本發(fā)明涉及一種基于改進(jìn)的分形盒維數(shù)算法與自適應(yīng)灰色關(guān)聯(lián)理論算法的滾動軸承故障診斷方法。
背景技術(shù)：
：滾動軸承作為重要部件，被廣泛應(yīng)用于幾乎所有類型的旋轉(zhuǎn)機械中。滾動軸承故障是旋轉(zhuǎn)機械失效和損壞的最主要原因之一，并帶來巨大的經(jīng)濟(jì)損失。為確保機組運行可靠并減少經(jīng)濟(jì)損失，研發(fā)一種可靠有效的滾動軸承故障診斷方法是極為必要的。在眾多軸承故障診斷方法中，基于振動信號的診斷方法已經(jīng)在過去幾十年間受到了廣泛關(guān)注。軸承的振動信號蘊含著豐富地機械健康狀況信息，這也為通過信號處理技術(shù)從振動信號中提取表征機械健康狀況的主導(dǎo)特征成為可能。當(dāng)前，許多信號處理技術(shù)已經(jīng)應(yīng)用于軸承故障監(jiān)測和診斷。然而，由于存在許多非線性因素(如，剛度、摩擦、間隙等)，軸承診斷信號(特別是故障狀態(tài)時)將表現(xiàn)為非線性和非穩(wěn)態(tài)的特征。另外，實測的振動信號不僅包含與軸承本身相關(guān)的運行狀況信息，還包含大量的機組設(shè)備中其他旋轉(zhuǎn)部件和結(jié)構(gòu)的信息(這些相較于前者屬于背景噪聲)。由于背景噪聲通常較大，輕微的軸承故障信息容易淹沒于背景噪聲中，并很難被提取。因此，常規(guī)的時域和頻域方法(主要針對線性振動信號)，甚至更為先進(jìn)的信號處理技術(shù)(如，小波變換(WT)等)，不容易對軸承工作健康狀況做出準(zhǔn)確的評估。隨著非線性動力學(xué)的發(fā)展，許多非線性分析技術(shù)已經(jīng)被應(yīng)用于識別和預(yù)測軸承復(fù)雜的非線性動態(tài)特性。其中，較為典型的一種方法是通過一些先進(jìn)的信號處理技術(shù)(如，小波包分解(WPT)、希爾伯特變換(HT)、經(jīng)驗?zāi)B(tài)分解(EMD)、高階譜(HOS)等)的結(jié)合運用來從振動信號中提取故障特征頻率，并進(jìn)一步與理論特征頻率值比較來評估軸承健康狀況(需要結(jié)合專家的經(jīng)驗判斷)。隨著人工智能的發(fā)展，軸承故障診斷過程越來越多地被引入模式識別的范疇，并且其診斷的有效性和可靠性主要取卻于表征故障特征的主導(dǎo)特征向量的選取。近來，一些基于熵的方法(如，近似熵(ApEn)、樣本熵(SampEn)，模糊熵(FuzzyEn)、分級熵(HE)、分級模糊熵等)，已經(jīng)被提出用于從軸承振動信號中提取表征故障特征的主導(dǎo)特征向量，并獲得了一定效果。通常，故障特征提取之后，需要一種模式識別技術(shù)來實現(xiàn)軸承故障的自動化診斷?，F(xiàn)今，各種模式識別方法已經(jīng)應(yīng)用于機械故障診斷中，其中，應(yīng)用最為廣泛的當(dāng)屬人工神經(jīng)網(wǎng)絡(luò)(ANNs)和支持向量機(SVMs)。其中，人工神經(jīng)網(wǎng)絡(luò)(ANNs)的訓(xùn)練需要大量的樣本，這是實際應(yīng)用中很難甚至是不可能辦到的，尤其是包含故障特征的樣本。支持向量機(SVMs)基于統(tǒng)計學(xué)習(xí)理論(特別適合于小樣本訓(xùn)練的情況)，比人工神經(jīng)網(wǎng)絡(luò)(ANNs)具有更優(yōu)的泛化能力，并能確保局部的最優(yōu)解與全局的最優(yōu)解一致。然而，支持向量機(SVMs)分類器的準(zhǔn)確性取決于其最優(yōu)參數(shù)的選擇。為確保診斷準(zhǔn)確性，往往需要融入一些優(yōu)化算法和/或設(shè)計成復(fù)雜的多類結(jié)構(gòu)來彌補改善支持向量機(SVMs)的有效性。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是：采用傳統(tǒng)時域和頻域方法不易對滾動軸承工作健康狀況做出準(zhǔn)確的評估。為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案是提供了一種基于改進(jìn)的分形盒維數(shù)算法與自適應(yīng)灰色關(guān)聯(lián)理論算法的滾動軸承故障診斷方法，其特征在于，包括以下步驟：步驟1、對旋轉(zhuǎn)機械中的對象滾動軸承在正常運行狀態(tài)下及不同故障模式下的振動信號進(jìn)行采樣，得到軸承振動信號數(shù)據(jù)樣本，其中，不同的故障模式對應(yīng)不同的故障類型及嚴(yán)重程度，且在軸承振動信號數(shù)據(jù)樣本中，不同振動信號與不同故障模式一一對應(yīng)；步驟2、通過改進(jìn)的分形盒維數(shù)算法從軸承振動信號數(shù)據(jù)樣本中提取每個振動信號的表征故障特征的主導(dǎo)特征向量，并根據(jù)不同振動信號與不同故障模式的對應(yīng)關(guān)系，得到各主導(dǎo)特征向量與相應(yīng)故障模式間的對應(yīng)關(guān)系，其中，改進(jìn)的分形盒維數(shù)算法包括以下步驟：步驟2.1、對振動信號x進(jìn)行重采樣，采樣點數(shù)為2K；步驟2.2、對振動信號x進(jìn)行K次相空間重構(gòu)，每次相空間重構(gòu)后計算一次分形盒維數(shù)，由得到的所有分形盒維數(shù)組成振動信號x的主導(dǎo)特征向量；步驟3、根據(jù)主導(dǎo)特征向量與故障模式間的對應(yīng)關(guān)系建立樣本知識庫；步驟4、實時獲取當(dāng)前運行狀態(tài)下的待診斷滾動軸承的實時振動信號，并通過改進(jìn)的分形盒維數(shù)算法從實時振動信號中提取實時主導(dǎo)特征向量，基于步驟3建立的樣本知識庫，利用灰色關(guān)聯(lián)算法計算實時主導(dǎo)特征向量與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度，通過關(guān)聯(lián)度得到待診斷滾動軸承所屬的故障模式。優(yōu)選地，在所述步驟2.2中，對振動信號x進(jìn)行第k次相空間重構(gòu)后得到的分形盒維數(shù)為Dk，此時，相空間維數(shù)為k+1維，分形盒維數(shù)Dk的計算步驟包括：步驟2.2.1、計算振動信號x在當(dāng)前相空間的縱坐標(biāo)尺度范圍p(kε)，式中：ε為覆蓋振動信號x的盒子的最小邊長；N0為采樣點的總數(shù)，N0＝2K；p1＝max{xk(i-1)+1，xk(i-1)+2，…，xk(i-1)+k+1}，xk(i-1)+k+1為振動信號x的第k(i-1)+k+1個采樣點的值；p2＝min{xk(i-1)+1，xk(i-1)+2，…xk(i-1)+k+1}；步驟2.2.2、計算使用邊長為kε的盒子覆蓋振動信號x的最小盒子數(shù)Nkε，Nkε＝p(kε)/kε+1；步驟2.2.3、選擇擬合曲線lgkε～lgNkε中線性度較好一段作為無標(biāo)度區(qū)，其中，lgNkε＝dBlgkε+b，dB為無標(biāo)度區(qū)擬合曲線的斜率，b為無標(biāo)度區(qū)擬合曲線的截距；步驟2.2.4、利用最小二乘法計算出無標(biāo)度區(qū)擬合曲線的斜率，即為分形盒維數(shù)Dk。優(yōu)選地，在所述步驟2.2.4中，分形盒維數(shù)Dk的計算公式為：式中，k1和k2分別為無標(biāo)度區(qū)擬合曲線的起點和終點，k1≤k≤k2。優(yōu)選地，在所述步驟4中，利用常規(guī)的灰色關(guān)聯(lián)算法計算實時主導(dǎo)特征向量與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度。優(yōu)選地，在所述步驟4中，利用自適應(yīng)灰色關(guān)聯(lián)算法計算實時主導(dǎo)特征向量與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度，包括以下步驟：步驟4.1、提取得到的實時主導(dǎo)特征向量B設(shè)為式中，Dk為第k個特征參數(shù)，k＝1，2，…，K，K為特征參數(shù)的總數(shù)目；在所述樣本知識庫中存儲有如下數(shù)據(jù)：C1=c1(1)c1(2)...c1(k)...c1(K),C2=c2(1)c2(2)...c2(k)...c2(K),...,Cj=cj(1)cj(2)...cj(k)...cj(K),...,CM=cM(1)cM(2)...cM(k)...cM(K);]]>其中，Cj為第j個故障模式，j＝1，2，…，M，M為故障模式的總數(shù)目，為與Cj對應(yīng)的特征向量，cj(k)為特征向量中的第k個特征參數(shù)；步驟4.2、計算實時主導(dǎo)特征向量B中每個特征參數(shù)與樣本知識庫中各故障模式對應(yīng)的特征向量中相應(yīng)位置的特征參數(shù)之間的熵，其中，實時主導(dǎo)特征向量B中第k個特征參數(shù)與第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)之間的熵為Ej(k)，則有：式中，而|Δdj(k)|＝|Dk-cj(k)|；步驟4.3、計算實時主導(dǎo)特征向量B中各個特征參數(shù)與樣本知識庫中各故障模式對應(yīng)的特征向量中對應(yīng)的特征參數(shù)的相對熵值，其中，實時主導(dǎo)特征向量中第k個特征參數(shù)的與樣本知識庫中第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)的相對熵值為ej(k)，ej(k)＝Ej(k)/lnM；步驟4.4、計算得到實時主導(dǎo)特征向量B中每個特征參數(shù)相對于樣本知識庫中不同故障模式的權(quán)重系數(shù)，其中，實時主導(dǎo)特征向量B中第k個特征參數(shù)相對于樣本知識庫中第j個故障模式Cj的權(quán)重系數(shù)為aj(k)，式中，Hj(k)＝1-ej(k)；步驟4.5、計算得到實時主導(dǎo)特征向量B與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度，將實時主導(dǎo)特征向量B對應(yīng)的待診斷滾動軸承的實時振動信號分類至最大關(guān)聯(lián)度所屬的故障模式，其中，實時主導(dǎo)特征向量B與樣本知識庫中第j個故障模式Cj的關(guān)聯(lián)度為ξ(B，Cj)，式中，ξ(Dk，cj(k))為是實時主導(dǎo)特征向量B中第k個特征參數(shù)與第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)的關(guān)聯(lián)系數(shù)。優(yōu)選地，在所述步驟4.5中，所述ξ(Dk，cj(k))的計算公式為：式中，ρ為分辨系數(shù)。本發(fā)明提出了一種基于分形理論的方法(即，一種改進(jìn)的分形盒維數(shù)算法)來從軸承振動信號中提取表征故障特征的主導(dǎo)特征向量。分形理論是當(dāng)代非線性科學(xué)的一個最重要的分支之一，它特別適合用于處理各種復(fù)雜的非線性和非穩(wěn)態(tài)現(xiàn)象，因此也適用于軸承振動信號的故障特征提取。同時，為了解決模式識別算法的通用性與準(zhǔn)確性的矛盾問題，本發(fā)明還提出了一種自適應(yīng)灰色關(guān)聯(lián)算法來實現(xiàn)準(zhǔn)確的故障模式識別(在小樣本情況下)。本發(fā)明具有如下優(yōu)點：1、本發(fā)明能夠準(zhǔn)確有效的識別不同的滾動軸承故障類型及故障嚴(yán)重程度；2、本發(fā)明中改進(jìn)的分形盒維數(shù)算法相比傳統(tǒng)的一維分形盒維數(shù)算法，能夠從滾動軸承的振動信號中提取出更具區(qū)分度的表征故障特征的特征向量；3、本發(fā)明中自適應(yīng)灰色關(guān)聯(lián)算法對滾動軸承的故障識別成功率能夠達(dá)到100％，而對不同故障類型及故障嚴(yán)重程度的總體識別成功率也能達(dá)到96％以上；4、本發(fā)明在樣本知識庫中基準(zhǔn)樣本數(shù)目減少時，對不同故障類型及故障嚴(yán)重程度的總體識別成功率會降低，但對故障識別成功率仍能保持100％；5、本發(fā)明中自適應(yīng)灰色關(guān)聯(lián)算法簡單易編程，能夠較好地解決模式識別算法易用性與準(zhǔn)確性的矛盾問題。附圖說明圖1為當(dāng)故障直徑為7mils時通過改進(jìn)的分形盒維數(shù)算法從軸承正常狀態(tài)和不同故障狀態(tài)的振動信號中提取的特征向量；圖2為當(dāng)故障類型為內(nèi)圈故障時通過改進(jìn)的分形盒維數(shù)算法從軸承不同故障嚴(yán)重程度的振動信號中提取的特征向量。具體實施方式下面結(jié)合具體實施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。本發(fā)明提供的一種基于改進(jìn)的分形盒維數(shù)算法與自適應(yīng)灰色關(guān)聯(lián)理論算法的滾動軸承故障診斷方法包括以下步驟：步驟1、對旋轉(zhuǎn)機械中的對象滾動軸承在正常運行狀態(tài)下及不同故障模式下的振動信號進(jìn)行采樣，得到軸承振動信號數(shù)據(jù)樣本，其中，不同的故障模式對應(yīng)不同的故障類型及嚴(yán)重程度，且在軸承振動信號數(shù)據(jù)樣本中，不同振動信號與不同故障模式一一對應(yīng)。步驟2、通過改進(jìn)的分形盒維數(shù)算法從軸承振動信號數(shù)據(jù)樣本中提取每個振動信號的表征故障特征的主導(dǎo)特征向量，并根據(jù)不同振動信號與不同故障模式的對應(yīng)關(guān)系，得到各主導(dǎo)特征向量與相應(yīng)故障模式間的對應(yīng)關(guān)系。分形盒維數(shù)算法可以采用傳統(tǒng)分形盒維數(shù)算法，具體計算過程如下：設(shè)A是屬于歐式空間Rn中某一待計算的非空緊集，N(A，ε)是用邊長為ε的盒子覆蓋A所需的最小盒子數(shù)目，則定義盒維數(shù)D為：D=limϵ→0logN(A,ϵ)log(1/ϵ)---(1)]]>對于實際采樣得到的軸承振動信號，由于存在采樣頻率，盒子的最小邊長通常取為采樣間隔σ，即ε＝σ。設(shè)振動信號為x，采用近似方法使覆蓋振動信號x的盒子最小邊長為采樣間隔σ，計算使用邊長為kσ的盒子覆蓋振動信號x的最小盒子數(shù)Nkσ，則：p1＝max{xk(i-1)+1，xk(i-1)+2，…xk(i-1)+k+1}(2)p2＝min{xk(i-1)+1，xk(i-1)+2，…xk(i-1)+k+1}(3)p(kσ)=Σi=1N0/k|p1-p2|---(4)]]>在公式(2)、(3)中，i＝1，2，…，N0/k，N0是采樣點數(shù)目，k＝1，2…K，K＜N0，xk(i-1)+k+1是振動信號x的第k(i-1)+k+1個采樣點；在公式(4)中，p(kσ)是x(i)的縱坐標(biāo)的尺度范圍，則Nkσ表示為：Nkσ＝p(kσ)/kσ+1(5)選擇擬合曲線lgkσ～lgNkσ中線性度較好一段作為無標(biāo)度區(qū)，則：lgNkσ＝dBlgkσ+b(6)公式(6)中，dB是無標(biāo)度區(qū)擬合曲線的斜率，b是無標(biāo)度區(qū)擬合曲線的截距。通常，利用最小二乘法計算出無標(biāo)度區(qū)的斜率，就是所要計算的振動信號x的傳統(tǒng)分形盒維數(shù)D：D=-(k2-k1+1)Σ(lgk)·logNkσ-Σ(lgk)·ΣlgNkσ(k2-k1+1)Σlg2k-(Σlgk)2---(7)]]>公式(7)中，k1和k2分別為無標(biāo)度區(qū)的起點和終點，k1≤k≤k2。本發(fā)明提出了一種改進(jìn)的分形盒維數(shù)算法，包括以下步驟：步驟2.1、為了減小盒子最小邊長ε，以提高計算精度，對振動信號x進(jìn)行重采樣，采樣點數(shù)為2K；步驟2.2、對振動信號x進(jìn)行K次相空間重構(gòu)，根據(jù)采樣點數(shù)目確定重構(gòu)相空間的迭代維數(shù)，則迭代維數(shù)分別為2，3，4…lg2K+1。設(shè)振動信號x的第i個采樣點的值為xi，i＝1，2，…，N0/k，則覆蓋該振動信號的盒子數(shù)的推導(dǎo)方法如下：當(dāng)k＝1時：P1＝max{xi，xi+1}，P2＝min{xi，xi+1}，此時重構(gòu)相空間維數(shù)為2維。當(dāng)k＝2時：P1＝max{x2i-1，x2i，x2i+1}，P2＝min{x2i-1，x2i，x2i+1}，此時重構(gòu)相空間維數(shù)為3維。當(dāng)k＝3時：P1＝max{x3i-2，x3i-1，x3i，x3i+1}，P2＝min{x3i-2，x3i-1，x3i，x3i+1}，此時重構(gòu)相空間維數(shù)為4維?！?dāng)k＝K時：P1＝max{xKi-K+1，xKi-K+2，…，xKi+1}，P2＝min{xKi-K+1，xKi-K+2，…，xKi+1}，此時重構(gòu)相空間維數(shù)為K+1。由以上推導(dǎo)可知，對振動信號x共進(jìn)行了K次相空間重構(gòu)，每次相空間重構(gòu)可以對應(yīng)得到一個lgNkσ，這樣可以繪制出lgkσ～lgNkσ的關(guān)系曲線圖。由于擬合曲線并不具有嚴(yán)格的線性關(guān)系，因此，采用改進(jìn)的分形盒維數(shù)算法，對得到的K個點處的無標(biāo)度區(qū)求導(dǎo)，得到不同點處的曲線斜率D1，D2，D3…DK，即為不同相空間重構(gòu)處的分形盒維數(shù)。將求得的D1，D2，D3…DK作為表征當(dāng)前振動信號x對應(yīng)的故障模式的特征向量中K個特征參數(shù)，作為對象滾動軸承故障模式識別的依據(jù)。步驟3、根據(jù)主導(dǎo)特征向量與故障模式間的對應(yīng)關(guān)系建立樣本知識庫，在樣本知識庫中存儲有如下數(shù)據(jù)：C1=c1(1)c1(2)...c1(k)...c1(K),C2=c2(1)c2(2)...c2(k)...c2(K),...,Cj=cj(1)cj(2)...cj(k)...cj(K),...,CM=cM(1)cM(2)...cM(k)...cM(K);]]>其中，Cj為第j個故障模式，j＝1，2，…，M，M為故障模式的總數(shù)目，為與Cj對應(yīng)的特征向量，cj(k)為特征向量中的第k個特征參數(shù)。步驟4、實時獲取當(dāng)前運行狀態(tài)下的待診斷滾動軸承的實時振動信號，并通過改進(jìn)的分形盒維數(shù)算法從實時振動信號中提取實時主導(dǎo)特征向量，基于步驟3建立的樣本知識庫，利用灰色關(guān)聯(lián)算法計算實時主導(dǎo)特征向量與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度，通過關(guān)聯(lián)度得到待診斷滾動軸承的故障模式。在步驟4中，改進(jìn)的分形盒維數(shù)算法同樣可以如步驟2所述一般采用傳統(tǒng)分形盒維數(shù)算法，或采用本發(fā)明提供的改進(jìn)的分形盒維數(shù)算法。在步驟4中，灰色關(guān)聯(lián)算法可以采用普通灰色關(guān)聯(lián)算法，具體計算過程如下：設(shè)提取得到的實時主導(dǎo)特征向量B為式中，Dk為第k個特征參數(shù)，k＝1，2，…，K，K為特征參數(shù)的總數(shù)目。對于分辨系數(shù)ρ∈(0，1)，有：ξ(Dk,ci(k))=minjmink|Dk-cj(k)|+ρ·maxjmaxk|Dk-cj(k)||Dk-cj(k)|+ρ·maxjmaxk|Dk-cj(k)|---(8);]]>ξ(B,Cj)=1KΣk=1Kξ(Dk,i,cj(k))---(9);]]>ξ(Dk，cj(k))為是實時主導(dǎo)特征向量B中第k個特征參數(shù)與第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)的關(guān)聯(lián)系數(shù)，ξ(B，Cj)為實時主導(dǎo)特征向量B與樣本知識庫中第j個故障模式Cj的灰色關(guān)聯(lián)度。求得實時主導(dǎo)特征向量B與樣本知識庫中各主導(dǎo)特征向量的關(guān)聯(lián)度后，就可以將實時主導(dǎo)特征向量B對應(yīng)的待診斷滾動軸承的實時振動信號分類至最大關(guān)聯(lián)度所屬的故障模式。在步驟4中，灰色關(guān)聯(lián)算法也可以采用本發(fā)明提供的一種自適應(yīng)灰色關(guān)聯(lián)算法，包括以下步驟：步驟4.1、通過所述步驟2.1至步驟2.3提取得到的實時主導(dǎo)特征向量B設(shè)為式中，Dk為第k個特征參數(shù)，k＝1，2，…，K，K為特征參數(shù)的總數(shù)目；步驟4.2、計算實時主導(dǎo)特征向量B中每個特征參數(shù)與樣本知識庫中各故障模式對應(yīng)的特征向量中相應(yīng)位置的特征參數(shù)之間的熵，其中，實時主導(dǎo)特征向量B中第k個特征參數(shù)與第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)之間的熵為Ej(k)，則有：公式(10)中，而|Δdj(k)|＝|Dk-cj(k)|；步驟4.3、計算實時主導(dǎo)特征向量B中各個特征參數(shù)與樣本知識庫中各故障模式對應(yīng)的特征向量中對應(yīng)的特征參數(shù)的相對熵值，其中，實時主導(dǎo)特征向量中第k個特征參數(shù)的與樣本知識庫中第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)的相對熵值為ej(k)，ej(k)＝Ej(k)/lnM(11)；步驟4.4、計算得到實時主導(dǎo)特征向量B中每個特征參數(shù)相對于樣本知識庫中不同故障模式的權(quán)重系數(shù)，其中，實時主導(dǎo)特征向量B中第k個特征參數(shù)相對于樣本知識庫中第j個故障模式Cj的權(quán)重系數(shù)為aj(k)，公式(12)中，Hj(k)＝1-ej(k)；步驟4.5、計算得到實時主導(dǎo)特征向量B與樣本知識庫中各故障模式的關(guān)聯(lián)度，其中，實時主導(dǎo)特征向量B與樣本知識庫中第j個故障模式Cj的關(guān)聯(lián)度為ξ(B，Cj)，式中，ξ(Dk，cj(k))為是實時主導(dǎo)特征向量B中第k個特征參數(shù)與第j個故障模式Cj對應(yīng)的特征向量中第k個特征參數(shù)的關(guān)聯(lián)系數(shù)，公式(13)中，ρ為分辨系數(shù)。本發(fā)明所提出的一種基于改進(jìn)的分形盒維數(shù)算法與自適應(yīng)灰色關(guān)聯(lián)理論算法的滾動軸承故障診斷方法的具體實施方式以美國西儲大學(xué)軸承數(shù)據(jù)中心的滾動軸承故障診斷為例，具體過程如下：該滾動軸承故障診斷實驗裝置由一個扭矩儀、一個功率計、一個三相感應(yīng)電動機等組成，載荷功率和轉(zhuǎn)速通過傳感器測得。通過控制功率計可以得到期望的扭矩載荷。電動機驅(qū)動端的轉(zhuǎn)子由測試軸承(即診斷對象)支撐，并在測試軸承中通過放電加工設(shè)置了單點故障，故障直徑包括7mils、14mils、21mils和28mils(即故障嚴(yán)重程度)，故障類型包括內(nèi)圈故障、滾動體故障、外圈故障。電動機驅(qū)動端罩殼上安裝有一個帶寬高達(dá)5000Hz的加速計，并通過一個記錄儀采集測試軸承在不同工作狀態(tài)下的振動數(shù)據(jù)，其中采樣頻率為12kHz。試驗中所用的深溝滾動軸承型號為6205-2RSJEMSKF。當(dāng)控制扭矩載荷調(diào)整為0馬力且電動機轉(zhuǎn)速為1797r/min時，開始采集測試軸承的振動數(shù)據(jù)。采集軸承正常狀態(tài)和不同故障類型及故障嚴(yán)重程度下的振動數(shù)據(jù)用于診斷分析，如表1所示，根據(jù)不同的故障類型及故障嚴(yán)重程度將故障模式細(xì)分為11類。采集的測試軸承的振動數(shù)據(jù)共分為550個數(shù)據(jù)樣本，每個數(shù)據(jù)樣本包含2048個樣本數(shù)據(jù)點，且每兩個數(shù)據(jù)樣本之間不重疊。在這550個數(shù)據(jù)樣本中，隨機選取110個數(shù)據(jù)樣本用于建立樣本知識庫，剩余的440個數(shù)據(jù)樣本作為測試樣本，用于校驗本發(fā)明的有效性。表1用于診斷分析的測試軸承的振動數(shù)據(jù)當(dāng)故障直徑為7mils時通過傳統(tǒng)分形盒維數(shù)算法從軸承正常狀態(tài)和不同故障狀態(tài)的振動信號中提取的特征向量如表2所示，當(dāng)故障直徑為7mils時通過改進(jìn)的分形盒維數(shù)算法從軸承正常狀態(tài)和不同故障狀態(tài)的振動信號中提取的特征向量如圖1所示；當(dāng)故障類型為內(nèi)圈故障時通過傳統(tǒng)分形盒維數(shù)算法從軸承不同故障嚴(yán)重程度的振動信號中提取的特征向量如表3所示，當(dāng)故障類型為內(nèi)圈故障時通過改進(jìn)的分形盒維數(shù)算法從軸承不同故障嚴(yán)重程度的振動信號中提取的特征向量如圖2所示。表2當(dāng)故障直徑為7mils時通過傳統(tǒng)分形盒維數(shù)算法從軸承正常狀態(tài)和不同故障狀態(tài)的振動信號中提取的特征向量表3當(dāng)故障類型為內(nèi)圈故障時通過傳統(tǒng)分形盒維數(shù)算法從軸承不同故障嚴(yán)重程度的振動信號中提取的特征向量由表2和表3可知，通過傳統(tǒng)分形盒維數(shù)算法所提取的表征故障特征的特征向量僅為一維，且表征不同故障類型及嚴(yán)重程度的特征向量之間比較相近，并不具有明顯的區(qū)分度。而由圖1和圖2可知，通過改進(jìn)的分形盒維數(shù)所提取表征故障特征的特征向量具有多維，且表征不同故障類型及嚴(yán)重程度的特征向量之間具有顯著的區(qū)分度。根據(jù)故障征兆(即已提取的主導(dǎo)特征向量)與故障模式(即已知的滾動軸承的故障類型及嚴(yán)重程度)關(guān)系建立樣本知識庫，作為自適應(yīng)灰色關(guān)聯(lián)算法模型的基準(zhǔn)知識庫。將待識別的從測試樣本提取的表征故障特征的主導(dǎo)特征向量(通過改進(jìn)的分形盒維數(shù)算法)輸入自適應(yīng)灰色關(guān)聯(lián)算法模型中，輸出診斷結(jié)果(即故障類型及嚴(yán)重程度)，如表4所示。表4診斷結(jié)果由表4可知，本發(fā)明能夠準(zhǔn)確有效的識別不同的滾動軸承故障類型及故障嚴(yán)重程度；本發(fā)明中改進(jìn)的分形盒維數(shù)算法相比傳統(tǒng)分形盒維數(shù)算法，能夠從滾動軸承的振動信號中提取出更具區(qū)分度的表征故障特征的特征向量，因此診斷成功率大大提高；本發(fā)明中自適應(yīng)灰色關(guān)聯(lián)算法對滾動軸承的故障識別成功率能夠達(dá)到100％，而對不同故障類型及故障嚴(yán)重程度的總體識別成功率也能達(dá)到96％以上；本發(fā)明中自適應(yīng)灰色關(guān)聯(lián)算法簡單易編程，能夠較好地解決模式識別算法易用性與準(zhǔn)確性的矛盾問題。當(dāng)前第1頁1 2 3