一种滚动轴承声振信号故障诊断方法、系统及设备

1.本发明属于滚动轴承故障诊断分类技术领域，特别是涉及一种滚动轴承声振信号故障诊断方法、系统及设备。


背景技术：

2.滚动轴承是机械设备轴系支承的关键部件，其工作状态正常与否直接影响设备的运行。其表面的轻微缺陷就可能引发整个系统的运行故障，造成巨大的财产损失。机械设备中30％以上的故障是由于滚动轴承故障所致，传统的滚动轴承监测方法，多为固定寿命更换或定期安全检查，耗费人力物力，影响生产进程；智能维护方法利用先进的传感器和检测技术，获取设备的状态信息在线检测，根据建立的统计模型对设备的剩余寿命进行预测，不断更新设备剩余寿命，实现科学与经济维修。因此开展轴承状态检测和在线故障诊断对保障设备安全经济运行具有重要意义。
3.目前，针对轴承故障分类及状态监测多是基于振动传感器采集的振信号；滚动轴承早期故障特征十分微弱，且受传递路径和信号传播介质影响。微弱的故障信号特征不仅体现在振信号上，也体现在声辐射信号上，仅利用单一的振信号或者声信号，难以全面反映滚动轴承的真实运行状态，将声振信号各自诊断结果融合决策就很有意义。而声振信号的特征提取是轴承故障诊断的关键技术，它直接关系到诊断的准确性。有大量学者研究基于时域特征、频域特征的故障诊断方法。也有学者将时域、频域、时频域复合成混合域特征指标集作为训练故障分类器的原始数据集，试图全面反映故障信息，然而较多特征量的选取会造成模型计算难度增加、特征之间冗余严重的问题，导致故障识别的准确性降低、诊断时间加长。因此需要一种针对混合域高维故障特征指标敏感性的评估方法，剔除混合域特征集中的信息冗余和干扰特征，提取出对声、振信号敏感的特征。


技术实现要素：

4.本发明的目的在于提供一种滚动轴承声振信号故障诊断方法、系统及设备，通过将滚动轴承的声信号与振信号分别进行特征提取、特征选择、初步分别诊断以及融合决策，本发明提出的tsne-asc特征选择方法可以有效剔除滚动轴承复杂故障混合域特征集中的干扰特征，选择出声敏感特征和振敏感特征；本发明使用dsmt声振决策融合方法有效降低了单一振信号或者声信号带来的诊断不确定性，在变载荷和升降速非平稳工况下均有很高的诊断准确率。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.本发明提供一种滚动轴承声振信号故障诊断方法，所述方法包括：采集滚动轴承工作状态下的声信号和振信号；
7.分别提取所述声信号中的声敏感特征和所述振信号中的振敏感特征；
8.将所述声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将所述振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果；
9.在保留所述声信号诊断结果和所述振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配所述声信号诊断结果和所述振信号诊断结果，以获取融合诊断结果。
10.在本方案的一个可选的实施例中，所述声敏感特征通过如下方式进行选取：
11.所述声敏感特征通过如下方式进行选取：
12.获得所述滚动轴承在不同故障类型和不同工况下的声信号样本；
13.对每个所述声信号样本进行变分模态分解，以获得每个所述声信号样本的本征模态函数；
14.对获取每个所述本征模态函数的进行声信号特征提取，如所述信号特征包括时域特征和、非线性特征等时域特征和非线性特征；
15.对每个所述声信号时域特征及每个所述非线性特征分别构建特征集矩阵；
16.将每个所述特征集矩阵分别降维至二维，得到每个所述特征集矩阵的二维特征集矩阵；
17.计算各所述二维特征集矩阵的平均轮廓系数，并根据平均轮廓系数筛选出对声故障信号敏感的特征作为声敏感特征；
18.所述振敏感特征通过如下方式进行选取：
19.获得所述滚动轴承在不同故障类型和不同工况下的振信号样本；
20.对每个所述振信号样本进行变分模态分解，以获得每个所述振信号样本的本征模态函数；
21.对每个所述本征模态函数的进行振信号特征提取，所述信号特征包括时域特征和非线性特征；
22.对每个所述振信号特征分别构建特征集矩阵获取每个所述本征模态函数的时域特征和非线性特征；
23.对每个所述时域特征及每个所述非线性特征分别构建特征集矩阵；
24.将每个所述特征集矩阵分别降维至二维，得到每个所述特征集矩阵的二维特征集矩阵；
25.计算各所述二维特征集矩阵的平均轮廓系数，并根据平均轮廓系数筛选出对振故障信号敏感的特征作为振敏感特征。
26.在本方案的一个可选的实施例中，将全部所述特征集矩阵分别降维至二维，得到二维特征集矩阵的步骤包括，采用t分布随机邻近嵌入方法将全部所述特征集矩阵分别降维至二维，得到二维特征集矩阵。
27.在本方案的一个可选的实施例中，所述声敏感特征包括近似熵、样本熵、模糊熵、平均值、方差、峰值、峭度、均方根、裕度因子、脉冲系数和形状系数中的一个或者多个的组合。
28.在本方案的一个可选的实施例中，所述振敏感特征类型包括李氏指数、近似熵、样本熵、模糊熵、平均值、方差、峰值、峭度、均方根、波峰因子、裕度因子、脉冲系数和形状系数中的一个或者多个的组合。
29.在本方案的一个可选的实施例中，所述方法还包括对所述声敏感特征和所述振敏感特征进行故障诊断，分别得出声信号诊断结果和振信号诊断结果的步骤，包括：
30.获得所述滚动轴承在不同故障类型和不同工况下的声信号样本和振信号样本；
31.分别提取每个所述声信号样本的声敏感特征以构建声信号数据集，分别提取每个所述振信号样本的振敏感特征以构建振信号数据集；
32.分别利用所述声信号数据集和所述振信号数据集对所述声故障分类器及所述振故障分类器进行训练。
33.在本方案的一个可选的实施例中，所述故障类型包括正常轴承、外圈单点故障、内圈单点故障、滚子单点故障、外圈滚子复合故障、内圈滚子复合故障、外圈多点故障、内圈多点故障和滚子多点故障中的一个或多个的组合。
34.在本方案的一个可选的实施例中，所述在保留所述声信号诊断结果和所述振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配所述声信号诊断结果和所述振信号诊断结果，得出融合诊断结果的步骤，包括：
35.将所述声信号诊断结果和所述振信号诊断结果分别作为证据体，建立广义辨识框架；
36.根据所述广义辨识框架内的焦元，通过交和并运算，以得到超幂集；
37.根据所述广义辨识框架和所述超幂集，以获取所述广义辨识框架上的信度分配函数；
38.基于dsmt融合规则，将所述声信号诊断结果和所述振信号诊断结果作为识别框架元素的广义信度分配。
39.根据所述信度分配函数，得出融合诊断结果。
40.本方案还提供一种滚动轴承声振信号故障诊断系统，所述系统包括：
41.信号采集模块，用以采集滚动轴承工作状态下的声信号和振信号；
42.敏感特征分离模块，用以分别提取所述声信号中的声敏感特征和所述振信号中的振敏感特征；
43.初步诊断模块，用以将所述声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将所述振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果；
44.融合决策模块，用以在保留所述声信号诊断结果和所述振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配所述声信号诊断结果和所述振信号诊断结果，以获取融合诊断结果。
45.本方案还提供一种滚动轴承声振信号故障诊断设备，所述设备包括：
46.测试机，用于装载滚动轴承；
47.隔声罩，包裹所述测试机；
48.声音传感器，用于采集滚动轴承工作状态下的声信号；
49.振动传感器，用于采集滚动轴承工作状态下的振信号；
50.处理单元，用于接收所述声信号和所述振信号，并进行以下处理：
51.分别提取所述声信号中的声敏感特征和所述振信号中的振敏感特征；
52.将所述声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将所述振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果；
53.在保留所述声信号诊断结果和所述振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配所述声信号诊断结果和所述振信号诊断结果，以获取融合诊断结
果。
54.本方案在实施过程中包括但不限于以下技术效果：
55.(1)在保留声信号诊断结果和振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配声信号诊断结果和振信号诊断结果，得出融合诊断结果。解决了仅利用单一的振信号或者声信号，难以全面反映滚动轴承的真实运行状态的问题。
56.(2)将声信号和振信号中的冗余信息和干扰特征剔除掉，筛选出对声故障信号敏感的声敏感特征，以及对振故障信号敏感的振敏感特征。具有较好的区分性和辨识度，对故障诊断具有更高的诊断精度。
57.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
58.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1为本方案一种滚动轴承声振信号故障诊断方法的流程示意图。
60.图2为图1中步骤s2，即构建声振信号特征数据集以及特征选择的流程展开示意图。
61.图3为图1中步骤s3，即获取声信号诊断结果和获取振信号诊断结果的流程示意图。
62.图4为图1中步骤s4，即融合决策的流程展开示意图。
63.图5为本方案一种滚动轴承声振信号故障诊断系统的结构框图。
64.图6为本方案一种滚动轴承声振信号故障诊断设备的结构框图。
65.图7为振信号样本熵二维图示。
66.图8为振信号偏度二维图示。
67.图9为声信号样本熵二维图示。
68.图10为.声信号偏度二维图示。
69.图11为第一组声信号诊断结果图示。
70.图12为第一组振信号诊断结果图示。
71.图13为第二组声信号诊断结果图示。
72.图14为第二组振信号诊断结果图示。
73.图15为第三组声信号诊断结果图示。
74.图16为第三组振信号诊断结果图示。
75.图17为第四组声信号诊断结果图示。
76.图18为第四组振信号诊断结果图示。
77.图19为声信号非敏感特征诊断结果图示。
78.图20振信号非敏感特征诊断结果图示。
79.附图中，各标号所代表的部件列表如下：
80.11-信号采集模块；
81.12-敏感特征分离模块；
82.13-初步诊断模块；
83.14-融合决策模块；
84.21-测试机；
85.22-隔声罩；
86.231-第一声传感器，232-第二声传感器；
87.241-单向加速度振动传感器，242-三向加速度振动传感器；
88.25-处理单元。
具体实施方式
89.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
90.请参阅图1至20。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
91.为了解决解决仅利用单一的振信号或者声信号，难以全面反映滚动轴承的真实运行状态的问题，本实施例公开了一种滚动轴承声振信号故障诊断方法，采集滚动轴承工作状态下的声信号和振信号；根据tsne-asc特征选择方法分别提取声信号中的声敏感特征和振信号中的振敏感特征；将声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果；在保留声信号诊断结果和振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配声信号诊断结果和振信号诊断结果，以获取融合诊断结果。其中，图1示出了本发明的滚动轴承声振信号故障诊断方法的流程示意图。
92.现将结合图1来对本实施例滚动轴承声振信号故障诊断方法各步骤s1至s4作具体说明。
93.首先执行步骤s1、采集滚动轴承工作状态下的声信号和振信号，其中，通过声音传感器采集滚动轴承的声信号，声音传感器可以由第一声传感器231和第二声传感器232组成双通道。通过振动传感器采集滚动轴承的振信号，振动传感器由一个单向加速度振动传感器241和两个三向加速度振动传感器242组成。
94.接着，执行步骤s2、分别提取声信号中的声敏感特征和振信号中的振敏感特征。请参阅图2所示，步骤s2可进一步包括：声敏感特征通过如下方式进行选取(步骤s21)，和振敏感特征通过如下方式进行选取(步骤s22)，最终获得声敏感特征和振敏感特征(步骤s23)。
95.步骤s21可进一步包括：
96.步骤s211、获得滚动轴承在不同故障类型和不同工况下的声信号样本。
97.步骤s212、对每个声信号样本进行变分模态分解，以获得每个声信号样本的本征模态函数(imf)，根据谱相关系数法确定vmd(变分模态分解)的分解层数k。具体方法如下：
根据式(1)计算各imf的谱相关系数：
98.ρ1，ρ2，...，ρk，其中ρi(1＜i＜k)为其最小值，若ρi＜ε(ε为设定的阈值)，则k-1为最小分解层数；否则令k＝k 1，重复上述循环直至满足ρi＜ε确定最小分解层数k。其中：|pk|为原始信号傅里叶变换的模。|q|为第k个imf分量的傅里叶变换的模。
[0099][0100]
本方案的vmd分解层数k可以是8，即每个样本分解成8个imf。
[0101]
步骤s213、对每个本征模态函数进行声信号特征提取。声信号特征可以是包括时域特征和非线性特征。统计各imf的时域特征的类型：平均值，方差，峰值，峭度，均方根，波峰因子，裕度因子，脉冲系数，形状系数，偏度。对各imf进行相空间重构，根据互信息法和最近邻法分别确定嵌入维数和时间延迟，在重构后的相空间计算各imf的非线性特征的类型：最大李雅普诺夫指数(李氏指数)、关联维数、近似熵、模糊熵和样本熵。
[0102]
步骤s214对每个声信号特征分别构建特征集矩阵，各特征集矩阵形式为(9
×
100)
×
8。
[0103]
步骤s215、将每个特征集矩阵分别降维至二维，得到每个特征集矩阵的二维特征集矩阵。流形学习方法作为一种模式识别的基本方法，广泛应用在故障诊断中。它通过从高维数据中映射低维流形结构，有效实现数据降维、数据可视化等。t分布随机邻近嵌入(t-distributed stohastic neighbor embedding，tsne)是一种非线性、非参数的流行学习方法，它对于高维数据的聚类效果一般优于主成分分析(principal component analysis，pca)方法。其基本思想是将原始高维空间的数据点映射到低维空间，同时保持相互之间的概率分布不变，高低维之间的距离度量转变为概率度量，使两个分布之间的kl散度最小化，得到低维空间的样本分布。即tsne将高维数据集降至低维，若数据集在低维分类效果好，则原始高维数据也具有很好的分类效果。换而言之，即是把高位矩阵映射到t分布上，当然在本方案的其他应用中，也可以映射到其它正态分布上，只要能够实现高维矩阵的二维展开，并且保持概率分布不变且相对熵最小，均属于本方案的保护范围。当采用t分布方案的时候，tsne算法基本步骤如下：
[0104]
假设高维数据集序列x＝{x1，x2，...xn}，n表示原始数据的维数，则高维数据点xi和xj之间的相似条件概率分布为p
f|i
：
[0105][0106]
式中：σi是以xi为中心的高斯方差，由预先给定的困惑因子和二分搜索确定。
[0107]
计算高维空间2个数据点xi与xj的联合概率密度p
ij
[0108][0109]
在低维空间中，利用自由度为1的t分布替换高斯分布，降维到低维空间中的数据点的联合概率分布为yn(其中n≤n，n为降维后的数据维数)：
[0110][0111]
利用kl散度(kullback-leibler divergences)度量降维前后数据点之间分布相似性，得到代价函数：
[0112][0113]
为保证降维前后得到的概率分布相似性最大化，采用梯度下降法最优化kl散度，梯度如下：
[0114][0115]
使用梯度下降法优化代价函数时，引入一个相对较大的动量加速优化的过程，在梯度搜素迭代过程中，将当前的梯度加到上一迭代梯度指数衰减和中，更新规则为：
[0116][0117]
其中y
(t)
表示第t次迭代得到的解，学习率η，以及第t次迭代的动量项
[0118]
经过上述算法处理后，得到全部特征集矩阵降维后的二维特征集矩阵。步骤s24，分别计算全部二维特征集矩阵的平均轮廓系数，若平均轮廓系数大于0，则分别对应标记为声敏感特征和振敏感特征。也就是将t分布随机邻近嵌入(t-distributed stohastic neighbor embedding，tsne)方法与计算平均轮廓系数(asc/average silhouette coefficient)的方法进行结合，有效剔除滚动轴承复杂故障混合域特征集中的干扰特征，有效降低了诊断的不确定性，在变载荷和升降速非平稳工况下均有很高的诊断准确率。
[0119]
步骤s216、计算各二维特征集矩阵的平均轮廓系数，并根据平均轮廓系数筛选出对声故障信号敏感的特征作为声敏感特征。本方案中的轮廓系数(silhouette coefficient)，是聚类效果好坏的一种评价方式。所有样本的si的均值称为聚类结果的平均轮廓系数。它结合内聚度和分离度两种因素。计算步骤如下：
[0120]
1)计算样本i到同簇其他样本的平均距离ai，本文采用平方欧式距离。
[0121]ai
越小，说明样本i越应该被聚类到该簇。将ai称为样本i的簇内不相似度。
[0122]
2)计算样本i到其他某簇cj的所有样本的平均距离b
ij
，称为样本i与簇cj的不相似度。
[0123]
定义样本i的簇间不相似度：bi＝min{b
i1
，b
i2
，...b
ik
}，bi越大，说明样本i越不属于其他簇。
[0124]
3)根据样本i的簇内不相似度ai和簇间不相似度bi，定义样本i的轮廓系数：
[0125][0126]
则
[0127]
[0128]
si∈[-1，1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0129]
si接近1，则说明样本i聚类合理；si接近-1，则说明样本i应该分类到另外的簇。若si近似为0，则说明样本i在两个簇的边界上。所有样本的si的均值称为聚类结果的平均轮廓系数(asc)，asc是该聚类是否合理、有效的度量。
[0130]
当0＜msc≤1，说明聚类合理，asc值越大说明聚类越合理。
[0131]
当-1≤msc＜0，说明聚类不合理，asc值越小说明聚类越不合理。
[0132]
本方案以asc值是否大于0为判据进行特征选择，最终筛选出声敏感特征。
[0133]
步骤s22中对振敏感特征的提取，具体包括：
[0134]
步骤s221、获得滚动轴承在不同故障类型和不同工况下的振信号样本。
[0135]
步骤s222、对每个振信号样本进行变分模态分解，以获得每个振信号样本的本征模态函数。
[0136]
步骤s223、获取每个本征模态函数的振信号特征，振信号特征可以是时域特征和非线性特征。
[0137]
步骤s224、对每个信振号特征分别构建特征集矩阵。
[0138]
步骤s225、将每个特征集矩阵分别降维至二维，得到每个特征集矩阵的二维特征集矩阵。
[0139]
步骤s226、计算各二维特征集矩阵的平均轮廓系数，并根据平均轮廓系数筛选出对振故障信号敏感的特征作为振敏感特征。
[0140]
步骤s221至步骤s226的具体建模和计算方法与步骤s211至步骤s216相同。
[0141]
再接着，执行步骤s3、将声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果。请参阅图3所示，进一步可包括步骤s31至s33。
[0142]
步骤s31、获得滚动轴承在不同故障类型和不同工况下的声信号样本和振信号样本。
[0143]
步骤s32、分别提取每个声信号样本的声敏感特征以构建声信号数据集，分别提取每个振信号样本的振敏感特征以构建振信号数据集。
[0144]
步骤s33分别利用声信号数据集和振信号数据集对声故障分类器及振故障分类器进行训练。
[0145]
再接着，执行步骤s4、在保留声信号诊断结果和振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配声信号诊断结果和振信号诊断结果，以获取融合诊断结果。请参阅图4所示，进一步可包括步骤s41至步骤s44。
[0146]
步骤s41、将声信号诊断结果和振信号诊断结果分别作为证据体，建立广义辨识框架。本方案中的识别框架为完备元素组成的非空有限集合
[0147]
θ＝{θ1，θ2，...θn}，并且需要说明的是，本方案中由声信号诊断结果和振信号诊断结果作为两个证据体，建立识别框架θ。
[0148]
步骤s42、根据广义辨识框架内的焦元，通过交和并运算，以得到超幂集。根据θ生成超幂集。超幂集d
θ
定义为广义辨识框架θ中的全部元素及相应的∩和∪组合产生的新元素构成的集合。由此可得
[0149]
φ，θ1，θ2，...θn∈d
θ
，若θ1，θ2，∈d
θ
，则θ1∪θ2，∈d
θ
。
[0150]
步骤s43、根据广义辨识框架和超幂集，以获取广义辨识框架上的信度分配函数。假设在辨识框架θ中，存在一组映射满足：
[0151]
m(φ)＝0且则称m(a)为a在广义辨识框架θ上的信度分配函数。
[0152]
步骤s44、基于dsmt融合规则，根据信度分配函数，得出融合诊断结果。融合规则如下：
[0153]
设m1(
·
)，m2(
·
)，...，mk(
·
)分别表示k个不同独立信息源提供的广义信度分配函数，则关于k个独立信息源的融合规则为：
[0154][0155]
由公式(11)看出，本方案所采用的dsmt理论从原理上在辨识框架中计算了相应的冲突信息，使各证据的信度分配更具合理性。本方案中的上述内容能解决冲突信息的信度分配问题，但由于在融合决策中引入了交运算，使融合结果分类众多，融合判决变得复杂。为简化融合决策运算，需将某些奇异结果进行再分配。可以认为冲突信息的产生源于辨识框架中有明确决策的单焦元，冲突大小与本身的置信指派成正比，由此可将每次组合后的冲突信息按单焦元的置信指派进行再分配。对两元素的pcr5冲突再分配公式为：
[0156][0157]
其中：y∈d
θ
/{φ}由式(10)看出，x，y之间的冲突信度由信源1中的x与信源2中的y产生冲突与信源1中的y与信源2的x产生的冲突两部分组成。pcr5分别将这两部分冲突信度依照x，y原有信度值的比例关系分配到x，y的组合信度上。本方案中的信源1和信源2分别代表声信号和振信号。x和y分别代表根据声信号和振信号产生的声信号诊断结果和振信号诊断结果。最终得出融合诊断结果，并且产生结果的速度快。
[0158]
请参阅图5所示，本方案还提供一种滚动轴承声振信号故障诊断系统，包括信号采集模块11、敏感特征分离模块12、初步诊断模块13以及融合决策模块14。信号采集模块11用以采集滚动轴承工作状态下的声信号和振信号采集滚动轴承的声信号和振信号。敏感特征分离模块12，用以分别提取声信号中的声敏感特征和振信号中的振敏感特征分别根据声敏感特征类型和振敏感特征类型，在声信号中分离出对声故障信号敏感的声敏感特征，以及在振信号中分离出对振故障信号敏感的振敏感特征。初步诊断模块13，用以将声敏感特征输入到训练好的声故障分类器以获取声信号诊断结果，将振敏感特征输入到训练好的振故障分类器以获取振信号诊断结果对声敏感特征和振敏感特征进行故障诊断，分别得出声信号诊断结果和振信号诊断结果。融合决策模块14，用以在保留声信号诊断结果和振信号诊断结果冲突信息的基础上，采用冲突比例重分配规则重新分配声信号诊断结果和振信号诊断结果，以获取融合诊断结果。
[0159]
请参阅图6所示，本方案还提供一种滚动轴承声振信号故障诊断设备，包括测试机21、隔声罩22、声音传感器231、232、振动传感器241、242以及处理单元25。测试机21用于装载测试滚动轴承，测试机罩上隔声罩22，隔声罩22可以由高密度板制成，内侧附吸声材料。声音传感器231、232可以由第一声传感器231和第二声传感器232组成双通道，固定在隔声罩22内部，通过声音传感器231、232采集滚动轴承的声信号。通过振动传感器241、242采集滚动轴承的振信号，振动传感器241、242由一个单向加速度振动传感器241和两个三向加速
度振动传感器242组成。处理单元25接收声信号和振信号后，进行上述的滚动轴承声振信号故障诊断方法，得到融合诊断结果。
[0160]
为得到滚动轴承不同的故障类型数据，对滚动轴承进行不同损伤点的加工。内圈采用激光加工，外圈和滚子采用线切割加工。根据滚动轴承损伤位置和损伤程度的不同，现将滚动轴承试验数据分为9类故障类型，并构建不同故障类型的类别标签。9类故障具体参数描述见表1所列。还可以设置有其它故障类型，比如我是外圈单点，外圈多点设置的是外圈两处故障，外圈多点设置成外圈三处故障，这些属于外圈多点故障的范畴，都属于本方案的保护范围。
[0161]
表1滚动轴承故障参数
[0162][0163]
本试验采集不同故障类型的振信号和声信号，采样频率为20480hz。根据滚动轴承转速和施加径向载荷的不同，分别采集轴承在载荷3kn和4kn下，转速分别为2000r/min、3000r/min、4000r/min稳定转速和2000～4000～2000r/min升降转速的运行工况下的滚动轴承的声信号和振信号，各工况的描述见表2所列。各工况下每种故障类型的声信号和振信号各采集100个样本，每个样本长度为1024个采样点。
[0164]
表2工况参数
[0165][0166]
获得在多种故障类型和多种工况下的声信号和振信号的多个样本，对每个样本进
行变分模态分解，获得每个样本的本征模态函数。获取全部本征模态函数的时域特征和非线性特征，各本征模态函数的时域特征：平均值，方差，峰值，峭度，均方根，波峰因子，裕度因子，脉冲系数，形状系数，偏度；对各本征模态函数进行相空间重构，根据互信息法和最近邻法分别确定嵌入维数和时间延迟，在重构后的相空间计算各本征模态函数的非线性特征：最大李雅普诺夫指数(李氏指数)、关联维数、近似熵、模糊熵和样本熵。分别构建全部时域特征和非线性特征的特征集矩阵。将全部特征集矩阵分别降维至二维，得到二维特征集矩阵。分别计算全部二维特征集矩阵的平均轮廓系数，若平均轮廓系数大于0，则分别对应标记为声敏感特征和振敏感特征。
[0167]
部分特征集二维空间聚类如图7、8、9、10所示。可以看出，各故障类型的样本熵具有很好的区分度，可以作为故障诊断分类的敏感特征。偏度没有良好的辨识度，作为非敏感特征。
[0168]
计算降维后的各特征集矩阵的平均轮廓系数(asc)，如表3和表4所示。asc大于0的特征为敏感特征，asc小于0的为非敏感特征。
[0169]
表3.振信号特征集平均轮廓系数
[0170][0171][0172]
表4.声信号特征集平均轮廓系数
[0173][0174]
振敏感特征类型包括：李氏指数、近似熵、样本熵、模糊熵、平均值、方差、峰值、峭度、均方根、波峰因子、裕度因子、脉冲系数、形状系数，共13个。非敏感特征为关联维数和偏度。
[0175]
声敏感特征类型包括：近似熵、样本熵、模糊熵、平均值、方差、峰值、峭度、均方根、裕度因子、脉冲系数、形状系数，共11个。非敏感特征为：李氏指数、关联维数、波峰因子、偏度。在进行故障诊断过程中，分别根据声敏感特征类型和振敏感特征类型，在声信号中分离出对声故障信号敏感的声敏感特征，以及在振信号中分离出对振故障信号敏感的振敏感特
征，用于进行故障诊断。
[0176]
请参阅图1至4、11至18所示，以声敏感特征和振敏感特征分别构建声信号数据集和振信号数据集，并划分训练集、验证集以及测试集，振信号各工况数据集形式是900
×
(8
×
13)，声信号各工况数据集形式是900
×
(8
×
11)，基于支持向量机故障诊断分类。
[0177]
第一组以工况1、2、3、4的数据集随机90％为训练集，采用5折交叉验证(本文均采用五折交叉验证)，10％为测试集，进行故障诊断。
[0178]
第二组以载荷为3kn下的工况1、2、3、4的数据集为训练集，以载荷为4kn下的工况5、6、7、8的数据集为测试集，跨载荷故障诊断。
[0179]
第三组以平稳转速下的工况5、6、7的数据集为训练集，以升降速工况8的数据集为测试集，进行故障诊断。
[0180]
第四组以平稳转速工况5、6、7的数据集为训练集，跨载荷以升降速工况4的数据集为测试集，进行故障诊断。
[0181]
声振信号诊断结果混淆矩阵如图11至18所示。
[0182]
如图4所示，步骤s4，在保留声信号诊断结果和振信号诊断结果冲突信息的基础上，将声振初级诊断结果转换为各故障模式的广义信度分配，得出融合诊断结果，融合后的各类型故障诊断准确率如表5所示。
[0183]
表5.融合决策诊断准确率
[0184][0185]
四组故障诊断分类准确率如表6所示，第一组训练集和测试集工况相同，第二组训练集和测试集工况是载荷不同，第三组的训练集和测试集工况分别是稳态转速和升降转速，第四组训练集和测试集工况是载荷不同，且训练集是稳态转速。测试集是升降转速。第二、三、四组在不同载荷、不同转速及不同载荷与转速工况下，声振融合后的诊断准确率均达到99％以上，具有很高的诊断精度。其中声信号诊断准确率在90％以上，其诊断准确率比振信号稍低是因为声信号受环境噪声干扰所致。
[0186]
表6.四组故障诊断准确率
[0187][0188]
请参阅图1至4、19、20所示，为验证tsne-asc特征选择方法能有效区分敏感特征和非敏感特征。使用工况1、2、3、4下的非敏感特征数据集作对比试验，基于支持向量机实现故障诊断，数据集随机90％作为训练集，10％为测试集。声振信号非敏感特征故障诊断结果混淆矩阵如图19和图20所示，声振诊断准确率只有81.9％和62.5％。对比试验证明了本方案中tsne-asc特征选择方法的有效性。
[0189]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。