本发明属于旋转机械故障诊断，具体涉及一种基于非同步熵的滚动轴承早期故障检测方法。
背景技术：
1、旋转机械已被广泛应用于多个领域。旋转机械在使用过程中，其零部件会产生退化，进而引起故障的出现。研究表明：滚动轴承是旋转机械系统中最易损坏的零部件之一。滚动轴承故障不但降低了旋转机械的工作效率和工作性能，而且可能导致整个旋转机械系统的损坏，甚至造成严重的人员伤亡事故。滚动轴承早期故障检测技术可以在故障初期将其检测出来，进而为下一步故障诊断或容错控制的实施提供依据，从而规避故障以及其造成的危害。因此，滚动轴承早期故障检测已引起研究人员和工程师的广泛关注。
2、目前，为了可靠地检测滚动轴承早期故障并规避其危害，多种滚动轴承早期故障检测方法已被提出。但是，这些检测方法的早期故障辨识精度还需进一步提高。基于熵的检测方法已被证明是有效地早期故障检测方法。熵能够刻画非线性信号的复杂度。当滚动轴承出现早期故障时，相应的故障频率会出现在振动信号中。尽管这些故障频率的幅值相对较小，故障频率的出现仍会导致振动信号的动力特性改变，从而引起振动信号熵的变化。因此，根据振动信号熵值的变化可以识别早期故障。现有研究中，有应用分数阶散布熵来刻画滚动轴承的早期故障，尽管这种方法可以识别滚动轴承早期故障，但是需要对信号进行相空间重构。目前，尚无标准方法来确定相空间重构的时间延迟和嵌入维数。不合适的时间延迟和嵌入维数会降低滚动轴承早期故障检测的可靠性。也有研究将滑动散布熵作为故障特征。滑动散布熵同样需要事先确定相空间重构的时间延迟和嵌入维数。因此，基于滑动散布熵的故障检测方法也不能可靠地检测故障，尤其对变转速旋转机械。
3、滚动轴承的正常工作信号可以分为两部分：正常振动成分和噪声成分。正常振动成分也可被看作同步于转速的同步成分。不正常工作信号除了包含正常振动成分和噪声成分外还包含故障成分。故障成分可以被看作不同步于转速的非同步成分。故障检测的核心工作就是检测出信号中出现的故障成分(或非同步成分)。从故障信号中的成分可以看出，正常振动成分(或同步成分)和噪声成分均会影响基于熵技术的故障检测。为了消除噪声成分对故障诊断的影响，一些研究人员设计了基于符号模糊熵(symbolic fuzzy entropy，sfe)的旋转机械故障诊断方法。该方法采用符号动态滤波技术减小了噪声对早期故障诊断的影响，并降低了计算复杂度。虽然，基于sfe的旋转机械故障诊断方法能够检测一些早期故障，但是，在同步成分的影响下，该方法可能无法可靠地完成滚动轴承早期故障的检测工作。为了能够可靠地检测滚动轴承早期故障，有必要减小信号中正常振动成分和噪声成分对早期故障检测的影响。申请者通过文献调研发现，目前尚未发现考虑该问题的滚动轴承早期故障检测方法。针对该问题，本发明专利提供了一种基于非同步熵的滚动轴承早期故障检测方法，力图可靠地检测滚动轴承早期故障。
技术实现思路
1、发明目的：本发明提供一种基于非同步熵的滚动轴承早期故障检测方法，能够可靠地检测滚动轴承早期故障。
2、技术方案：本发明所述的一种基于非同步熵的滚动轴承早期故障检测方法，具体包括以下步骤：
3、(1)确定同步数据获取的采样频率、相空间重构的时间延迟τ和嵌入维数m、相似容度阈值r以及故障阈值t；
4、(2)利用振动传感器和转速传感器采集同步振动数据；
5、(3)根据预先设定的时间延迟τ和嵌入维数m，将同步振动数据进行相空间重构；
6、(4)利用中心化处理方法对相空间中每个m维向量中心化处理；
7、(5)计算中心化处理后相空间中所有m维向量数据的二阶矩；
8、(6)基于中心化处理后的相空间，计算各轨道之间的距离；
9、(7)基于二阶矩和相空间中各m维向量之间的距离，计算所有m维向量之间的相似度；
10、(8)重复步骤(3)至(7)，将同步振动数据重构为(m+1)维的相空间，对(m+1)维相空间中每个m维向量中心化处理；计算(m+1)维相空间中所有(m+1)维向量数据的二阶矩；计算中心化处理后各(m+1)维向量之间的距离及各(m+1)维向量之间的相似度；
11、(9)计算非同步熵nse；
12、(10)基于计算所得非同步熵nse和设定的故障阈值t来识别滚动轴承早期故障，如果非同步熵nse大于阈值t，则认为滚动轴承早期故障已出现，反之滚动轴承为正常状态。
13、进一步地，步骤(1)所述的时间延迟τ根据旋转轴每转运行的周期设定；所述嵌入维数m根据滚动轴承早期故障特征确定。
14、进一步地，所述步骤(2)实现过程如下：
15、将旋转轴的转速作为参考信号，同步获取滚动轴承工作过程中的振动数据；转速计用于测量旋转轴转速信号，获取的滚动轴承工作过程中振动数据为位移数据、速度数据或者加速度数据；获得的同步数据表示为：
16、y＝{y(1),y(2),…,y(i),…,y(km)}
17、其中，m为每转采集点的个数，k为采集信号的总转数。
18、进一步地，所述步骤(3)实现过程如下：
19、根据步骤(1)中设定的时间延迟τ和嵌入维数m对同步振动数据进行相空间重构其中，m维嵌入向量表示为：
20、
21、进一步地，所述步骤(4)实现过程如下：
22、针对相空间中每个m维向量，利用中心化处理方法对其进行中心化处理，确保每维向量的均值为0；因此，嵌入向量被中心化为：
23、
24、其中，为嵌入向量的均值，如下式所示：
25、
26、进一步地，所述步骤(5)实现过程如下：
27、计算中心化处理后相空间中所有m维向量数据二阶矩的均值如下式所示：
28、
29、其中，代表着中心化处理后相空间中第i个m维向量数据二阶矩，如下式所示：
30、
31、其中，代表中心化处理后第i个m维向量中的第(k-1)个数据。
32、进一步地，所述步骤(6)实现过程如下：
33、针对中心化处理后相空间中的m维向量，计算m维向量和之间的相互距离：
34、
35、其中，和分别代表相空间中第i个和j个中心化处理后的m维向量。
36、进一步地，所述步骤(7)实现过程如下：
37、根据计算所得相空间中各m维向量之间的相互距离计算相空间中各m维向量之间的相似度：
38、
39、其中，n为相似容限边界的梯度，r为相似容度阈值。
40、进一步地，步骤(8)所述相空间各(m+1)维向量之间的相似度为：
41、
42、进一步地，所述步骤(9)实现过程如下：
43、根据计算所得相似度和计算非同步熵nse，如下式所示：
44、nse＝ln(φ(m))-ln(φ(m+1))
45、其中：
46、
47、
48、当非同步熵较大时，说明信号复杂度较高，非同步成分明显，滚动轴承为故障状态；反之，则说明信号的复杂度较低，非同步成分不明显或缺失，滚动轴承为正常状态。
49、有益效果：与现有技术相比，本发明的有益效果：本发明提出的非同步熵在识别滚动轴承早期故障时，消除了同步成分和部分噪声对早期故障检测的影响，突出了信号中故障成分(非同步成分)对熵的影响；本发明根据旋转轴每转运行的周期确定相空间重构的时间延迟，根据故障特征确定相空间重构的嵌入维数，因此，非同步熵能够自适应于旋转机械的旋转速度；基于非同步熵的滚动轴承早期故障检测方法能够有效地检测滚动轴承早期故障出现；与传统的熵相比，所设计的非同步熵对滚动轴承早期故障较敏感，并且能够消除主轴转速变化对旋转机械轴承早期故障检测的影响；另外，与传统的模糊熵相比，所需的计算复杂度较小。
1.一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，步骤(1)所述的时间延迟τ根据旋转轴每转运行的周期设定；所述嵌入维数m根据滚动轴承早期故障特征确定。
3.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(2)实现过程如下：
4.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(3)实现过程如下：
5.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(4)实现过程如下：
6.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(5)实现过程如下：
7.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(6)实现过程如下：
8.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(7)实现过程如下：
9.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，步骤(8)所述相空间各(m+1)维向量之间的相似度为：
10.根据权利要求1所述的一种基于非同步熵的滚动轴承早期故障检测方法，其特征在于，所述步骤(9)实现过程如下：
