一种基于逻辑回归和改进谱分析的轴承故障诊断方法与流程

1.本发明涉及轴承故障诊断领域，特别是涉及一种基于逻辑回归和改进谱分析的轴承故障诊断方法。


背景技术：

2.目前，针对轴承在线故障诊断方法的研究有很多，主要有谱分析法，分析法等；但这些方法易受工况的影响，故障诊断率较低；事实上，轴承大部分时间的运行状态介于故障和正常之间，既非完全故障，亦非完全正常，称为健康衰退状态；轴承健康衰退状态是一个隐性的、渐变的、漫长的过程；处于此状态的轴承，轴承的性能呈现稳定和缓慢的下降趋势并形成早期故障；为了实现对轴承早期故障的诊断，应先对轴承的健康状态进行评估，从健康度数值中识别早期故障，再结合实际工况进行针对性分析，从而达到预测性维护的目的，保障机械的有效运行。


技术实现要素：

3.本发明的目的在于提出一种基于逻辑回归和改进谱分析的轴承故障诊断方法，解决上述问题。
4.本发明通过以下技术方案来实现上述目的：一种基于逻辑回归和改进谱分析的轴承故障诊断方法，其特征在于，包括以下步骤：
5.(1)采集轴承运行时的传感数据，包括故障状态数据，以及正常轴承运行时的传感数据，对采集到的数据信息进行预处理和特征提取；
6.(2)采用正常状态样本和故障状态样本对逻辑回归模型进行训练，得到逻辑回归模型参数，建立逻辑回归模型；
7.(3)采集轴承实时信号，对信号进行预处理和特征提取，将实时信号处理后的特征指标代入到建立好的逻辑回归模型中，计算出轴承的健康度；
8.(4)根据轴承的健康度，判断是否启动轴承故障诊断算法，如果当前时刻轴承的健康度低于设定的阈值，则启动故障诊断算法；
9.(5)改进谱分析是由三种谱分析算法融合而成的算法模块；当故障诊断算法启动后，改进谱分析模块对此时的振动信号进行分析，输出诊断结果。
10.作为本发明的优选，结合工况信息，轴承型号和信号特点等，确定三种谱分析算法中的最优算法和辅助算法，即信号中出现明显的幅值调制和包络，此时应确定包络谱分析为最优算法，其余算法为辅助算法；信号中出现明显的边频带特征时，则应确定倒频谱为最优算法；如果信号中为非平稳信号，则应确定emd为最优算法。
11.作为本发明的优选，分别对信号进行最优算法和辅助算法的分析，如果最优算法和辅助算法均一致，为正常或者故障，则直接输出判断结果，如果有最优算法和辅助算法结果不一致，则重新采集信号，重复诊断算法步骤，直至两类算法结论一致为止。
12.作为本发明的优选，自动寻找频率算法可以在频谱中自动寻找故障特征频率，判
断是否存在故障，具体步骤如下：
13.对频谱幅值进行排序，搜索幅值排序前十的幅值及对应的频率，生成映射集m；
14.自动计算轴承故障频率，并将故障频率与映射集m中的频率进行匹配；
15.分别计算故障频率与映射集m中的各频率之间的差值率，差值率在5％以下则认定为匹配成功，代表此时找到故障特征频率；否则，代表没有找到故障特征频率；
16.若出现多种故障类型故障频率匹配成功的情况，则输出差值率最小所代表的故障类型。
17.与现有技术相比，本发明的有益效果如下：本发明通过结合逻辑回归模型和改进谱分析算法，实时计算轴承运行的健康度，自适应地进行故障预测诊断，降低了轴承故障诊断误判率和漏判率，本发明依据轴承的健康衰退程度对轴承进行有针对性的故障诊断，具有实时性强、数据处理精度高、核心算法鲁棒性好、状态评估准确性高、诊断结果准确度高等优点。
附图说明
18.图1是本发明实施例的轴承故障诊断方法流程图；
19.图2是本发明实施例的滚动轴承全寿命周期的评估指数图；
20.图3是本发明实施例的信号振动图；
21.图4是本发明实施例的包络谱图；
22.图5是本发明实施例的倒频谱图；
23.图6是本发明实施例的emd及imf频谱图。
具体实施方式
24.下面结合附图对本发明作进一步说明：
25.一种基于逻辑回归和改进谱分析的轴承故障诊断方法，如图1-6所示，包括以下步骤：
26.(1)采集轴承运行时的传感数据，包括故障状态数据，以及正常轴承运行时的传感数据，对采集到的数据信息进行预处理和特征提取；
27.(2)采用正常状态样本和故障状态样本对逻辑回归模型进行训练，得到逻辑回归模型参数，建立逻辑回归模型；
28.(3)采集轴承实时信号，对信号进行预处理和特征提取，将实时信号处理后的特征指标代入到建立好的逻辑回归模型中，计算出轴承的健康度；
29.(4)根据轴承的健康度，判断是否启动轴承故障诊断算法，如果当前时刻轴承的健康度低于设定的阈值，则启动故障诊断算法；
30.(5)改进谱分析是由三种谱分析算法融合而成的算法模块；当故障诊断算法启动后，改进谱分析模块对此时的振动信号进行分析，输出诊断结果。
31.进一步地，结合工况信息，轴承型号和信号特点等，确定三种谱分析算法中的最优算法和辅助算法，即信号中出现明显的幅值调制和包络，此时应确定包络谱分析为最优算法，其余算法为辅助算法；信号中出现明显的边频带特征时，则应确定倒频谱为最优算法；如果信号中为非平稳信号，则应确定emd为最优算法。
32.进一步地，分别对信号进行最优算法和辅助算法的分析，如果最优算法和辅助算法均一致，为正常或者故障，则直接输出判断结果，如果有最优算法和辅助算法结果不一致，则重新采集信号，重复诊断算法步骤，直至两类算法结论一致为止。
33.进一步地，自动寻找频率算法可以在频谱中自动寻找故障特征频率，判断是否存在故障，具体步骤如下：
34.对频谱幅值进行排序，搜索幅值排序前十的幅值及对应的频率，生成映射集m；
35.自动计算轴承故障频率，并将故障频率与映射集m中的频率进行匹配；
36.分别计算故障频率与映射集m中的各频率之间的差值率，差值率在5％以下则认定为匹配成功，代表此时找到故障特征频率；否则，代表没有找到故障特征频率；
37.若出现多种故障类型故障频率匹配成功的情况，则输出差值率最小所代表的故障类型。
38.在使用时，以某一型号轴承为例，说明本专利提出方法的有效性。4个该型号的轴承安装在轴上，交流电机转速为2000rpm，施加27kn径向载荷，利用pcb 353b33振动传感器实时采集轴承振动信号。
39.计算轴承的健康度，直至其中的某一轴承完全失效，绘制失效轴承的全生命健康评估曲线，其健康度变化如图2所示。
40.选择同一类的某一型号轴承，预制内圈故障，此轴承内圈故障频率为162hz。在相同的工况下进行运行，并采集运行振动信号，将实时信号处理后的特征指标代入到建立好的逻辑回归模型中，计算出轴承的健康度，为0.4。此时健康度已经低于警戒阈值，启动故障诊断模型。对采集到的信号进行分析，振动信号分布如图3所示。
41.由图3中可知，信号中有明显的故障特征，存在明显的幅值调制和包络，故应选择包络谱为最优算法，其余为辅助算法；采用最优算法和辅助算法对信号进行分析，分析频谱如图4所示。
42.从图4中可知，在包络谱[0,1000]hz的范围内自动寻找内圈故障特征频率 162hz,最终自动匹配到161.2hz，差值率在0.5％，其幅值排序第二，代表此时找到故障特征频率，输出结果为内圈故障。
[0043]
内圈故障特征频率162hz,对应时间为0.0061s。从图5中可知，在倒频谱 [0,0.02]s的范围内自动寻找内圈故障特征频率对应时间0.0061s,最终自动匹配到0.0061s，差值率为0，其幅值排序第四，代表此时找到故障特征频率，输出结果为内圈故障。
[0044]
从图6中可知，在emd及imf频谱图[0,1000]hz的范围内自动寻找内圈故障特征频率162hz,最终自动匹配到161.2hz，差值率在0.5％，其幅值排序第一，代表此时找到故障特征频率，输出结果为内圈故障。
[0045]
结合三种谱分析算法的结果，最优算法和辅助算法结果相同，故最终诊断算法输出为内圈故障，与预制结果相吻合，验证了方法的有效性和鲁棒性。
[0046]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。