申请/专利权人：西安理工大学

申请日：2022-06-15

公开（公告）日：2022-09-20

公开（公告）号：CN115078994A

主分类号：G01R31/34

分类号：G01R31/34;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明公开了一种基于层次逆向散布熵的热网电机故障诊断方法，首先，通过加速度传感器采集热网电机时域振动信号，并对其进行归一化处理，然后利用层次逆向散布熵，从层次角度提取热网电机故障特征；最后将故障特征添加分类标签，将故障特征数据分为训练样本和测试样本，通过训练样本对设计的KNN分类器进行训练，基于训练好的分类器，利用测试样本进行故障分类，获得运行中热网电机的故障类型和工作状态，实现对热网电机故障诊断；该方法实现了热网电机滚动轴承不同故障模式及程度的识别，与传统的逆向散布熵或层次熵的故障诊断方法相比，能够获取更全面、更丰富的轴承故障特征信息，识别精度得到了较大的提升。

主权项：1.一种基于层次逆向散布熵的热网电机故障诊断方法，其特征在于，包括以下步骤：步骤1，采集热网电机振动信号，利用加速度传感器采集热网电机正常工作状态时的振动信号，同时针对热网电机轴承内圈、外圈和滚珠上损伤直径不同的三种类型轴承故障，在电机的多个位置采集振动信号，分别对正常信号、内圈故障信号、外圈故障信号和滚动体故障信号四种轴承信号截取ts时长的数据作为原始信号，并将原始信号分成N个样本，每个样本的信号时长tNs，采样序列长度为L；对四类轴承信号进行归一化处理；步骤2，层次分解，对于不同健康状态下的轴承的N个样本信号均分解为k层，分解层数k需要设置合适，如果k过大，计算效率降低；如果k太小，则原始信号的频带不能有效划分；步骤3，提取不同状态下轴承信号的层次逆向散布熵HRDE特征，经层次分解后，每一层会分解成若干个节点信号，每个节点的逆向散布熵RDE的计算公式如下： 式中，x为初始时间序列，m为嵌入维数，表示色散模式，表明分配给嵌入向量的色散模式的数量除以嵌入维度为m的嵌入信号总数，如果m太小，信号中的动态变化就很难检测到，如果m太大，就不会注意到小的变化；参数c为类别个数，c可以影响分类，当c太小时，不同的特征可以被识别为一个类，当c太大时，相似的特征将被识别为不同的类，同时分布模式个数cm小于信号长度；d为尺度因子，通常情况下，d＝1，因为当d1时，关于频率的重要信息可能会丢失，计算完所有节点的逆向散布熵值后，将它们合并为原始特征，则层次逆向散布熵为：最终会得到不同样本信号的HRDE所构成的特征向量；步骤4，KNN分类器设计，对于每一类轴承信号，从步骤3得到的所有样本信号的HRDE的所构成的特征向量中，随机选取n个样本的特征向量作为KNN分类器的训练样本，剩余N－n个样本的特征向量作为分类器的测试样本；将训练样本的特征向量输入到基于KNN的多故障分类器进行训练，并采用已训练的KNN分类器对测试样本进行测试；步骤5，故障诊断，通过KNN分类，获得故障诊断结果。

全文数据：

权利要求：

百度查询： 西安理工大学 一种基于层次逆向散布熵的热网电机故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD