一种滚动轴承故障在线检测与状态评估方法与流程

本发明属于滚动轴承故障智能检测与状态评估方法领域，具体涉及一种滚动轴承故障在线检测与状态评估方法。
背景技术：
：由于滚动轴承故障样本往往难以得到，且轴承故障类型复杂多样，几类故障可能同时存在，所以，滚动轴承的状态评估往往面临的是数据域描述问题，即所采取的特征评估方法应该适用于仅有正常样本的情况。既然滚动轴承的在线监测本质上可以看作是对轴承正常数据域边界的描述问题，那么就有必要研究多维特征向量在空间上的分布，以期更好地利用先验知识来建立一个合适的模型。通常，特征的维数很高(3维以上)，其分布无法进行可视化的展示，但根据低维情况的推广，不难想象特征向量的分布是超椭球状的，而根据选择的特征的不同，超椭球主轴的方向和长度均可能会发生变化。这样的边界是复杂的，若想描述复杂的边界，算法需要具有强非线性能力，支持向量数据描述、自组织神经网络和高斯混合模型等方法具有这样的能力，并已被用作解决该类问题并在试验上均取得了良好的效果。但正由于上述方法具有强非线性能力，其训练时都不可避免地面临一个问题：运算复杂度较大，并因此难以实现动态训练。然而，以航空发动机滚动轴承为例，其状态评估模型是被期望嵌于航空发动机控制系统中，而发动机控制系统需要谨慎地优化分配计算资源来保证重要任务(如发动机控制等)的安全性，有限的运算资源与模型的复杂性构成了一对矛盾。因此，构造有效且运算复杂度低的评估模型，可以实现滚动轴承的动态训练与实时评估，具有重要的工程意义。201310015619号中国专利公开了一种基于振动检测的滚动轴承故障检测方法，先将加速度传感器采集到的滚动轴承数据进行3层小波包分解，接着求解第三层小波包系数重构信号的能量，接着根据第三层各频段能量值变化，选取能量集中的频段以重构原始信号的近似估计；利用倒频谱对重构信号进行更进一步的分析，最后与理论计算的故障特征频率以及边频特性比较以诊断故障。这类方法需要滚动轴承的故障数据，但无论是实际检测还是理论计算，故障数据往往难以获得，诊断过程需要人为参与，不利于自动在线训练与检测。技术实现要素：本发明的目的在于提供一种在线训练的滚动轴承故障检测与状态评估方法，该方法能够解决滚动轴承状态评估模型在线训练耗时长，效率低的难点问题。为实现上述目的，本发明是通过以下技术方案实现的：一种滚动轴承故障在线检测与状态评估方法，包括以下步骤：S1：提取12维无量纲参数，所述12维无量纲参数包括：6维时域统计参数、3维频域统计参数和小波包络谱中的3维无量纲参数；S2：获得标准化重构特征向量；以及S3：判定所述滚动轴承是否出现故障；其中，所述步骤S1具体包括：S1-1：采集振动加速度信号，将采集的振加速度信号分段储存，得到若干样本；S1-2：通过时域统计参数从所述样本中提取6维时域统计参数，所述6维时域统计参数包括：波形因数TSI、峰值指标TCI、脉冲指标TMI、裕度指标TCLI、峭度TKU和歪度TSK；S1-3：通过频域统计参数从所述样本中提取3维频域统计参数，所述3维频域统计参数包括重心频率FFC、均方频率FMSF和频率方差FVF；以及S1-4：通过小波变换得到所述样本的小波包络谱，提取所述小波包络谱中的3维无量纲参数，所述小波包络谱中的3维无量纲参数包括：内圈故障频率fI对应的特征WBPFI、外圈故障频率fO对应的特征WBPFO和滚珠故障频率fB对应的特征WBSF；所述步骤S2具体包括：S2-1：基于最小重构误差准则，对上述12维无量纲参数施加约束条件，得到12维去相关的重构特征向量；S2-2：对所述12维去相关的重构特征向量进行标准化处理，获得12维样本均值为0且样本标准差为1的标准化重构特征向量；并且所述步骤S3具体包括：S3-1：训练，得到滚动轴承正常运行状态下所述标准化重构特征向量的2范数的样本均值和样本标准差，并设定滚动轴承状态异常的阈值；S3-2：测试，将滚动轴承未知状态下样本的特征向量到所述滚动轴承正常运行状态下的样本均值特征向量的欧氏距离作为劣化指标，比较劣化指标与所述阈值，当劣化指标大于所述阈值时，判定滚动轴承处于故障状态；当劣化指标小于或者等于所述阈值时，判定滚动轴承处于正常运行状态。进一步的，所述劣化指标越大，则判定滚动轴承的劣化程度越大。进一步的，步骤S1-2中提取所述6维时域统计参数的具体操作为：波形因数TSI的由式(1)给出，峰值指标TCI的由式(2)给出,脉冲指标TMI的由式(3)给出,裕度指标TCLI由式(4)给出,峭度TKU由式(5)给出,歪度TSK由式(6)给出，TSI=1NΣi=1N(yi2)1NΣi=1N|yi|---(1)]]>TCI=Σi=110ypi1NΣi=1N(yi)2---(2)]]>TMI=Σi=110ypi1NΣi=1N|yi|---(3)]]>TCLI=Σi=110ypi[1NΣi=1N|yi|]2---(4)]]>TKU=1NΣi=1Nyi4(1NΣi=1Nyi2)2---(5)]]>TSK=1NΣi=1Nyi3(1NΣi=1Nyi2)32---(6)]]>其中，yi是所述振加速度信号中的数据；ypi是将所述数据分为10段后每段数据绝对值的最大值。进一步的，步骤S1-3中提取3维时域统计参数的具体操作为：重心频率FFC由式(7)给出，均方频率FMSF由式(8)给出，频率方差FVF由式(9)给出，FFC=Σi=0nfiS(fi)Σi=0nS(fi)---(7)]]>FMSF=Σi=0nfi2S(fi)Σi=0nS(fi)---(8)]]>FVF=Σi=0n(fi-FFC)2S(fi)Σi=0nS(fi)---(9)]]>其中，S(fi)为振动加速度信号频谱函数。进一步的，所述的步骤S1-4的具体操作包括以下三步：S1-4-1，根据式(10)-(12)计算内圈故障频率fI、外圈故障频率fO和滚珠故障频率fB，fI=12Z(1+dDcosα)fr---(10)]]>fO=12Z(1-dDcosα)fr---(11)]]>fB=D2d[1-(dD)2cos2α]fr---(12)]]>其中d表示滚动体直径，D表示轴承节径，Z表示滚动体个数，α表示接触角，fr表示滚动轴承内圈和外圈的相对转动频率；S1-4-2，采用db8小波对所述振动加速度信号进行小波分解得到6个信号，包括5个细节信号d1、d2、d3、d4、d5和1个近似信号a5；S1-4-3，提取小波包络谱中的3维无量纲参数：设在小波包包络谱中，故障特征频率及其各阶倍频附近有特征谱峰存在，设包络谱分析带宽为fe，包络谱为W(f)，设W(f)谱线的数目为Ne，则Sea为Sea=1NeΣi=0NeW(fi)---(13)]]>再令Sed为包络谱中故障特征频率各阶倍频处的谱线平均值，设包络谱中故障频率的谱线数为ne，则Sed=1neΣi=0neW(ifd)---(14)]]>构造一个无量纲参数：ΔSe=SedSea---(15)]]>对步骤S1-4-2中所述的6个信号分别进行包络谱分析，得到内圈故障频率fI对应的特征WBPFI，外圈故障频率fO对应的特征WBPFO，滚珠故障频率fB对应的特征WBSF。进一步的，所述的步骤S2-1的具体操作包括以下三步：S2-1-1：对12维无量纲参数进行标准化处理，得到xi，则有Σixi＝0；S2-1-2：假定投影变换后得到的新坐标系为{w1,w2,…,wd}，其中，d是特征维数；施加的约束为wi是标准正交基向量，满足||wi||2＝1，wiTwj＝0(i≠j)，优化目标函数为minW-tr(WTXXTW)s.t.WTW=I---(16)]]>S2-1-3：求解式(16)得到投影矩阵W，根据式(17)计算得到去相关的重构特征向量zizi＝(zi1,zi2,…,zid)，zid＝wjTxi(17)。进一步的，所述的步骤S2-2中标准化重构特征向量zi*由式(18)给出zi*=(zi1*,zi2*,...,zid*),zij*=zij-μ^jσ^j---(18)]]>其中μ^j=1nΣi=1nzij,σ^j2=1n-1Σi=1n(zij-μ^j)2---(19).]]>进一步的，步骤S3-1中的所述阈值由式(20)给出Dmax=μ^D+3σ^D---(20)]]>其中，和分别是Di的样本均值和样本标准差。与现有技术相比，本发明具有以下有益效果：本发明提出的一种滚动轴承故障的在线检测方法，该方法能自动提取出有效表征轴承状态的多维无量纲参数，并通过对原始特征进行去相关和标准化处理，得到以原点为球心的超球状分布的标准化重构特征向量，仅需计算标准化重构特征向量的2范数就能实现滚动轴承的故障检测与状态评估，具有下列区别于传统方法的显著优势：1)在特征融合方面，本发明充分结合时域特征、频域特征和小波包络谱特征的多维信息，并通过一维劣化指标进行表达，有效解决了传统上不同特征对不同故障的灵敏度不一致带来的故障诊断问题；2)在模型复杂度方面，本发明另辟蹊径地通过线性投影变换改善了特征向量的空间分布，并因此极大地简化了分类器模型的复杂度，同时，由于无需调整参数与迭代计算，本发明能很好地实现滚动轴承故障检测与状态评估模型的在线训练与动态更新；3)在模型训练的数据来源方面，本发明仅需滚动轴承正常运行数据用于模型训练，避免了传统方法训练中需要滚动轴承故障数据，而故障数据往往难以得到的缺陷；4)整体上看，本发明充分结合了多维特征信息，通过特征变换改善了特征向量的空间分布，能在有效简化模型复杂性的同时进一步提高故障识别率，更贴近工程需求。附图说明图1是本发明的方法流程图；图2(a)是不相关的二维特征空间分布；图2(b)是相关的二维特征空间分布；图3数据分布与描述不一致带来的误差示意图；图4是距离判别分析示意图；图5是滚动轴承状态评估示意图；图6(a)是本发明方法对轴承不同故障检测结果的散点图；图6(b)是支持向量数据描述法对轴承不同故障检测结果的散点图；以及图6(c)是自组织神经网络法对轴承不同故障检测结果的散点图。具体实施方式下面结合附图对本发明一种滚动轴承故障在线检测与状态评估方法的内容作进一步说明。如图1所示，本发明公开了一种滚动轴承故障在线检测与状态评估方法，具体按以下步骤实施：S1：12维无量纲参数提取，具体包括以下四个步骤：S1-1：采集振动加速度信号，将采集的振动加速度信号分段储存，得到若干样本；S1-2：通过时域统计参数计算提取6维时域统计参数，包括波形因数TSI,峰值指标TCI,脉冲指标TMI,裕度指标TCLI,峭度TKU,歪度TSK；S1-3：通过频域统计参数计算提取3维时域统计参数，包括重心频率FFC，均方频率FMSF，频率方差FVF；S1-4：通过小波变换得到小波包络谱，提取小波包络谱对应内圈故障频率fI对应的特征WBPFI，外圈故障频率fO对应的特征WBPFO，滚珠故障频率fB对应的特征WBSF；S2：得到标准化重构特征向量，具体包括以下两个步骤：S2-1：基于最小重构误差准则，施加相应约束条件，得到去相关的12维重构特征向量；S2-2：通过对12维重构特征向量进行标准化处理，得到各特征样本均值为0、样本标准差为1的标准化重构特征向量；S3：基于距离判别分析的滚动轴承故障检测与状态评估，具体包括以下两个步骤：S3-1：训练，计算得到滚动轴承正常运行状态下样本特征向量的2-范数的样本均值和样本标准差，定义滚动轴承状态异常的阈值；S3-2：测试，计算得到滚动轴承未知状态下样本特征向量到正常样本均值向量的欧氏距离作为劣化指标，比较劣化指标与S3-1设定的阈值，判断轴承是否发生故障，并评估轴承的劣化程度。所述的步骤S1-2的具体操作为：波形因数TSI由式(1)给出，峰值指标TCI由式(2)给出,脉冲指标TMI由式(3)给出,裕度指标TCLI由式(4)给出,峭度TKU由式(5)给出,歪度TSK由式(6)给出，其中，yi是振加速度信号中的振动数据即原始数据；ypi是将原始数据分为10段后每段数据绝对值的最大值。TSI=1NΣi=1N(yi2)1NΣi=1N|yi|---(1)]]>TCI=Σi=110ypi1NΣi=1N(yi)2---(2)]]>TMI=Σi=110ypi1NΣi=1N|yi|---(3)]]>TCLI=Σi=110ypi[1NΣi=1N|yi|]2---(4)]]>TKU=1NΣi=1Nyi4(1NΣi=1Nyi2)2---(5)]]>TSK=1NΣi=1Nyi3(1NΣi=1Nyi2)32---(6)]]>所述的步骤S1-3的具体操作为：重心频率FFC由式(7)给出，均方频率FMSF由式(8)给出，频率方差FVF由式(9)给出，其中，S(fi)为振动加速度信号频谱函数FFC=Σi=0nfiS(fi)Σi=0nS(fi)---(7)]]>FMSF=Σi=0nfi2S(fi)Σi=0nS(fi)---(8)]]>FVF=Σi=0n(fi-FFC)2S(fi)Σi=0nS(fi)---(9)]]>所述的步骤S1-3的具体操作包括以下三步：S1-3-1)根据式(10)-(12)计算故障特征频率，其中d表示滚动体直径，D表示轴承节径，Z表示滚动体个数，α表示接触角，fr表示滚动轴承内圈和外圈的相对转动频率fI=12Z(1+dDcosα)fr---(10)]]>fO=12Z(1-dDcosα)fr---(11)]]>fB=D2d[1-(dD)2cos2α]fr---(12)]]>S1-3-2)采用db8小波对振动加速度信号进行小波分解得到5个细节信号d1、d2、d3、d4、d5和1个近似信号a5；S1-3-3)小波包络谱特征的自动提取：设在小波包包络谱中，故障特征频率及其各阶倍频附近有特征谱峰存在，设包络频谱分析带宽为fe，包络谱为W(f)，设W(f)谱线的数目为Ne，则Sea为Sea=1NeΣi=0NeW(fi)---(13)]]>再令Sed为包络谱中故障特征频率各阶倍频处的谱线平均值，设包络谱中故障频率的谱线数为ne，则Sed=1neΣi=0neW(ifd)---(14)]]>构造一个无量纲参数：ΔSe=SedSea---(15)]]>对步骤S1-3-2)的6个信号分别进行包络谱分析，通过自动计算可以得到对应内圈故障频率fI对应的特征WBPFI，外圈故障频率fO对应的特征WBPFO，滚珠故障频率fB对应的特征WBSF。对所提取的特征进行标准化处理后，各特征的样本均值μ＝0，样本标准差σ＝1，因此可以较好地在同一尺度内对其分布进行比较。可以看出，图2(a)中特征分布的边界可近似用一个圆来描述(图中圆的半径为2.5)，但是图2(b)中特征分布呈现明显椭圆状，且椭圆的主轴与坐标主轴近似成45°角。从12维特征(即12维无量纲参数)任取两种进行组合共有66种情况，但均不超出图2所示中的两种分布。通过一个圆能较好地描述图2(a)的分布，但在描述类似图2(b)的分布时，会不可避免地带来两类误差，如图3所示。其中，第一类误差是错误地将故障样本识别成了正常样本所引起的，即假正例；第二类误差是错误地将正常样本判断为故障样本所引起的，即假反例。进一步对图2(b)进行观察发现，分布之所以呈现椭圆状是因为特征间存在着较大的相关性，即当重心频率较大时，频率方差也较大，频率方差公式中包含着重心频率，这是其相关性存在的根本原因。更一般地，特征间相关性可以用相关系数衡量，相关系数ρxy的定义如式(16)所示：ρxy=nΣi=1nxiyi-Σi=1nxi·Σi=1nyinΣi=1nxi2-(Σi=1nxi)2·nΣi=1nyi2-(Σi=1nyi)2---(16)]]>式中，xi,yi对应第i个样本不同特征的特征值，n为样本容量。图2中对应特征间的相关系数已标注于图中。上述分析的结论可以推广至更高维的空间：如果能促使被描述的各特征均不相关，那么特征向量在多维空间中的分布会是超球状，并可以简单地用一个超球面进行描述；反之，特征向量的分布则呈现超椭球状，不易于描述。所述的步骤S2-1的具体操作包括以下三步：S2-1-1)假设已对12维无量纲参数即原特征向量进行标准化处理，得到xi，则有Σixi＝0；S2-1-2)假定投影变换后得到的新坐标系为{w1,w2,…,wd}。其中，d是特征维数；施加的约束为wi是标准正交基向量，满足||wi||2＝1，wiTwj＝0(i≠j)，设样本点xi在新坐标系中的投影为zi＝(zi1,zi2,…,zid)，其中zid＝wjTxi是xi在新坐标系下的第j维的坐标。基于zi来重构xi，则有：x^i=Σj=1dzijwj---(17)]]>考虑整个训练集，原特征向量xi与重构特征向量之间的距离为：Σi=1n||Σj=1dzijwj-xi||22=Σi=1nziTzi-2Σi=1nziTWTxi+const∝-tr(WT(Σi=1nxixiT)W)---(18)]]>根据最小重构误差准则，式(18)应被最小化。考虑到wj是标准正交基，ΣixixiT是协方差矩阵，因此，优化目标函数为minW-tr(WTXXTW)s.t.WTW=I---(19)]]>S2-1-3)求解式(19)得到投影矩阵W，根据式(20)计算得到去相关的重构特征向量zizi＝(zi1,zi2,…,zid)，zid＝wjTxi(20)通过去相关得到的重构特征向量zi的分布仍为超椭球状，但是超椭球的主轴方向已近似与坐标轴平行。因此，通过进一步对重构特征向量进行标准化处理，可以将特征向量分布转换为以坐标原点为超球心的超球体分布。所述的步骤S2-2中标准化重构特征向量zi*由式(21)给出zi*=(zi1*,zi2*,...,zid*),zij*=zij-μ^jσ^j---(21)]]>其中，μ^j=1nΣi=1nzij,σ^j2=1n-1Σi=1n(zij-μ^j)2---(22)]]>距离判别分析是在分类确定的前提下，采用统计分析手段，根据新样本的各特征值与已知类的距离判别其归属。其基本思想就是计算某个体与各个总体之间的距离，并认为该个体属于与其距离最近总体。在d维特征空间中，考虑使用一个d维向量x0代表某样本集的n个样本点，我们希望这个向量x0与各个样本i(i＝1,…,n)的距离平方之和越小越好，定义平方误差准则函数J0(x0)如下：J0(x0)=Σi=1n||x0-xi||2---(23)]]>则x0=μ^=1nΣi=1nxi---(24)]]>该结论可以证明如下：J0(x0)=Σi=1n||(x0-μ^)-(xi-μ^)||2=Σi=1n||x0-μ^||2-2(x0-μ^)TΣi=1n(xi-μ^)+Σi=1n||xi-μ^||2=Σi=1n||x0-μ^||2+Σi=1n||xi-μ^||2---(25)]]>其中，式(25)的右边第二项不依赖于x0，所以表达式在式(24)条件下取极小值。因此，正常样本的样本均值可以作为对正常样本的零维描述。在仅有正常样本的情况下，问题转换为：根据某度量准则计算特征向量到正常样本均值向量的距离Di，并与设置的距离阈值Dmax进行比较来判断轴承状态(样本归属)，即对于任意样本，若满足Di≤Dmax，则将该样本归类为正常，反之归类为异常。如图4所示，距离判别描述的边界是半径为Dmax的超球面，若采用欧氏距离作为度量准则，则有Di=||zi*||2---(26)]]>同时，Di具有明确的意义，能反映滚动轴承的劣化程度，可以作为滚动轴承健康状态的评价指标，如图5所示。轴承损伤越严重，对应样本的Di也会越大。进一步，通过相应的准则制定多个阈值可以给出轴承的警告限、异常限等。所述的步骤S3-1中阈值的制定由式(27)给出Dmax=μ^D+3σ^D---(27)]]>其中，和分别是Di的样本均值和样本标准差。采用沈阳发动机设计研究所研制的带机匣的航空发动机转子试验器进行故障模拟试验以验证本发明的有效性。该试验器在结构设计上，首先考虑在外形上与发动机核心机的机匣一致，尺寸缩小为1/3，内部结构作了必要简化：将核心机简化为0—2—0支承结构形式，多级压气机简化为单级的盘片结构，叶片简化为斜置平面。考虑到在真实航空发动机上，传感器难以安置于轴承座上，故在试验中将振动加速度传感器布置于涡轮机匣的垂直方向和水平方向。试验中，振动信号通过NIUSB9234数据采集器进行采集，加速度传感器型号为B&K4805，采样频率为10.24kHz。试验对象为6206型滚珠轴承，基本几何参数如表1所示。采用电火花线切割分别对滚动轴承外圈、内圈滚道和滚动体加工凹槽以模拟轴承损伤所生的冲击。试验中额定转速为1500rpm。表1轴承的几何尺寸(单位：mm)以机匣上方测点测得的振动加速度信号为例，根据步骤1)提取了12个(维)无量纲参数。为了验证所提方法的有效性，将本发明的方法与支持向量数据描述和自组织神经网络进行了比较。评估模型均采用正常样本的一半进行训练，其余样本作为未知样本用于测试(每种状态下含110个样本)。本发明取式(26)中Di作为滚动轴承状态劣化指标，得到的散点图如图6(a)所示；支持向量数据描述方法由LibSVM软件包拓展的MATLAB工具箱LibSVM-3.18-SVDD实现，核函数取径向基核，相应参数由交叉验证选择，采用决策值作为轴承劣化指标，得到的散点图如图6(b)所示；SOM方法由MATLAB-SOM工具箱实现，神经元个数和迭代次数由交叉验证选择,采用特征向量到神经元的最小匹配距离作为轴承状态评价指标，得到的散点图如图6(c)所示。各方法对轴承不同状态样本的分类准确率见表2。表2不同方法分类的正确率可以看出，本发明方法在分类正确率上保证了较高水平，且明显优于支持向量数据描述和自组织神经网络的结果。本发明的方法具有无需调参、模型杂度小的优点，能较好地解决滚动轴承在线监测中评估模型的动态更新的问题；同时，该方法充分地综合了时域、频域和小波包络谱的12维特征中的有效信息，使得故障检测的准确性得到了进一步提高。最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页1 2 3