基于小波变换和深度学习的滚动轴承微弱故障诊断方法技术

技术编号:18729542 阅读:36 留言:0更新日期:2018-08-22 02:12
本发明专利技术公开了一种基于小波变换和深度学习的滚动轴承早期微弱故障的诊断方法。该方法包括:首先获取滚动轴承振动信号,对采集的振动信号进行连续小波变换得到时频图;然后,对时频图上每个频率对应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成分;再利用Hilbert变换进行包络解调获取故障特征频率;最后,将处理后的时频图作为特征图输入,通过训练深度学习分类模型对早期故障的类别进行判断。理论和实验结果证明,结合改进的小波时频图作为输入训练的分类模型在滚动轴承产生微弱故障的早期就能够对故障的类别进行非常准确的判断,在不同的轴承上使用时也能给出正确的判断结果,训练的速度也很快,具有非常好的实际应用价值。

Fault diagnosis method of rolling bearing based on wavelet transform and deep learning

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解等频带划分方法离散间隔太大过于粗糙,也会影响故障特征的提取,在早期的微弱故障诊断中难以取得理想的效果。
技术实现思路
专利技术目的:为了克服现有技术的不足,本专利技术提出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,能够对早期轴承故障中微弱的周期性冲击成分进行有效提取并且进行快速准确的故障识别分类。技术方案:为了实现以上目的,本专利技术所述的基于小波变换和深度学习的滚动轴承微弱故障诊断方法包括以下步骤:1)获取滚动轴承在不同状态下的振动信号,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。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,具体包括:21)利用连续Morlet小波变换对采集的信号样本进行分解得到连续小波变换时频图;22)对时频图上每个频率对应的小波系数进行自相关运算,得到小波系数的自相关函数,通过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)对小波系数的自相关函数进行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,得到改进后的小波时频图。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。其中分类模型采用基于深度学习的神经网络模型,具体为卷积神经网络(convolutionneuralnetwork,CNN)模型。并且将改进的小波时频图分为训练集样本和验证集样本,使用训练集对CNN模型进行训练,使用验证集对网络模型进行调参,得到训练好的CNN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。将待分类的振动信号按照步骤2的处理得到改进的小波时频图,输入到训练好的CNN模型中,CNN模型给出对应的故障类别。有益效果:与现有技术相比,本专利技术具有以下有益效果:1、本专利技术采用连续小波变换来分解信号,与离散小波和小波包变换相比,连续小波变换具有很好的时频分辨率和瞬态检测能力,在时域和频域同时具有良好的局部化性质,能够对信号的细节进行精确刻画,非常适合于对早期轴承故障中微弱的周期性冲击成分进行提取。利用连续小波变换分解信号得到的小波时频图能够准确地反映出滚动轴承早期故障中微弱的周期性冲击成分发生的时刻。2、在连续小波时频图的基础上,本专利技术进一步通过自相关运算滤除了大量的非周期噪声信号,将对故障类别判断起决定性作用的微弱周期性故障冲击成分提取了出来,降低了环境噪声对故障检测的影响,使得深度网络模型在微弱故障上的检测精度和速度有了大幅度的提升。3、本专利技术采用CNN模型,它是一种含有多个隐层的深度学习网络模型,能够通过训练实现自动对滚动轴承的微弱故障特征进行学习,不需要人为对故障特征进行选择;并且与BP神经网络和SVM支撑向量机等浅层网络相比,CNN模型对复杂特征的学习表达能力更强,运算速度更快,对非线性模式识别有很强的分类能力,其自动化程度、准确性以及泛化能力都要更高。4、本专利技术结合改进的小波时频图作为输入,使CNN模型能够在滚动轴承产生微弱故障的早期对故障类别进行非常准确的判断,在不同的轴承上使用时也能给出正确的判断结果,训练的速度也很快,具有非常好的实际应用价值。在测试集上的正确率达到了97%以上,具有很好的泛化性,使得微弱故障检测在实际生产中的应用成为了可能。附图说明图1为本专利技术方法的流程图;图2为根据本专利技术实施例的正常、内圈故障、外圈故障、滚珠体故障的时域振动信号示意图;图3为根据本专利技术实施例的训练集、验证集、测试集的构建示意图;图4为根据本专利技术实施例的外圈故障的Morlet连续小波时频图;图5为根据本专利技术实施例的外圈故障小波时频图中4kHz和500Hz频率沿着时间轴对应的小波系数示意图;图6为根据图5的小波系数经自相关运算后的得到的结果图;图7为滚动轴承在不同状态下的改进小波时频图;图8为本专利技术使用的CNN模型的结构图;图9为三种不同算法的故障诊断正确率对比图。具体实施方式下面结合附图对本专利技术的技术方案作进一步说明。本专利技术提供了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,如图1所示,该方法包括以下步骤:步骤1、数据获取准备200个型号为NSK-6304的滚动轴承,其中50个为正常轴承,50个为内圈故障轴承,50个为外圈故障轴承,50个为滚珠体故障轴承。三种故障轴承是使用雕刻机分别在相应轴承的内圈、外圈和滚动体上以人为方式制造轻微的划痕得到,以模拟滚动轴承的早期故障。利用振动加速度传感器以16kHz的采样频率分别采集各种滚动轴承在600r/min转速下的振动加速度信号,采集的信号在时域上的波形如图2所示。从图中可以看出,故障早期,振动信号中反映故障特征的周期性冲击成分非常微弱,被转频和噪声掩盖,在时域中无法直接观测到故障特征的存在,需要对振动信号进一步的处理。步骤2、样本划分在处理之前,为了适应后续分类模型的训练,先将信号数据进行划分,分为训练集、测试集和验证集。参照图3,将每种类别对应的50个轴承中,选取30个作为训练轴承,余下的20个中9个作为验证集,11个作为测试集,每个轴承采集总长为1min的振动信号,将这1min的信号划分为60个1s的等长段落x(t),每一段作为一个样本,每种类别的样本数和对应标签如表1所示。表1不同故障类别的样本数及对应标签步骤3、特征提取分别对训练集样本、验证集样本和测试集样本进行特征提取,得到改进后的小波时频图作为分类模型的特征输入,主要包括如下步骤:步骤31)采用Morlet连续小波变换对训练集、验证集和测试集中采集的振动信号x(t)进行分解,得到连续小波变换时频图CWTx(a,b),计算公式如下:本文档来自技高网
...

【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

网友询问留言 已有0条评论
  • 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。

1