The invention discloses a method for diagnosing early weak faults of rolling bearings based on wavelet transform and depth learning. The method includes: firstly, the vibration signal of rolling bearing is acquired, and the time-frequency image is obtained by continuous wavelet transform; then, the noise interference is filtered and the periodic fault components are extracted by autocorrelation operation of the corresponding wavelet coefficients of each frequency in the time-frequency image; and then the envelope demodulation is performed by Hilbert transform. Finally, the processed time-frequency map is input as the feature map, and the early fault classification is judged by training depth learning classification model. Theoretical and experimental results show that the classification model combined with improved wavelet time-frequency diagram as input training can make very accurate judgment of fault types in the early stage of weak fault of rolling bearings, and can give correct judgment results when used in different bearings. Good practical application value.
【技术实现步骤摘要】
基于小波变换和深度学习的滚动轴承微弱故障诊断方法
本专利技术属于机械设备信号处理领域,具体涉及一种滚动轴承早期微弱故障的诊断方法。
技术介绍
滚动轴承是旋转机械中应用最广泛最关键的零件之一,它的运行状态往往决定了整机的性能,任何轻微故障都会对设备运行稳定性产生很大影响,甚至会导致安全隐患并造成重大经济损失。若能在故障早期阶段提取出轴承微弱的故障信号,对信号进行分析处理并及时给出准确的诊断结果,可以使得维修人员能够针对故障制定有效且合理的维修计划,从而延长设备寿命,极大地降低故障所带来的危害。因此,针对滚动轴承早期微弱故障的诊断研究不仅具有重要的理论意义,更有很好的实际应用价值。滚动轴承出现局部损伤时,每当滚动体和滚道在损伤部位接触,便会产生一个冲击并激起系统结构自身的高频振动,这个周期性的冲击就是故障诊断的重要特征。现有的滚动轴承故障诊断方法主要利用离散小波或小波包、经验模态分解和希尔伯特-黄变换等方法,将采集的振动信号分解为从高频到低频的不同频带分量,在每个分量上提取如相关系数、峭度、能量或熵等多种可以表征周期性故障冲击存在的特征,将不同分量上提取的特征整理成特征向量或特征矩阵输入BP(BackPropagation,反向传播)神经网络、SVM(SupportVectorMachine)支撑向量机等网络模型中进行训练,利用训练好的模型对故障进行诊断。然而在轴承的早期故障期间,特别是微弱的故障诊断中,轴承的局部缺陷和损伤很小,所引起的冲击振动非常微弱,在不同频带分量上提取到的故障特征容易被转频和设备运行的各种噪声掩盖,而且离散小波或小波包变换以及经验模态分 ...
【技术保护点】
1.一种基于小波变换和深度学习的滚动轴承微弱故障诊断方法,其特征在于:包括以下步骤:1)获取滚动轴承在不同状态下的振动信号;2)对采集的振动信号进行连续小波分解、去噪和解调处理,得到改进的小波时频图;3)将改进的小波时频图作为分类模型的特征输入,训练分类模型;4)使用训练好的分类模型对滚动轴承的故障类别进行判断。
【技术特征摘要】
1.一种基于小波变换和深度学习的滚动轴承微弱故障诊断方法,其特征在于:包括以下步骤:1)获取滚动轴承在不同状态下的振动信号;2)对采集的振动信号进行连续小波分解、去噪和解调处理,得到改进的小波时频图;3)将改进的小波时频图作为分类模型的特征输入,训练分类模型;4)使用训练好的分类模型对滚动轴承的故障类别进行判断。2.根据权利要求1所述的滚动轴承微弱故障诊断方法,其特征在于:所述步骤1)中,滚动轴承的不同状态包括正常状态、外圈故障状态、内圈故障状态、滚珠体故障状态。3.根据权利要求1所述的滚动轴承微弱故障诊断方法,其特征在于:所述步骤2)具体包括以下步骤:21)利用Morlet连续小波变换对获取的滚动轴承振动信号进行分解,得到连续小波时频图;22)对时频图上每个频率对应的小波系数进行自相关运算,滤除噪声干扰并提取出周期性的故障冲击成分;23)在每个频率上对步骤22)得到的自相关函数进行Hilbert变换,求得自相关函数的包络,对包络再进行傅里叶变换求得包络的功率谱,得到改进的小波时频图。4.根据权利要求3所述的滚动轴承微弱故障诊断方法,其特征在于:所述步骤21)中连续小波分解使用的计算公式为:其中,CWTx(a,b)表示连续小波变换时频图;x(t)为采集的振动信号;a为尺度因子,表示与频率相关的伸缩;b为平移因子;ψ(t)表示基小波,是基小波经过位移和伸缩产生的族函数,称为小波基函数,t表示时间;基小波选用Morlet小波,其形式为:其中,σ为形状系数;f0为中心频率;i表示虚部。5.根据权利要求3所述的滚动轴承微弱故障诊断方法,其特征在于:所述步骤22)中自相关运算的计算公式为:其中,Rcc(τ)为小波系数c(t)的自相关函数,τ为延迟时间,T为信号观测时长;小波时频图中,当某个频率存在周期性的故障冲击时,沿着时间轴,其对应的小波系数c(t)由周期性的故障冲击信号s(t)和非周期的噪声信号n(t)组成,将c(t)=s(t)+n(t)带入公式(3),计算可得:将公式(4...
【专利技术属性】
技术研发人员:章雒霏,张铭,
申请(专利权)人:成都昊铭科技有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。