1.一种基于精细时移多尺度注意熵的故障诊断方法,其特征在于:包括以下步骤:步骤S1、信号采集:利用安装在滚动轴承上的高灵敏度加速度传感器,获取关键部件在正常状态以及故障状态下的振动信号,故障状态包括外圈微弱故障、滚动体微弱故障、内圈微弱故障、内圈中度故障、内圈严重故障;外圈故障位置包括负载区、垂直于负载区、远离负载区;以10-12 kHz的采样频率采集轴承振动信号,振动信号采集过程严格遵循标准化的采集频率和数据精度要求,并将采集到的每一条原始振动信号随机分割为若干个数据长度一致、彼此间不重叠的独立样本;
步骤S2、特征提取:基于精细时移多尺度注意熵提取样本的故障特征,计算每个样本在一定尺度因子下的熵值,形成特征向量矩阵;步骤包括:步骤S21、精细时移粗粒化过程:设尺度因子,通过逐步移动窗口对信号进行分段处理;
步骤S22、注意熵计算:首先进行关键模式提取,在每段样本中提取局部极大值与极小值,并记录其位置;再依据统计的极值间隔分布计算各尺度下粗粒化时间序列的注意熵值;
步骤S23、多尺度熵特征融合:将不同尺度下的注意熵进行组合,直到尺度因子达到最大尺度因子,得到精细时移多尺度注意熵集合,形成特征向量矩阵;
步骤S3、故障诊断:选取轻量级分类器,将提取出的多尺度注意熵特征向量与对应的标签作为输入进行训练,构建故障诊断模型;轻量级分类器包括K-近邻、支持向量机、极限学习机、逻辑回归、BP神经网络、决策树、随机森林、朴素贝叶斯中的一种;
将测试集中的特征向量输入训练好的分类器,实现对滚动轴承关键部件不同健康状态的自动识别与分类。
2.根据权利要求1所述的一种基于精细时移多尺度注意熵的故障诊断方法,其特征在于:步骤S2中精细时移多尺度注意熵的计算步骤如下:步骤S21、精细时移粗粒化过程:对于时间序列,xi为第i个时间点的信号数据,设尺度因子为,通过逐步移动窗口对信号进行分段处理即多尺度粗粒化,过程表达为:;
其中,为尺度因子,为尺度的粗粒化序列,N为原始时间序列的长度;
步骤S22、注意熵计算:首先进行关键模式定义,确定信号的极值点,其中包括局部极大值点与局部极小值点;利用极值点构成关键模式集合,记录关键模式位置,以此作为注意熵计算的基础,设信号为,提取所有局部极值,构成关键模式集合为,其中每个为局部极值对应原始序列中的位置索引;
对于每个粗粒化序列,计算关键模式间的间隔,并统计各个间隔出现的频率,得到相应的概率分布;基于关键模式间隔的统计规律,计算每个粗粒化序列的注意熵值,表示尺度因子为时进行精细时移粗粒化处理后的第个序列,得到个粗粒序列的熵值,并形成注意熵与尺度因子的函数如下式:;
其中,AE(τ)为尺度下的注意熵值,为尺度下第个间隔的出现概率,τmax为最大尺度因子;
由上式,定义精细时移多尺度注意熵为RTSMAE(x,τ),公式为:;
式中,表示尺度因子为时进行精细时移粗粒化处理后的第个序列,为最大尺度因子,为原始时间序列信号;
步骤S23、多尺度熵特征融合:将不同尺度下获得的注意熵进行组合,直到达到最大尺度因子;得到的集合如下式:;
得到的多尺度注意熵特征向量为。