后各分量的包络谱的方法等等。但上述研究均未考虑振动信号的统计特征，而振动信号的各种统计量往往包含了丰富的状态信息，可检测出运行状态的变化。主成分分析(Principal Component Analysis, PCA)是一种典型的多元统计模式识别方法，参数限制少，计算简单。迄今，基于PCA的多元统计性能监控方法在质量控制、过程监测和故障诊断等领域已有诸多应用。在状态监测中，通过PCA对当前状态的采样数据进行最佳综合简化后，可求得不同子空间的统计变量值及其控制限，这些统计变量及控制限可充分表征当前状态的统计特性。在状态辨识方面，最小二乘支持向量机(LeastSquare Support Vector Machine, LSSVM)是一种基于经典支持向量机(Support VectorMachine, SVM)的扩展和改进的智能分类方法。其不仅具有经典SVM的小样本学习能力强、泛化性能好、有效避免局部极小的特点，而且运算速度快，无需指定逼近精度，因此LSSVM在模式识别、预测控制等领域有广泛应用特征的提取和状态的辨识是滚动轴承状态监测中需解决的关键问题，国内外学者已经对此进行了深入研究。安全域分析及估计理论最早应用于电力系统安全状态评价，之后扩展到网络控制、公路交通、电子政务等方面。近年来，由作者所在团队将安全域基本思想引入轨道交通系统及关键设备的运行安全状态监测及评价中，提出了基于安全域估计的机械设备服役状态的安全评估方法。针对滚动轴承状态监测和识别的研究，其安全域是一个从域的角度全面描述滚动轴承可正常(无故障)运行区域的定量模型。直观来说，在状态特征变量所确定的空间中划定一个区域，估计此区域的边界，当滚动轴承的状态特征变量值所确定的状态点落在此区域内时，则认定此时滚动轴承运行状态正常(无故障)，当状态点落在此区域外时，则认为此时滚动轴承运行状态非正常(故障)。当状态特征变量数为2，即所确定的空间为二维平面空间时，滚动轴承的运行状态安全域如图I所示，其中Vl、V2为两个状态特征变量，PpP2分别表示滚动轴承运行状态正�：凸收鲜钡牧礁鲎刺�。安全域估计的主要工作是获得安全域边界，即能够区分正�：凸收狭街肿刺姆掷嗑霾吆�
发明内容
本发明的目的是对滚动轴承运行状态进行监测和识别，获取滚动轴承安全域边界以辨识正常和故障两种运行状态，进而辨识滚动轴承的正常及滚动体、内圈、外圈故障四种运行状态。本发明可以为滚动轴承的状态监测提供可行的途径，进而提高滚动轴承的工作效率、降低运营成本，对滚动轴承的安全稳定运行提供保障。一种基于LMD和PCA的滚动轴承状态辨识方法包括以下步骤I)获取实验数据分别采集滚动轴承的运行状态处于正�：凸收锨榭鱿碌恼穸铀俣仁荩收习ü龆骞收�、内圈故障和外圈故障；2)进行两类状态实验数据划分或四类状态实验数据划分；
两类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量；四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵；当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵；4)提取滚动轴承的状态特征向量对每个乘积函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本；5)当步骤2)进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正�：凸收狭街智榭觯坏辈街�2)进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。所述时间间隔h为采集数据时滚动轴承自转一圈所需的时间。本发明的有益效果为本发明提供了基于LMD-PCA-LSSVM的滚动轴承运行状态安全域估计方法以及正�：透髦止收献刺谋媸斗椒ǎ淠芄挥行У靥崛」龆岢性诵凶刺卣鳎⑼瓿晒龆岢械脑诵凶刺踩蚬兰埔约罢！⒐龆骞收�、内圈故障、外圈故障四种状态的辨识。本发明为滚动轴承故障监测、诊断提供了快速、有效的方法。
图I是滚动轴承运行状态的安全域示意图；图2是基于LMD-PCA-LSSVM安全域估计以及状态辨识方法的实施过程图(其中划分后的数据段个数Q=Ts/%，Ts为采样时间，为数据划分的时间间隔)；图3是DAGSVM多分类方法示意图；图4是滚动轴承运行状态的安全域估计结果,其中图4a和图4b分别为滚动轴承故障严重和故障轻微时的结果；
具体实施例方式
下面结合附图对本发明的实施例具体说明如图2所示，一种基于LMD和PCA的滚动轴承状态辨识方法包括以下步骤I)获取实验数据分别采集滚动轴承的运行状态处于正�：凸收锨榭鱿碌恼穸铀俣仁荩收习ü龆骞收稀⒛谌收虾屯馊收希�2)进行两类状态实验数据划分或四类状态实验数据划分；两类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量；四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量；3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数(PF)分量，组成各自的乘积函数矩阵；当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数(PF)分量，组成各自的乘积函数矩阵；4)提取滚动轴承的状态特征向量对每个乘积函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本；5)当步骤2)进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正�：凸收狭街智榭觯坏辈街�2)进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。
时间间隔h为采集数据时滚动轴承自转一圈所需的时间。下面是本发明的一个具体实施例该实施例所需数据是由Dr. Kenneth A. Loparo提供的滚动轴承实验数据,轴承型号为205-2RS JEM SKF型深沟球轴承，电机负载3马力，转速1730r/min (约28.8r/s)，驱动端采样，采样频率48k Hz，采样时间Ts=10s。分为以下两种情况数据进行了试验1)故障严重滚动体及内、外圈的故障直径O. 5334mm，深度O. 2794mm ；2):故障轻微滚动体及内、外圈的故障直径O. 1778mm，深度
O.2794mm。(I)实验数据分段划分本实施例按滚动轴承的转速确定用于划分数据段的时间间隔，即按轴承每转一转所采集的数据点划为一个数据段。则轴承正常及各故障状态的数据均划分为288段，每段数据包含1706个数据点。(2)各段数据本征�：至炕袢《运玫拿慷卧际菰擞肔MD获得其PF分量。考虑分解速度和分解结果准确性，采用基于三次样条函数的LMD方法，其分解过程如下①设原始信号为x(t)，找出其所有局部极值点，将所有的局部极大值点和局部极小值点分别用三次样条曲线连接起来，得到x(t)的Emax(t)和下包络线Emin(t)；②按如下两式计算局部均值函数mn⑴和包络估计函数C11⑴；
权利要求
1.一种基于LMD和PCA的滚动轴承状态辨识方法，其特征在于，包括以下步骤 1)获取实验数据分别采集滚动轴承的运行状态处于正�：凸收锨榭鱿碌恼穸铀俣仁荩收习ü龆骞收�、内圈故障和外圈故障； 2)进行两类状态实验数据划分或四类状态实验数据划分； 两类状态实验数据划分是指按照时间间隔t分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据和滚动轴承的运行状态处于故障情况下的振动加速度数据；划分的每个数据段对应一个特征向量； 四类状态实验数据划分是指按照时间间隔h分别划分将滚动轴承的运行状态处于正常情况下的振动加速度数据、滚动轴承的运行状态处于滚动体故障情况下的振动加速度数据、滚动轴承的运行状态处于内圈故障情况下的振动加速度数据和滚动轴承的运行状态处于外圈故障下的振动加速度数据；划分的每段数据对应一个特征向量； 3)当步骤2)进行两类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵； 当步骤2)进行四类状态实验数据划分时，对划分的每段数据分别进行局部均值分解处理，获得每段数据的乘积函数分量，组成各自的乘积函数矩阵； 4)提取滚动轴承的状态特征向量对每个乘积函数矩阵进行主成分分析处理，计算对应的T2统计量的控制限和SPE统计量的控制限，这两个控制限的值构成了每段数据的二维统计特征向量，每段数据的二维统计特征向量对应一个状态点；将获得的T2统计量的控制限和SPE统计量的控制限分别进行归一化处理，当步骤2)进行两类状态实验数据划分时，分别标记为“正常”和“故障”两类样本；当步骤2)进行四类状态实验数据划分时，分别标记为“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本； 5)当步骤2)进行两类状态实验数据划分时，利用最小二乘支持向量机算法将此“正常”和“故障”两类样本进行分类，得到对应的分类线，此分类线即为滚动轴承运行状态的安全域边界，根据此边界能够辨识正�：凸收狭街智榭觯� 当步骤2)进行四类状态实验数据划分时，利用多分类的最小二乘支持向量机算法将此“正常”、“滚动体故障”、“内圈故障”和“外圈故障”四类样本进行分类，获得状态辨识结果。
2.根据权利要求I所述的一种基于LMD和PCA的滚动轴承状态辨识方法，其特征在于，所述时间间隔h为采集数据时滚动轴承自转一圈所需的时间。
全文摘要
本发明公开了属于轨道交通安全技术领域的一种基于LMD和PCA的滚动轴承状态辨识方法。包括以下步骤1)获取实验数据；2)进行两类状态实验数据划分或四类状态实验数据划分；3)对划分的每段数据分别进行局部均值分解处理，获得每段数据的PF分量，组成各自的PF矩阵；4)提取滚动轴承状态的统计特征向量；5)确定安全域边界；6)辨识滚动轴承运行状态。本发明的有益效果为本发明能够有效地提取滚动轴承运行状态特征，并完成滚动轴承的运行状态安全域估计以及正常、滚动体故障、内圈故障、外圈故障四种状态的辨识。本发明为滚动轴承故障监测、诊断提供了快速、有效的方法。
文档编号G01M13/04GK102829974SQ20121027960
公开日2012年12月19日 申请日期2012年8月7日 优先权日2012年8月7日
发明者秦勇, 张媛, 贾利民, 邢宗义, 廖贵玲, 陈皓, 季海燕, 陈波 申请人:北京交通大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
