技术领域
[0001] 本发明涉及旋转机械故障预测与健康管理领域，具体涉及一种滚动轴承性能退化评估中用到的多特征融合方法。
相关背景技术
[0002] 随着科技的迅速发展，现代机械设备开始向着更加智能的方向发展，而旋转机械在工业中应用广泛，很多制造业设备的核心部件都属于旋转机械。滚动轴承作为旋转机械中使用最为广泛的部件之一，运行的环境往往十分复杂，一旦发生故障将会造成巨大的财产损失，甚至可能威胁到生命安全。当滚动轴承发生故障时，现有处理方法一般为更换翻新，这会增加设备的维护费用而且会造成不必要的资源浪费。使用寿命是衡量滚动轴承性能的重要指标之一，具有很大的离散性，即使是同批次同工况下，其最低寿命与最高寿命差距可达数十倍，因此，准确识别滚动轴承的性能退化状态，实现精确的剩余寿命预测，具有重要的理论意义和工程价值。
[0003] 与故障诊断中的信号特征提取不同，对于滚动轴承的性能退化特征，需要对信号进行持续性的特征分析，而且信号会随着滚动轴承的退化呈现出很强的随机性，因此，对于滚动轴承信号的趋势性分析显得尤为重要，当前的很多研究多是通过人为或专家经验进行特征筛选，但由于滚动轴承振动信号的复杂性，这种方法往往会导致选取特征不够准确且受主观经验影响较大，缺乏普适性。
具体实施方式
[0052] 一种多特征融合方法，包括如下步骤：
[0053] 步骤1：对滚动轴承退化特征样本集X_org进行归一化处理，得到归一化的特征样本集 X，X中的退化特征数目为M，样本个数为N；
[0054] 步骤2：依据Hausdorff距离计算所有特征之间的相似性，得到相似性矩阵S；
[0055] 步骤3：初始化分类树K，从步骤2中计算出的Hausdorff距离相似性矩阵S中选择相似性最小的两个特征分别作为第一类与第二类的类中心；
[0056] 步骤4：依据Hausdorff距离继续从其余特征中选择与前几类相似性最小的特征作为下一类的类中心；
[0057] 步骤5：重复步骤4，直至得到K个类中心；
[0058] 步骤6：将剩余的特征依据Hausdorff距离相似性将其归类到与之最为相似的类中，最终将特征样本集X中的M个特征分为K类；
[0059] 步骤7：综合考虑特征的单调性与预测性两个指标并形成综合评价准则，对所有M个特征进行评价，定义综合评价准则如下：
[0060] Mai＝αMoni+(1‑α)Prei(i＝1,2…M)
[0061] 其中，Mai表示第i个特征的综合评价值；Moni表示第i个特征的单调性；Prei表示第i个特征的预测性；α为权重；
[0062] 步骤8：依据特征的综合评价指标Mai从K类特征集中分别选取每类中指标值最大的特征形成最优特征样本集X_opt，X_opt中的退化特征数目为K，样本个数为N；
[0063] 步骤9：利用谱聚类算法将滚动轴承的最优特征样本集X_opt的样本划分为C类，分别代表滚动轴承性能退化过程中的C个不同阶段；
[0064] 步骤10：计算第i个特征的类内标准差Si,n，计算方法如下：
[0065]
[0066] 其中，C为退化阶段，K为特征个数， 表示第i个特征在第n个退化阶段下的特征均值，计算方法如下：
[0067]
[0068] 其中， 表示第i个特征在第n个退化阶段中t时刻的特征值， 表示第i个特征在第n 个退化阶段内的均值，Ti,n表示第i个特征在第n个退化阶段的样本个数；
[0069] 步骤11：计算第i个特征的类间标准差，首先求取特征在不同退化阶段下的均值，然后根据各个均值求得类间标准差Ai,n，计算方法如下：
[0070]
[0071] 其中， 表示第i个特征在第n个退化阶段中t时刻的特征值， 表示第i个特征在第 n个退化阶段下的均值，即：
[0072]
[0073] 其中，Ti表示第i个特征在第n个退化阶段的样本个数， 表示第i个特征在第n个退化阶段下t时刻的幅值；
[0074] 步骤12：计算特征的类敏感度指数，计算方法如下：
[0075]
[0076] 其中， 表示特征Yi对应的类敏感度指数，其值越小，表明该特征敏感度越高，反之其值越大，表明特征敏感度越低，当指标值超过1时，表明该特征无法进行有效的滚动轴承状态表征，即无法用于滚动轴承的剩余寿命预测中；
[0077] 步骤13：计算特征序列的重叠趋势性，
[0078] 将特征序列中的点以5个为一组划分，并将5个点中的后两个点作为下一组数据的起始点，按上述方法将序列划分为Z个子区域，将Z个子区域以中间位置m为界将其划分为前后两部分，并用后半部分的每一个区域的均值减去对应的前半部分的值，计算子序列的趋势性，计算方法如下：
[0079]
[0080] 其中，alz表示得到正数的个数，alf表示得到非正数的个数；
[0081] 接下来，计算特征序列的重叠趋势性，定义如下：
[0082]
[0083] 步骤14：计算第i个特征正常阶段前Ti,1点的均值
[0084]
[0085] 其中，Yi,t为第i个特征在t时刻值，K为特征个数，Ti,1为第i个特征正常阶段样本的个数。
[0086] 步骤15：计算特征类敏感度与重叠趋势性指数
[0087]
[0088] 步骤16：归一化类敏感度‑重叠趋势性特征融合指标，定义如下：
[0089]
[0090] 步骤17：利用归一化的敏感度‑重叠趋势性对特征进行加权融合得到多特征融合指标，如下：
[0091]
[0092] 实施例：
[0093] 采用IEEE PHM 2012数据挑战赛的实验数据，来验证所提方法的效果。由于滚动轴承在水平及垂直方向信号在时域上呈现的趋势相似，故选取IEEE PHM 2012数据集中滚动轴承1‑ 1水平方向的振动信号进行实验，其时域波形图如图3所示。首先提取其时域、频域及时频域的多维特征，分别如表1‑表3所示，实验均匀选取完整周期中的200个样本进行分析。
[0094] 表1时域特征
[0095]
[0096] 表2频域特征
[0097]
[0098] 表3时频域特征
[0099]
[0100] 提取出滚动轴承振动信号的40维特征后，利用基于Hausdorff距离的相似性分析对其进行分类，当K值大于8时特征对于融合指标的融合效果影响十分小，因此分类数K选择8，然后依据综合评价准则进行特征选取，选取每类中最优的特征最后会得到8个最优特征，取综合评价结果排名前10的特征进行展示，结果如表4所示。
[0101] 表4特征综合评价结果
[0102]
[0103] 表4中的前8个特征即为基于Hausdorff距离的相似性分析与综合评价准则选择的最优特征构建滚动轴承性能退化最优特征集有8个特征，分别是：有效值、LCD能量谱熵、峭度、小波包分解第四频带能量比、小波包分解第二频带能量、偏态指标、峰值指标、整流平均值。
[0104] 对IEEE PHM 2012数据集中的滚动轴承1‑1数据进行最优特征提取之后，通过类敏感度与重叠趋势性对其进行评价，其中重叠趋势性计算的示意图如图2所示。计算滚动轴承特征的类敏感度与重叠趋势性指数，其结果如表5所示。
[0105] 表5特征类敏感度与重叠趋势性值
[0106]
[0107] 然后对其进行类敏感度与重叠趋势性评价，并进行多特征融合指标的建立，依据表5中数据对提取的混合域多特征进行融合，可得到其融合指标如图4所示。
[0108] 对融合指标与单一特征进行单调性、趋势性及鲁棒性及综合比较，分析结果如表6所示。
[0109] 表6融合指标与单一特征比较
[0110]
[0111] 通过表6可以看出，相比于从混合域中选择的单一退化指标，多特征融合指标在各个评价指标方面都要优于其他的单一退化指标，因此融合效果较好，且对于滚动轴承的退化状态表征较灵敏，有利于剩余寿命预测的进行。
[0112] 最后应说明的是：以上所述仅为本发明专利的优选实施例而已，并不用于限制本发明专利，尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各种实施例所记载的技术方案进行修改，或者对于其中部分技术特征进行等同替换。凡在本发明专利的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明专利的保护范围之内。
