一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法与流程

本发明涉及旋转机械检测、诊断技术领域，特别涉及一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法。

背景技术：

旋转机械广泛运用于现代制造各行各业，它们的可靠性对于工业生产非常重要。滚动轴承是旋转机械装备中的关键部件也是使用较多的部件。在运转过程中多种原因可能会造成滚动轴承损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，滚动轴承也会出现疲劳剥落、磨损、点蚀等故障，导致轴承不能正常工作。滚动轴承是旋转机械装备中重要零部件，一旦发生故障却不及时发现，有可能造成财产损失，严重的甚至会造成人员伤亡。所以对滚动轴承故障的及时发现和及早诊断是非常重要的。

传统的滚动轴承诊断方式，通常需要专家人工干预，不仅增加了人力成本，而且容易出现漏诊和误诊。因此，需要发展以人工智能为核心的智能故障诊断方法，辅助一般的操作人员，即使他们不掌握系统原理，也可借助人工智能进行对设备的状态进行可靠决策。

现有的智能故障诊断技术大多在诊断时只用单一的指标或几个指标组合来判断故障类型与故障程度。但在对复杂对象的故障进行识别时，少数几个指标有时并不能完全表现故障特点，因此故障诊断的准确率低。虽然随着信号处理和特征提取技术的快速发展，使得信号的特征提取越来越精细，但现有的诊断方法对原始振动信号滤波和消噪处理时间较长，大多需要离线进行，不能保证生产的连续性，难以实时故障诊断。

因此为了解决现有技术中的问题，需要一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法。

技术实现要素：

本发明的目的在于提供一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，所述方法包括如下方法步骤：

(1)在旋转机械滚动轴承的轴承座上安装振动传感器，采集旋转机械滚动轴承的振动信号；

(2)对采集的所述振动信号进行时域特征和频域特征提取，将提取的多个所述时域特征和多个所述频域特征之和作为列数，假设采集的故障样本数m，将故障样本数m作为行数，构建原始特征矩阵；

(3)将原始特征矩阵送入vmd算法中进行去噪处理，多个所述时域特征和多个所述频域特征中每个特征得到l个有限带宽本征模式分量；

(4)选取l个有限带宽本征模式分量中的趋势特征项，由得到所有趋势特征项构建趋势特征矩阵；

(5)对所述趋势特征矩阵进行dps聚类识别：计算不同趋势特征项的距离，以及每一个趋势特征项的局部密度，并对每一个趋势特征项按照局部密度递减排序，计算征趋势项按照局部密度递减排序的距离值；

(6)计算每一个趋势特征项的局部密度与趋势特征项按照局部密度递减排序的趋势特征项的综合考量值，并将所述综合考量值按照升序排列，确定聚类中心；

(7)对围绕聚类中心之外的的剩余趋势特征项进行划分，完成样本聚类，根据样本聚类结果诊断旋转机械滚动轴承。

进一步地，提取10个时域特征，分别为：

第一个时域特征f1满足：其中，x(n)是振动信号x(t)的时域序列，n＝1，2，……n；n为振动样本点数；

第二个时域特征f2满足：

第三个时域特征f3满足：

第四个时域特征f4满足：

第五个时域特征f5满足：f5＝max|x(n)|；

第六个时域特征f6满足：

第七个时域特征f7满足：

第八个时域特征f8满足：

第九个时域特征f9满足：

第十个时域特征f10满足：

进一步地，提取13个频域特征，分别为：

第一个频域特征f11满足：其中，式中s(k)是信号x(t)的频谱，k＝1，2，……k；k为谱线数；

第二个频域特征f12满足：

第三个频域特征f13满足：

第四个频域特征f14满足：

第五个频域特征f15满足：其中，fk为第k个谱线的频率；

第六个频域特征f16满足：其中，p15为第五个频谱特征对应的频谱幅值；

第七个频域特征f17满足：

第八个频域特征f18满足：

第九个频域特征f19满足：

第十个频域特征f20满足：

第十一个频域特征f21满足：

第十二个频域特征f22满足：

第十三个频域特征f23满足：

进一步地，通过如下方法计算不同趋势特征项的距离：

对于趋势特征矩阵t＝{x1，x2，...，xn}，is＝{1，2，...，n}为相应指标集，不同趋势特征项的距离满足：dij＝dist(xi，xj)＝||xi-xj||²，其中，dij表示趋势特征项xi，xj之间的距离，xi与xj分别为趋势特征矩阵t中不同的趋势特征项，i≠j且i，j∈is。

进一步地，每一个趋势特征项的局部密度通过如下方法计算：

其中，ρi为趋势特征项xi的局部密度，i＝1，2，...，n，参数dc＞0，为截断距离。

进一步地，趋势特征项按照局部密度递减排序的距离值按照如下方法计算：

dqi，qj＝dist(δqi，qj)，对于每一个节点qi，都找到所有比该节点qi密度大的节点qj，选取其中最小的dqi，qj作为趋势特征项按照局部密度递减排序的距离值，其中，δqi为趋势特征项按照局部密度递减排序后的第qi项趋势特征项，qi为趋势特征项按照局部密度递减排序后的序号，qi＝1，2，...，n。

进一步地，每一个趋势特征项的局部密度与趋势特征项按照局部密度递减排序后的趋势特征项的综合考量值通过如下方法计算：

γi＝ρi·δi，其中，γi为综合考量值，ρi为趋势特征项xi的局部密度，δi为趋势特征项按照局部密度递减排序后的第i项趋势特征项。

进一步地，设定阈值θ确定聚类中心：

将得到的按升序排列，获得当βpi+1-βpi≥θ，则将综合考量值按照升序排列后第pi+1项综合考量值βpi+1，以及其后的每一综合考量值对应的趋势特征项选定为聚类中心，其中，βpi为综合考量值按照升序排列后第pi项综合考量值，pi＝1，2，...，n。升序排列

进一步地，围绕聚类中心之外的的剩余趋势特征项进行划分：

假设得到聚类中心个数为c，其内部元素为{mh，h＝1，...，c}，

按照如下方法进行剩余趋势特征项划分：

进一步地，根据样本聚类结果诊断旋转机械滚动轴承通过如下方法进行：

将获取的初始的振动信号样本数默认为正常样本，随着旋转机械滚动轴承运行后续采集的振动信号样本与所诉正常样本比较，

如果后续采集的振动信号样本没有产生新聚类数，则认为旋转机械滚动轴承状态未发生变化；

如果后续采集的振动信号样本产生新聚类数则认为旋转机械滚动轴承状态已发生变化。

本发明提供的一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，通过采集滚动轴承的振动信号，提取多个时域、频域特征，组合成为原始特征矩阵；将原始特征矩阵输入变分模态分解算法(vmd算法)对特征进行去噪，得到去噪后的趋势特征矩阵；当前采集的未知振动信号经特征提取与特征去噪后导入快速搜索算法(dps算法)，用上一组信号与其聚类，根据聚类结果进行故障识别。本发明提供的一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，能够采集更多的信号特征，诊断迅速，且运算效率高，故障诊断的准确率高。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1是本发明基于增量搜索聚类的旋转机械滚动轴承智能诊断方法的流程框图。

图2是本发明采集的旋转机械滚动轴承整个生命周期的原始振动信号图。

图3是本发明原始特征矩阵送入vmd算法中去噪处理过程的示意图。

图4是本发明旋转机械滚动轴承整个生命周期的振动信号诊断完成的效果图。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。下面通过具体的实施方式对本发明的内容进行说明，根据本发明的实施例，单一轴承的一组全生命周期振动信号为例，对旋转机械滚动轴承生命周期的各个阶段振动信号进行诊断，最终给出诊断结果。

如图1所示本发明基于增量搜索聚类的旋转机械滚动轴承智能诊断方法的流程框图，一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，包括如下方法步骤：

步骤s101、在旋转机械滚动轴承的轴承座上安装振动传感器，采集旋转机械滚动轴承的振动信号。

本实施例中采集中的振动传感器为压电加速度传感器，在一些实施例中还可以是压电式加速度传感器、位移传感器和电涡流位移传感器中的任一种。

压电式加速度传感器安装于待测轴承的轴承座上，采集旋转机械滚动轴承振动信号。本实施例诊断的轴承型号为nsk6804rs，采用传感器型号是lw149536型压电式加速度传感器，其特性参数如表1所示。

表1lw149536型压电式加速度传感器特性参数表

在运行过程中，上位机每隔10s进行一次采样(采样频率为25.6khz)，每次采样获得2560个振动数据点作为1段振动信号，如图2所示本发明采集的旋转机械滚动轴承整个生命周期的原始振动信号图。

步骤s102、对采集的所述振动信号进行时域特征和频域特征提取，将提取的多个所述时域特征和多个所述频域特征之和作为列数，假设采集的故障样本数m，将故障样本数m作为行数，构建原始特征矩阵。

实施例中，获取生命周期最前端的10段初始的振动信号作为原始样本，默认为正常样本，每段信号中包含2560个振动数据点，存储于上位机。对于随着旋转机械滚动轴承运行后续采集的振动信号样本，与存储于上位机的生命周期最前端的10段初始的振动信号(原始样本)进行格式匹配。

上位机对随着旋转机械滚动轴承运行后续采集的振动信号样本(后续采集的振动信号)进行时域与频域特征提取。本实施例中多个所述时域特征和多个所述频域特征之和为23个，包括10个时域特征和13个频域特征。

提取的10个时域特征，分别为：第一个时域特征f1满足：其中，x(n)是振动信号x(t)的时域序列，n＝1，2，……n；n为振动样本点数。

第二个时域特征f2满足：第三个时域特征f3满足：第四个时域特征f4满足：第五个时域特征f5满足：f5＝max|x(n)|；第六个时域特征f6满足：第七个时域特征f7满足：第八个时域特征f8满足：第九个时域特征f9满足：第十个时域特征f10满足：

提取的13个频域特征，分别为：第一个频域特征f11满足：其中，式中s(k)是信号x(t)的频谱，k＝1，2，……k；k为谱线数；第二个频域特征f12满足：第三个频域特征f13满足：第四个频域特征f14满足：第五个频域特征f15满足：其中，fk为第k个谱线的频率；第六个频域特征f16满足：其中，p15为第五个频谱特征对应的频谱幅值；第七个频域特征f17满足：第八个频域特征f18满足：第九个频域特征f19满足：第十个频域特征f20满足：第十一个频域特征f21满足：第十二个频域特征f22满足：第十三个频域特征f23满足：

假设采集的故障样本数m，将故障样本数m作为行数，提取的多个所述时域特征和多个所述频域特征之和作为列数，构建原始特征矩阵，即构建一个m行，23列的原始特征矩阵。

步骤s103、将原始特征矩阵送入vmd算法中进行去噪处理，多个所述时域特征和多个所述频域特征中每个特征得到l个有限带宽本征模式分量。

如图3所示本发明原始特征矩阵送入vmd算法中去噪处理过程的示意图，本发明上位机采用变分模态分解算法(vmd算法)对原始特征特征进行去噪。每次将一列样本(f1、f2、...、f23)，即将每列的故障样本的单个特征，输入到vmd算法中进行分解，分解后可得到设定的l个有限带宽本征模式分量(blimfs)。

实施例中vmd算法中设置的参数有惩罚因子为10～500之间；拉格朗日乘子λ(t)为0.5～2，分解得到blimfs个数为2～4。本实施例中惩罚因子设置为100，拉格朗日乘子λ(t)设置为1.5，分解得到blimfs个数l为2。为获得更全面的故障信息，本实施例一共提取时域特征和频域特征总和为23个。

步骤s104、选取l个有限带宽本征模式分量中的趋势特征项，由得到所有趋势特征项构建趋势特征矩阵。

对每个特征进行vmd后，选取取blimfs中的趋势特征项(聚类数据点)，作为趋势特征矩阵。此时趋势特征矩阵为一个10×23的趋势特征矩阵。

随着旋转机械滚动轴承运行，后续不断采集振动信号，例如采集的下一个10段振动信号，重复步骤102和步骤s103，同样获得一个10×23的趋势特征矩阵，将每次获得趋势矩阵合并为一个20×23的趋势矩阵。随着旋转机械滚动轴承运行，后续不断采集振动信号按照上述方法处理，不再赘述。应当理解，在随着旋转机械滚动轴承运行，后续不断采集振动信号不再设置原始样本(仅将生命周期最前端的10段初始的振动信号作为原始样本)。

步骤s105、对所述趋势特征矩阵进行dps聚类识别：计算不同趋势特征项的距离，以及每一个趋势特征项的局部密度，并对每一个趋势特征项按照局部密度递减排序，计算征趋势项按照局部密度递减排序的距离值。

通过如下方法计算不同趋势特征项的距离：

对于趋势特征矩阵t＝{x1，x2，...，xn}，is＝{1，2，...，n}为相应指标集，不同趋势特征项的距离满足：dij＝dist(xixj)＝||xi-xj||²，其中，dij表示数据点xi，xj之间的距离，xi与xj分别为趋势特征矩阵t中不同的趋势特征项，i≠j且i，j∈is。

每一个趋势特征项的局部密度通过如下方法计算：

其中，ρi为趋势特征项xi的局部密度，i＝1，2，...，n，参数dc＞0，为截断距离。将每一个趋势特征项按照局部密度递减重新排序。

趋势特征项按照局部密度递减排序的距离值按照如下方法计算：

dqi，qj＝dist(δqi，qj)，对于每一个节点qi，都找到所有比该节点qi密度大的节点qj，选取其中最小的dqi，qj作为趋势特征项按照局部密度递减排序的距离值，其中，δqi为趋势特征项按照局部密度递减排序后的第qi项趋势特征项，qi为趋势特征项按照局部密度递减排序后的序号，qi＝1，2，...，n。

本实施例中，dps中截断距离dc设置为平均邻居趋势特征项占趋势特征项总数2％～5％，具体视聚类数据量大小而定。

步骤s106、计算每一个趋势特征项的局部密度与趋势特征项按照局部密度递减排序的趋势特征项的综合考量值，并将所述综合考量值按照升序排列，确定聚类中心。

每一个趋势特征项的局部密度与趋势特征项按照局部密度递减排序后的趋势特征项的综合考量值通过如下方法计算：

γi＝ρi·δi，其中，γi为综合考量值，ρi为趋势特征项xi的局部密度，δi为趋势特征项按照局部密度递减排序后的第i项趋势特征项。

设定阈值θ确定聚类中心：

将得到的按升序排列，获得当βpi+1-βpi≥θ，则综合考量值按照升序排列后第pi+1项综合考量值βpi+1，以及其后的每一综合考量值对应的趋势特征项选定为聚类中心，其中，βpi为综合考量值按照升序排列后第pi项综合考量值，pi＝1，2，...，n。升序排列。

决定趋势特征项总数的关键参数阈值θ设置为0.0001～0.0003之间，视具体应用场合来确定，本实施例中设置阈值θ为0.0015。

步骤s107、对围绕聚类中心之外的的剩余趋势特征项进行划分，完成样本聚类，根据样本聚类结果诊断旋转机械滚动轴承。

围绕聚类中心之外的的剩余趋势特征项进行划分：

假设得到聚类中心个数为c，其内部元素为{mh，h＝1，...，c}，按照如下方法进行剩余趋势特征项划分：

根据样本聚类结果诊断旋转机械滚动轴承通过如下方法进行：

将获取的初始的振动信号样本数默认为正常样本，随着旋转机械滚动轴承运行后续采集的振动信号样本与所述正常样本比较，

如果后续采集的振动信号样本没有产生新聚类数，则认为旋转机械滚动轴承状态未发生变化。

如果后续采集的振动信号样本产生新聚类数则认为旋转机械滚动轴承状态已发生变化。

如图4所示本发明旋转机械滚动轴承整个生命周期的振动信号诊断完成的效果图。dps增量聚类的方式自动将整个生命周期划分为4个阶段，与故障实际情况相符。

本发明为了进一步为增加运算效率，可以将时域特征的去噪转移到特征空间中进行。

本发明提供的一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，通过采集滚动轴承的振动信号，提取多个时域、频域特征，组合成为原始特征矩阵；将原始特征矩阵输入变分模态分解算法(vmd算法)对特征进行去噪，得到去噪后的趋势特征矩阵；当前采集的未知振动信号经特征提取与特征去噪后导入快速搜索算法(dps算法)，用上一组信号与其聚类，根据聚类结果进行故障识别。本发明提供的一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法，能够采集更多的信号特征，诊断迅速，且运算效率高，故障诊断的准确率高。

本发明生命周期最前端的10段初始的振动信号作为原始样本，默认为正常样本，作为无故障类别。根据后续采集的振动信号样本产生聚类数目变化情况，判断当前未知信号是否产生故障。聚类数目不变化，说明轴承状态平稳无变化；新增一类则说明轴承状态有变化，出现故障。

结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。