一种基于概率神经网络的轴承健康状态识别方法

摘要

一种基于概率神经网络的轴承健康状态识别方法，步骤如下：1）采集原始信号；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征，评估选取参数对已知数据分配的能力。3）构造概率神经网络模型；4）将输入参数输入概率神经网络进行状态识别。本发明将轴承的运行状态分为正常，亚健康和故障三种状态，采用概率神经网络（PNN）对轴承的健康状态进行估计，使用样本熵等作为概率神经网络（PNN）的输入特征参数，评估数据的分布能力，通过与传统轴承状态的正常-故障模型进行实验对比，并给出了轴承健康状态的识别结果。

主权项

1.一种基于概率神经网络的轴承健康状态识别方法,其特征在于，步骤如下：1）采集原始信号：通过数据采集系统采集正常轴承和单点驱动端缺陷的数据；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征如下：幅度：Range=max(x_i)-min(x_i)                    （8）有效值：${\mu }_x=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i---\left(9\right)$绝对平均值：${\mu }_{\left|x\right|}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left|x_i\right|---\left(10\right)$均方值：${\psi }_x^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i^2---\left(11\right)$均方根（RMS）：${\psi }_x=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i^2}---\left(12\right)$方差：${\sigma }_x^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-{\mu }_x)}^2---\left(13\right)$标准差：$\mathrm{SD}=\sqrt{\frac{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\mu )}^2}{n-1}}---\left(14\right)$偏度：$S=\frac{M_3}{{\delta }^3}=\frac{E\left(X\right)\left[{(X-\mu )}^3\right]}{{\delta }^3}---\left(15\right)$峰态：$K=\frac{M_4}{{\delta }^4}=\frac{E\left(X\right)\left[{(X-\mu )}^4\right]}{{\delta }^4}---\left(16\right)$峰值：peak=max(X_i)                   （17）波形指标：$\mathrm{WI}=\frac{\mathrm{peak}}{{\mu }_x}=\frac{\max \left(x_i\right)}{1/N\underset{i=1}{\overset{N}{\Sigma }}{x}_i}---\left(18\right)$脉冲指标：$\mathrm{II}=\frac{\mathrm{peak}}{{\mu }_{\left|x\right|}}=\frac{\max \left(x_i\right)}{1/N\underset{i=1}{\overset{N}{\Sigma }}\left|x_i\right|}---\left(19\right)$样本熵：其计算过程如下步骤一：N点序列，首先计算N*N的距离矩阵D，第i行第j列的元素就是d，并定义成点i，j之间的距离。$d_{\mathrm{ij}}=\left\{\begin{array}{c}1,|u\left(i\right)-u\left(j\right)|<r\\ 0,u\left(i\right)-u\left(j\right)|\ge r\end{array}\right.(i=\mathrm{1,2},...,n;j=\mathrm{1,2},..,n,i\ne j)---\left(20\right)$步骤二：用矩阵D中的元素很容易得到和假设窗长度是2；$C_i^2\left(r\right)=\underset{i,j=1}{\overset{N-2}{\Sigma }}{d}_{\mathrm{ij}}\cap d_{(i+1)(j+1)}---\left(21\right)$$C_i^3\left(r\right)=\underset{i,j=1}{\overset{N-2}{\Sigma }}{d}_{\mathrm{ij}}\cap d_{(i+1)(j+1)}\cap d_{(i+1)(j+2)}---\left(22\right)$步骤三：通过和计算得到和${\phi }^m\left(r\right)=\frac{1}{N-m+1}\underset{i=1}{\overset{N-m+1}{\Sigma }}\ln C_i^m\left(r\right)---\left(23\right)$步骤四：计算样本熵$\mathrm{SampEn}(m,r,N)=-\ln \frac{{\phi }^{m+1}\left(r\right)}{{\phi }^m\left(r\right)}---\left(24\right)$评估上述13个参数对已知数据分配的能力，并另外选取性能比较好的绝对值平均值，峰态，标准差，均方根和样本熵作为输入特征。3）构造概率神经网络模型：输入层有5个节点表示输入特征，求和层和输出层都是3个节点，表示健康的三个状态，模式层有150个节点，表示选取的150个样本；4）将输入参数输入概率神经网络进行状态识别，根据健康度的定义HD=P(healthy)-P(failure)，计算健康度的值，根据轴承健康度的阈值来判定轴承所处的运行状态为健康、亚健康或故障。当0.4<HD<1时，轴承为健康状态，当-0.4<HD<0.4时，轴承为亚健康状态，当-1<HD<-0.4时，轴承为故障状态。