不同转速下滚动轴承寿命状态同尺度表征与识别方法
【专利摘要】本发明涉及一种不同转速下滚动轴承寿命状态同尺度表征与识别方法，该方法利用对转速敏感性低、与振动能量无关的无量纲参数和多域信息熵来反映滚动轴承寿命状态，融合无量纲参数与多域信息熵构建滚动轴承寿命状态特征集，实现不同转速下对寿命状态的同尺度定量表征；采用寿命敏感指标算法，滤除寿命敏感性差的特征量，选取寿命敏感性好的特征量构成表征能力更强的寿命状态敏感特征集，并采用正交邻域保持嵌入对其进行非线性降维，去除冗余信息，获得分类特性好的低维寿命状态敏感特征集；再应用鲁棒性好的加权最近邻分类器实现不同寿命状态的分类识别，最终实现不同转速下滚动轴承寿命状态的同尺度表征与识别。该方法能准确的在不同转速下识别滚动轴承寿命状态，具有较好的应用效果。
【专利说明】
不同转速下滾动轴承寿命状态同尺度表征与识别方法
技术领域
[0001] 本发明属于滚动轴承状态监测与可靠性评估技术领域，设及一种不同转速下滚动 轴承寿命状态同尺度表征与识别方法。
【背景技术】
[0002] 滚动轴承是机械装备中最重要的活动零部件之一，其性能退化或失效直接影响整 机性能与可靠性。重大、关键装备(如风力发电机组、航空航天飞行器等)对滚动轴承的可靠 性和寿命提出了更高要求，国内外先后开展了滚动轴承高可靠长寿命研究，并进行加速寿 命实验。而在进行滚动轴承高可靠长寿命研究过程中，必须解决的首要问题是滚动轴承寿 命状态的有效表征和准确识别。目前，在滚动轴承寿命状态表征与识别方面主要是在同一 转速下提取状态特征，而全寿命实验一般通过提高转速，在不同的转速下进行加速寿命试 验，但是不同转速下轴承振动信号的强度、频率结构等特征不同，难W相互比较，导致难W 进行不同转速下的滚动轴承寿命状态表征与识别。
[0003] 变转速下滚动轴承寿命状态识别，最关键的问题是实现不同转速下寿命状态的同 尺度表征。对于变转速问题，目前主要有阶次分析和时频分析两种方法。阶次分析方法是将 时间与域的非平稳信号转化为角域的平稳或循环平稳信号，使传统信号处理方法能够重新 发挥作用。时频分析方法能同时提供时间域与频率域的联合分布信息，W进行机械信号瞬 态特征的提取。然而，阶次分析的方法受制于硬件和算法精度，且所获得的阶次谱在角域尺 度一致但其振动能量仍受转速影响。时频分析方法存在如交叉项干扰、小波基难W选择等 问题，在转速波动小时效果较好，但不适合于转速波动的场合。所W，W上两种方法由于自 身的局限性难W有效解决变转速下滚动轴承寿命状态的同尺度表征与识别问题。
[0004] 随着轴承的运转，轴承元件(如内、外滚道、保持架和滚动体)表面发生不同程度的 磨损，磨损程度即代表了轴承寿命所处寿命状态。当轴承出现不同程度的磨损后，轴承振动 情况随之而发生微弱改变，振动信号的运种微弱变化直接反映出了空间滚动轴承寿命状态 衰退过程。由于不同转速下采集得到信号的强度、频率结构特征不同，不能直接提取与能量 有关的特征量作为寿命状态特征集。而处于同一寿命状态的滚动轴承在不同的转速下的概 率密度函数曲线具有相同的特征和位置相对固定。所W，一个新的思路是综合提取反映概 率密度曲线特征的无量纲参数和与组分概率相关的多域信息赌构成变转速下寿命状态特 征集，实现不同转速下寿命状态的同尺度表征与识别。
【发明内容】
[0005] 有鉴于此，本发明的目的在于提供一种不同转速下滚动轴承寿命状态同尺度表征 与识别方法，该方法能够在不同转速下同尺度定量表征滚动轴承寿命状态并对其进行准确 识别。
[0006] 为达到上述目的，本发明提供如下技术方案：
[0007] -种不同转速下滚动轴承寿命状态同尺度表征与识别方法，该方法利用对转速敏 感性低、与振动能量无关的无量纲参数(如波形指标、峭度指标、峰态指标等)和多域信息赌 (如EMD信息赌、小波时频赌、奇异值谱赌等)来反映滚动轴承寿命状态，融合无量纲参数与 多域信息赌构建滚动轴承寿命状态特征集，实现不同转速下对寿命状态的同尺度定量表 征;采用寿命敏感指标算法，滤除寿命敏感性差的特征量，选取寿命敏感性好的特征量构成 表征能力更强的寿命状态敏感特征集，并采用正交邻域保持嵌入对其进行非线性降维，去 除冗余信息，获得分类特性好的低维寿命状态敏感特征集;再应用鲁棒性好的加权最近邻 分类器实现不同寿命状态的分类识别，最终实现不同转速下滚动轴承寿命状态的同尺度表 征与识别。
[000引进一步，该方法具体包括W下步骤：
[0009] SI:提取振动信号无量纲参数和多域信息赌，融合无量纲参数和多域信息赌一共D 个特征量构建出不同转速条件下滚动轴承寿命状态特征集，实现不同转速下滚动轴承寿命 状态的同尺度定量表征；
[0010] S2:计算寿命状态特征集中每个特征量的类间散布值和类内散布值，从而得到特 征量的寿命敏感性指标Ji，i = l，2, ???，0,其中，D表示寿命状态特征集中特征量的个数;选 取寿命敏感性指标好的特征集得到寿命敏感特征集X= IxiGrD\ i = 1，2，…，N}，其中，Xi为 由寿命敏感特征量组成的寿命状态样本，D '表示敏感特征的个数，N为寿命状态样本数；
[0011] S3:将高维寿命状态敏感特征集输入正交领域保持嵌入(ONPE)进行训练，得到映 射矩阵A及寿命状态样本的低维全局坐标Y= {yi G Rd，i = 1，2，…，N}，其中d为融合特征的个 数，N为寿命状态样本数；低维寿命状态样本集及其类别标签组成加权最近邻分类器 (WKNNC)的训练样本集{yi，Iih
[0012] S4:通过映射矩阵A对测试样本寿命状态特征集进行降维，得到低维寿命状态特征 集，将其输入WKNNC得到测试样本的寿命状态类别。
[0013] 进一步，在步骤Sl中，所述寿命状态特征集中特征量的个数D为12，其中，9个为无 量纲参数，用于描述时域和频域幅值概率密度曲线特征，即幅值的分布情况;3个为多域信 息赌，用于描述信号在不同特征空间中正交特征的组分概率情况。
[0014] 进一步，所述步骤S2具体包括：
[001引S21:设样本集由C类构成，每类包含训练样本数为Ni,计算类内散布矩阵的迹tr {Sb}和类间散布矩阵的迹tr{Sw}，tr{SB}反映样本集中寿命状态特征集的特征量类内散布 值大小，tr{Sw}反映样本集中寿命状态特征集的特征量类间散布值大小，其中：
[OOW 类内散布矩阵Sw为：
[0017]
[0018] 式中，X/表示第j类的第i个数据特征值，Ui表示第i类特征值均值；
[0019] 类间前巧巧降Sr为：
[0020]
[0021 ]式中，UO为总体样本的全局均值向量；
[0022] S22:根据类间散布值和类内散布值构造特征量的寿命敏感性指标J:
[0023]
[0024] 当tr{SB}越大或者化{Sw}越小时，特征的寿命敏感性指标越大;特征敏感性指标J 值越大表示对应特征分类能力越强，反之表示分类能力弱；
[0025] S23:分别计算出寿命状态特征集中每个特征量的寿命敏感性指标JiQ = I，2,…， D)，并由大到小进行排序得到序列{ Jsl，Js2，…，Jsd} ( Jsl〉Js2>…〉JsD);
[0026] S24:计算寿命敏感性指标由大到小的序列中前一特征值寿命敏感性指标与后一 特征值寿命敏感性指标的比值JBi，即：
[0027]
[0028] JBj越大则说明前一特征值寿命敏感性指标相对于后一特征值寿命敏感性指标的 倍数越大，设当j = d时化取得最大值，则选取对应Jsl，Js2，…，Jsd的d个特征值构建出寿命 状态敏感特征集X ={Xi G RD'，i = 1，2，…，N}，其中D '表示敏感特征的个数，Xi为由敏感特征 组成的寿命状态样本，N为寿命状态样本数。
[0029] 本发明的有益效果在于:本发明利用对转速敏感性低、与振动能量无关的无量纲 参数(如波形指标、峭度指标、峰态指标等)和多域信息赌(如EMD信息赌、小波时频赌、奇异 值谱赌等)来反映滚动轴承寿命状态，融合无量纲参数与多域信息赌构建出滚动轴承寿命 状态特征集，实现不同转速下对寿命状态的同尺度定量表征。同时，设计出寿命敏感指标算 法，滤除寿命敏感性差的特征量，选取寿命敏感性好的特征量构成表征能力更强的寿命状 态敏感特征集，并采用ONPE对其进行非线性降维，去除冗余信息，获得分类特性好的低维寿 命状态敏感特征集。再应用鲁棒性好的WKNNC实现不同寿命状态的分类识别，最终实现不同 转速下滚动轴承寿命状态的同尺度表征与识别。该方法能准确的在不同转速下识别滚动轴 承寿命状态，具有较好的应用效果。
【附图说明】
[0030] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行 说明：
[0031 ]图1为本发明所述方法的流程图；
[0032] 图2为原始信号图；
[0033] 图3为S种特征集约简结果。
【具体实施方式】
[0034] 下面将结合附图，对本发明的优选实施例进行详细的描述。
[0035] 图1为本发明所述方法的流程图，如图所示，本发明所述方法具体包括W下步骤：
[0036] SI:提取振动信号无量纲参数和多域信息赌，融合无量纲参数和多域信息赌一共D 个特征量构建出不同转速条件下滚动轴承寿命状态特征集，实现不同转速下滚动轴承寿命 状态的同尺度定量表征；
[0037] 在本实施例中，所述时频域特征参数的个数D为12,如表1所示;其中，9个为无量纲 参数，用于描述时域和频域幅值概率密度曲线特征，即幅值的分布情况;3个为多域信息赌， 用于描述信号在不同特征空间中正交特征的组分概率情况。
[0038] 表1寿命状态特征集
[0039]
[0040]
[0041] 注:式中x(n)是时域信号序列，n = l，2,……，N，N为样本点数;s(k)是信号x(n)的 频谱，k= 1，2，……，K，K为谱线数，fk是第k条谱线的频率值;U为X(n)的平均值;imf功EMD分 解得到的IMF分量;Wi为小波变换得到的分量，Si为SVD得到的分量;M为对应分解得到的分量 个数。
[0042] S2:利用散布矩阵计算类间散布矩阵和类内散布矩阵的迹，然后计算敏感性指标 Ji, i = l，2,…，D，其中D表示时频域特征参数的个数;选取敏感性指标好的特征值构建敏感 时频域特征子集X={xiGRD'，i = l，2,…，N}，其中，Xi为由敏感特征组成的寿命状态样本， D'表示敏感特征的个数，N为寿命状态样本数;在本实施例中，具体包括W下步骤：
[0043] S21:设样本集由C类构成，每类包含训练样本数为Ni,计算类间散布矩阵的迹tr {Sb}和类内散布矩阵的迹tr{Sw}，tr{SB}反映样本集中寿命状态特征集的特征量类间散布 值大小，tr {Sw}反映样本集中寿命状态特征集的特征量类内散布值大小其中：
[0044] 类间散布矩阵Sb为：
[0045]
[0046] 式中，UO为总体样本的全局均值向量；
[0047] 苯历掛r麻巧随Sw责.
[004引
[0049] 式中，皆表示第j类的第i个数据特征值，Ui表示第i类特征值均值；
[0050] S22:根据类间散布值和类内散布值构造特征量的寿命敏感性指标J:
[0化1 ]
[0052] 当tr{SB}越大或者化{Sw}越小时，特征的寿命敏感性指标越大;特征敏感性指标J 值越大表示对应特征分类能力越强，反之表示分类能力弱；
[0053] S23:分别计算出寿命状态特征集中每个特征量的寿命敏感性指标Ji( i = 1，2，…， D )，并由大到小进行排序得到序列{ Jsl，Js2，…，JsD } ( Jsl〉Js2>…〉JsD );
[0054] S24:计算寿命敏感性指标由大到小的序列中前一特征值寿命敏感性指标与后一 特征值寿命敏感性指标的比值JBj，即：
[0化5]
[0056] JBj越大则说明前一特征值寿命敏感性指标相对于后一特征值寿命敏感性指标的 倍数越大，设当j = d时化取得最大值，则选取对应Jsl，Js2，…，Jsd的d个特征值构建出寿命 状态敏感特征集X ={Xi G RD'，i = 1，2，…，N}，其中D '表示敏感特征的个数，Xi为由敏感特征 组成的寿命状态样本，N为寿命状态样本数。
[0057] S3:将高维寿命状态敏感特征集输入正交领域保持嵌入（Orthogonal 化ig化orhood Preserving Embedding,ONPE)进行训练，得到映射矩阵A及寿命状态样本的 低维全局坐标Y= {yi G Rd，i = 1，2，…，N}，其中d为融合特征的个数，N为寿命状态样本数;低 维寿命状态样本集及其类别标签组成加权最近邻分类器(WKNNC)的训练样本集
[005引S4:通过映射矩阵A对测试样本寿命状态特征集进行降维，得到低维寿命状态特征 集，将其输入WKNNC得到测试样本的寿命状态类别。
[0059] 实施例：
[0060] 在本实施例中，通过W下步骤来验证本发明的有效性：
[0061] 第一步:接收待分析的四个寿命状态下的多组滚动轴承的振动信号，寿命状态如 表2dT1寿命状态为在轴向加载化g的工况下运行3.4X IO6转;T2寿命状态为在轴向加载化g 的工况下运行6.7 X IO6转;T3寿命状态为在轴向加载化g的工况下运行1.44X IO7转。T4寿命 状态为在轴向加载3kg的工况下运行1.44X IO7转。轴承运行过程中载荷越大，运转圈数越 多则磨损越严重，即轴承处于不同的寿命阶段，属于不同的寿命状态，四个寿命状态的磨损 程度为 T1<T2<T3<T4C
[0062] 表巧自承寿命状态 「mA3l
[0064] 四种寿命状态的8套滚动轴承在轴向载荷为1kg，转速分别为1000rpm、1500rpm、 2000rpm的工况下采集振动信号，采样频率为25600Hz，采样长度为102400点，每个转速下得 至化个振动信号。200化pm下四个寿命状态的滚动轴承的滚动信号的时域波形(前1024点）及 其幅值谱如图2所示。
[0065] 第二步:在每种转速、每个寿命状态下分别W2048点为一段将振动信号分成50组， 即每种转速、每个寿命状态下有100组振动信号。在每种转速下四个寿命状态中分别随机选 取20组振动信号，即每种转速下有80组振动信号。将1000 rpm转速下的80组振动信号与 150化pm转速下的40组转速信号作为训练样本，将ISOOrpm转速下剩下的40组振动信号和 20(K)rpm转速下的80组振动信号作为测试样本，求取每个训练样本和测试样本的寿命状态 特征集(表1所示）。
[0066] 第S步:计算出的12个特征量的寿命敏感性指标如表3所示计算得到当d =別寸JBs =5.97,则选取敏感性指标大的前8个特征量(表3黑体部分)构造成寿命状态敏感性特征集 输入ONPE进行维数约简。由表3可看出敏感性最好的的特征量是峭度指标、波形指标、脉冲 指标、裕度指标、峰值指标、EMD信息赌、小波时频赌和奇异值谱赌。
[0067]表3寿命状态特征量的敏感性指标 [006引 L --爪 W 少；'IMrt 里'公另乂 \ I 勺丫冉 I且、
勺 yj I且、勺yj 'IK I且、yj 、'1勺、1 吟、yj 'IKIf冉 I且 / 原特征集(表1所示)构成包含有量纲参数特征集、原始特征集(表1所示)和敏感特征集输入 ONPE进行维数约简，为了便于观察约简目标维数为2,图2是约简结果。图3(a)中由于包含了 受转速影响大的有量纲参数，降维效果不佳，每个寿命状态下训练样本降维后分成两部分， 如T3寿命状态的1000 rpm转速下的20个训练样本和ISOOrpm转速下的10个训练样本被分成 了两部分，包含有量纲参数特征集不能对变转速下滚动轴承寿命状态进行同尺度表征。图3 (b)、（C)是本发明所构建的原始特征集和敏感特征集降维结果。图3(b)中，由于原特征集中 包含了较多的对轴承寿命敏感性差的特征，降维效果不佳，四个寿命状态均有相互重叠的 情况，但未出现图3(a)中同一寿命状态的训练样本被分成两部分的情况，说明实现了不同 转速下寿命状态特征集的同尺度表征。图3(c)中，将寿命状态敏感性低的特征量滤除后，经 过ONPE降维，四种寿命状态被有效分离，同时获得更好的聚类效果。
[0070] 第五步:将包含有量纲参数特征集、原始特征集(表1所示)和敏感特征集降维后的 低维寿命状态特征集输入WKNNC中进行识别率如表4所示。采用包含有量纲参数特征集的平 均识别率为34.2%，是由于测试样本中有10个（占样本数的33.3%)样本与训练样本中的10 个样本具有相同的转速（15(K)rpm)，运部分测试样本被准确识别，而在3000rpm转速下的测 试样本识别错误。采用原始特征集的平均识别率为61.7%，采用敏感特征集的平均识别率 达到了95%，后两者相对于包含有量纲参数特征集识别率分别提高了27.5%和60.8%。工 程应用结果证明了本发明能在不同转速下对滚动轴承寿命状态进行同尺度表征和识别。
[0071] …口,1'吐山 1'
[0072]
[0073] 本实施例不同转速下滚动轴承寿命状态同尺度表征与识别方法，通过提取对转速 敏感性低、与振动能量无关的无量纲参数(如波形指标、峭度指标、峰态指标等)和多域信息 赌(如EMD信息赌、小波时频赌、奇异值谱赌等)来反映滚动轴承寿命状态，融合无量纲参数 与多域信息赌构建出滚动轴承寿命状态特征集，实现不同转速下对寿命状态的同尺度定量 表征。设计出寿命敏感指标算法，滤除寿命敏感性差的特征量，选取寿命敏感性好的特征量 构成表征能力更强的寿命状态敏感特征集，并采用OWE对其进行非线性降维，去除冗余信 息，获得分类特性好的低维寿命状态敏感特征集。再应用鲁棒性好的加WKNNC实现不同寿命 状态的分类识别。本发明能实现不同转速下对滚动轴承寿命状态的同尺度表征与准确识 另IJ，充分说明了本发明的可行性和有效性。
[0074]最后说明的是，W上优选实施例仅用W说明本发明的技术方案而非限制，尽管通 过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可W在 形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
【主权项】
1. 一种不同转速下滚动轴承寿命状态同尺度表征与识别方法，其特征在于:该方法利 用对转速敏感性低、与振动能量无关的无量纲参数和多域信息熵来反映滚动轴承寿命状 态，融合无量纲参数与多域信息熵构建滚动轴承寿命状态特征集，实现不同转速下对寿命 状态的同尺度定量表征;采用寿命敏感指标算法，滤除寿命敏感性差的特征量，选取寿命敏 感性好的特征量构成表征能力更强的寿命状态敏感特征集，并采用正交邻域保持嵌入对其 进行非线性降维，去除冗余信息，获得分类特性好的低维寿命状态敏感特征集;再应用鲁棒 性好的加权最近邻分类器实现不同寿命状态的分类识别，最终实现不同转速下滚动轴承寿 命状态的同尺度表征与识别。2. 根据权利要求1所述的一种不同转速下滚动轴承寿命状态同尺度表征与识别方法， 其特征在于:该方法具体包括以下步骤： S1:提取振动信号无量纲参数和多域信息熵，融合无量纲参数和多域信息熵一共D个特 征量构建出不同转速条件下滚动轴承寿命状态特征集，实现不同转速下滚动轴承寿命状态 的同尺度定量表征； S2:计算寿命状态特征集中每个特征量的类间散布值和类内散布值，从而得到特征量 的寿命敏感性指标Ji，i = l, 2，···，0,其中，D表示寿命状态特征集中特征量的个数;选取寿 命敏感性指标好的特征集得到寿命敏感特征集X = {xieRD，i = l，2,…，N}，其中，xi为由寿 命敏感特征量组成的寿命状态样本，D'表示敏感特征的个数，N为寿命状态样本数； S3:将高维寿命状态敏感特征集输入正交领域保持嵌入(ONPE)进行训练，得到映射矩 阵A及寿命状态样本的低维全局坐标Y= {yi e Rd，i = 1，2，…，N}，其中d为融合特征的个数，N 为寿命状态样本数;低维寿命状态样本集及其类别标签组成加权最近邻分类器(WKNNC)的 训练样本集{yi，li}; S4:通过映射矩阵A对测试样本寿命状态特征集进行降维，得到低维寿命状态特征集， 将其输入WKNNC得到测试样本的寿命状态类别。3. 根据权利要求2所述的一种不同转速下滚动轴承寿命状态同尺度表征与识别方法， 其特征在于:在步骤S1中，所述寿命状态特征集中特征量的个数D为12，其中，9个为无量纲 参数，用于描述时域和频域幅值概率密度曲线特征，即幅值的分布情况;3个为多域信息熵， 用于描述信号在不同特征空间中正交特征的组分概率情况。4. 根据权利要求2所述的一种不同转速下滚动轴承寿命状态同尺度表征与识别方法， 其特征在于:所述步骤S2具体包括： S21:设样本集由C类构成，每类包含训练样本数为Ni，计算类内散布矩阵的迹tr{SB}和 类间散布矩阵的迹tr {Sw}，tr {Sb}反映样本集中寿命状态特征集的特征量类内散布值大小， tr{Sw}反映样本集中寿命状态特征集的特征量类间散布值大小，其中： 类内散布矩阵Sw为：式中，私表示第j类的第i个数据特征值，m表示第i类特征值均值； 类间散布矩阵Sb为：式中，U0为总体样本的全局均值向量； S22:根据类间散布值和类内散布值构造特征量的寿命敏感性指标J:当tr {Sb}越大或者tr{ Sw}越小时，特征的寿命敏感性指标越大;特征敏感性指标J值越 大表示对应特征分类能力越强，反之表示分类能力弱； S23:分别计算出寿命状态特征集中每个特征量的寿命敏感性指标Ji( i = 1,2,…，D)，并 由大到小进行排序得到序列{ Jsl，Js2，…，JsD} (Jsl>Js2>~>JsD); S24:计算寿命敏感性指标由大到小的序列中前一特征值寿命敏感性指标与后一特征 值寿命敏感性指标的比值JBj，即：JBj越大则说明前一特征值寿命敏感性指标相对于后一特征值寿命敏感性指标的倍数 越大，设当j = d时JBj取得最大值，则选取对应Jsl，Js2，…，Jsd的d个特征值构建出寿命状态 敏感特征集X = {xieRD，i = l，2,…，N}，其中D'表示敏感特征的个数，Xi为由敏感特征组成 的寿命状态样本，N为寿命状态样本数。
【文档编号】G06K9/00GK105956574SQ201610327375
【公开日】2016年9月21日
【申请日】2016年5月17日
【发明人】陈仁祥, 陈思杨, 杨黎霞, 杨星, 母芝验, 董绍江, 罗家元, 殷时蓉
【申请人】重庆交通大学