本发明涉及滚动轴承故障诊断，尤其涉及一种基于斜度熵和符号动力学熵的滚动轴承故障诊断方法。
背景技术：
1、滚动轴承是机械领域内一个重要的部件，在一些设备中起到承受轴向径向载荷并且提高旋转方面的精度。当然它是比较容易损坏的零件之一，对于某些设备来说故障停机的维护成本非常高，因此滚动轴承故障诊断技术越来越得到重视。当轴承发生故障时，产生的振动信号与正常信号不同，此时我们采集的振动信息中蕴含着大量的设备的状态信息。目前有很多学者针对振动信号的特征提取做了很多研究，提取合适的特征并识别相关模式对于故障诊断起着重要作用。熵作为一种特征提取最为重要的工具之一，大多数研究者利用样本熵、模糊熵、排列熵等做了大量有关故障诊断的研究。对于样本熵，其计算时间长，相似性度量容易发生变化。排列熵具有计算简单的优点，但它忽略了样本之间动态数列的幅度变化信息。模糊熵同样如此，虽然模糊熵是在样本熵基础上改进，但仍存在计算效率低等缺点。
2、在2019年，david cuesta-frau提出了一种新的时间复杂度计算方法被称之为斜度熵，斜度熵在排列熵的基础上进行改进，它利用五个字符反映样本之间的连续差异，这种方法完善了排列熵中无法评估动态数列幅值变化信息，并且将此方法首次应用在医学领域,在单特征下斜度熵的表征能力比排列熵计算效率更高。但是斜度熵中反映两个样本之间的幅值差异取决于α和β两个重要的参数。因此，需要利用目前已有的一些优化算法，先对α和β参数进行自适应优化，然后将得到的斜度熵用于故障特征提取。同时，由于现有单一尺度、单一方法提取滚动轴承故障信息存在局限性，为了提高故障识别率，有必要提供一种将双特征提取法应用于滚动轴承故障诊断中的方案，即一种基于斜度熵和符号动力学熵的滚动轴承故障诊断方法。
技术实现思路
1、本发明的目的在于提供一种基于斜度熵和符号动力学熵的滚动轴承故障诊断方法，以解决现有技术单一尺度、单一方法提取滚动轴承故障信息不全面，导致故障识别率低的问题，同时本发明在解决上述技术问题时，顺便解决了斜度熵参数选择困难，反映状态信息不全面的问题。
2、为达到上述目的，本发明采用以下技术方案予以实现：
3、一种基于斜度熵和符号动力学熵的滚动轴承故障诊断方法，包括以下步骤：
4、s1：得到一个轴承加速度信号，对应长度为n的时间序列x＝{x1,x2,…,xn}；
5、s2：不重叠划分每种故障样本数量若干；
6、s3：对划分的故障样本设定基本参数，嵌入维数m，时间延迟λ，符号数ε，α和β；采用麻雀搜索算法，以s_dbw作为自适应函数寻找最小值来确定斜度熵参数α和β；采用斜度熵和符号动力熵对所有样本分别进行特征提取；
7、s4：随机在特征提取后的样本中抽取50％作为训练集，余下的50％作为测试集；
8、s5：采用knn训练样本；
9、s6：测试knn；
10、s7：输出识别结果。
11、与现有技术相比，本发明具有以下有益效果：本发明基于斜度熵和符号动力学熵的滚动轴承故障诊断方法，将轴承中的故障信息通过不同的特征提取法进行表征，组合成为二维，来弥补单一尺度单一方法提取故障信息的缺陷。同时，为了极大的发挥斜度熵单一尺度下提取故障信息的能力，采用麻雀搜索算法设定一种自适应性优化准则，针对不同故障情况自适应选择参数，解决了斜度熵参数选择困难。在两种高效的单一尺度特征提取方法下，将其组合，更加高效识别故障。
12、本发明为了更加有效的划分斜度熵的参数α和β范围，利用麻雀搜索算法提出一种新的准则，优化斜度熵，使其产生的状态模式更加高效的反映故障信号的特征。采用k邻近作为分类器，将特征输送到分类器，准确识别出滚动轴承7种不同故障类型。
1.一种基于斜度熵和符号动力学熵的滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的故障诊断方法，其特征在于，在所述s3中，采用斜度熵对所有样本进行特征提取的步骤为：
3.根据权利要求1所述的故障诊断方法，其特征在于，在所述s3中，采用符号动力熵对所有样本进行特征提取的步骤为：
