一种基于随机共振与自动编码器的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于随机共振与自动编码器的滚动轴承故障诊断方法，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果。本发明专利技术利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器对预处理后的轴承进行信号分类，实现故障诊断，故障诊断正确率高达96%。

A Fault Diagnosis Method for Rolling Bearing Based on Stochastic Resonance and Automatic Encoder

The invention discloses a fault diagnosis method for rolling bearings based on stochastic resonance and automatic encoder. Firstly, a fault diagnosis model of rolling bearings is established. When diagnosing, the vibration signals of rolling bearings are collected, and the vibration signals of rolling bearings are input into the fault diagnosis model of rolling bearings, and the fault diagnosis results of rolling bearings are obtained. The invention utilizes genetic algorithm to select and optimize multiple parameters of stochastic resonance system in parallel, and adaptively filters the stochastic resonance system which matches the input signal best, thus overcoming the shortcoming of parameter selection of SR method. Then, the signal of the pre-processed bearing is classified by stacked automatic encoder, and the fault diagnosis is realized. The correct rate of fault diagnosis is as high as 96%.

【技术实现步骤摘要】
一种基于随机共振与自动编码器的滚动轴承故障诊断方法
本专利技术涉及机械设备故障诊断
，具体说是一种基于随机共振与自动编码器的滚动轴承故障诊断方法。
技术介绍
随着工业机械化的快速发展，机械设备的功率、效率也不断提高，设备工作状态也变得复杂多变，给故障诊断造成很多困难。滚动轴承因其在承载能力强、摩擦系数小等方面的优势被广泛应用于机械工业等领域，与此同时它也是旋转机械中最易损坏的部件之一。此外，轴承微弱故障信号特征不明显且易受噪声和人为干扰等因素影响，检测困难。若能尽早诊断出轴承故障并修复，能够有效降低安全隐患与经济损失。因此滚动轴承微弱特征提取一直是机械故障诊断领域的研究热点之一。传统微弱信号检测方法大多通过抑制与消除噪声以提高信噪比，如经验模式分解、小波变换等。尽管上述方法在故障诊断中展现了良好的特性，但降低噪声的同时不可避免的削弱了特征信号，会对微弱故障的诊断效果造成影响。随机共振(StochasticResonance,SR)理论由意大利学者Benzi等提出，与传统方法相比SR能够将部分噪声信号的能量转移到微弱特征信号上，降低噪声的同时增强微弱信号特征，实现了强噪背景下的早期微弱信号检测。SR受到绝热近似理论影响，当驱动信号频率逐渐增大时，信号谱峰会远离噪声能量集中的低频区域，使得粒子在势阱间跃迁时缺乏噪声能量的支持，最终无法通过随机共振将噪声能量转移给信号。因此，SR理论通常只能检测频率较低的信号，严重影响SR方法在工业应用中的普及。近年部分学者对随机共振方法做了一些优化，这些方法只考虑到对单一参数进行优化，却忽略了参数间的交互作用，未能将随机共振方法对微弱信号提取的能力完全发挥。此外，对于随机共振提取的微弱故障信号，也缺少在实际工程诊断中验证。
技术实现思路
本专利技术的目的是针对上述现有技术中的不足，提供一种基于随机共振与自动编码器的滚动轴承故障诊断方法。本专利技术的目的是通过以下技术方案实现的：一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号。步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取。步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果。步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。本专利技术进一步设计方案中，步骤1中采集了轴承振动信号后，采用变尺度方法对轴承振动信号进行预处理。本专利技术进一步设计方案中，步骤2中使用遗传算法对随机共振系统参数进行寻优的具体步骤为：步骤a，初始化种群参数；设定种群规模、染色体长度与进化次数，对随机共振系统参数的取值范围使用二进制编码方法进行映射。步骤b，计算父代种群适应度；父代个体解码后的随机共振系统参数值赋予随机共振系统，计算压缩后信号经随机共振后的输出信号，将输出信号的信噪比SNR作为适应度函数；SNR计算方式为SNR＝10lg(S/N)。其中S为信号能量，N为噪声能量，当随机共振系统参数最优时，信噪比最大。步骤c，筛选子代个体，采用轮盘赌选择法对父代个体进行选择，使得适应度越高的个体被选中的概率越大，然后将选中的个体做交叉、变异操作，得到子代个体。步骤d，种群进化寻优；子代个体作为下一代的父代个体，重复步骤b～c，直到适应度函数收敛或达到最大的迭代次数，获得最优参数。步骤e，将最优参数代入随机共振系统，实现滚动轴承微弱故障信号的增强与提取。本专利技术进一步设计方案中，步骤4中诊断正确率的期望值为96％以上。本专利技术具有以下突出的有益效果：本专利技术的基于随机共振与自动编码器的滚动轴承故障诊断方法，首先，通过遗传算法寻找用于AGSR特征提取的最优参数；然后，将轴承信号输入参数优化后的AGSR系统，进行微弱故障特征的提取；最后，将提取的特征输入搭建好的SAE网络进行训练，网络训练完成后输入测试集，对诊断精度进行验证。使用美国凯斯西储大学轴承数据中心的4类滚动轴承早期故障数据对算法进行验证。实验结果表明，提出方法能够有效的提取故障特征且故障诊断精度高。本专利技术提出基于自适应遗传随机共振(AdaptiveGeneticStochasticResonance,AGSR)滚动轴承微弱故障诊断方法，利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器(StackedAutoencoder,SAE)对预处理后的轴承进行信号分类，实现故障诊断。为验证实验效果，以西储大学轴承振动数据为研究对象，验证AGSR方法提取特征的故障诊断性能。通过试验轴承早期故障诊断的工程应用，验证了自适应随机共振新方法的有效性和实用性。本专利技术的基于随机共振与自动编码器的滚动轴承故障诊断方法的滚动轴承微弱故障诊断正确率高达96％。附图说明图1为基于AGSR的轴承故障诊断方法流程图。图2为双稳函数势阱图。图3为滚动轴承不同状态振动波形图。图4为加噪后轴承外圈故障的振动波形图。图5为SR方法处理后的外圈故障振动波形图。图6为AGSR方法处理后的外圈故障振动波形图。图7为AGSR方法处理后的外圈故障频谱图。图8为堆叠自动编码器网络结构图。具体实施方式下面结合附图及实施例对本专利技术作进一步说明:实施例1本专利技术的基于随机共振与自动编码器的滚动轴承故障诊断方法的流程图见附图1。为了验证AGSR算法提取特征的效果，本专利技术在采用美国凯斯西储大学轴承数据中心的轴承故障数据进行分析，对各种故障状态下的滚动轴承振动信号进行分析。故障诊断实验台由电动机、扭矩传感器、功率测试器和电器控制装置组成，传感器安装于驱动端轴承座上方。驱动端轴承型号为SKF6205，轴承使用电火花技术加工单点损伤，在轴承内圈、外圈与滚动体上设置一个直径0.178mm的点蚀，采样频率为48kHz。试验中使用的4种轴承状态见表1。表中列举了试验中使用的4种故障状态的样本数量及其在自动编码器训练时对应的二进制标签。该传动系统模拟了在多故障、大样本条件下的滚动轴承健康状况，具有一定的实用性。表1轴承4种状态2.对振动信号首先使用AGSR算法提取特征。SR系统通常由非线性双稳系统、输入信号与噪声三个要素组成，系统输出可由Langevin方程描述：式中U(x)为非线性系统，s(t)为输入的周期信号，n(t)是零均值高斯白噪声。系统势函数为：其中a，b为双稳系统的结构参数，满足a>0，b>0。本文采用四阶龙格库塔本文档来自技高网...

【技术保护点】
1.一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号；步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取；步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果；步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。

【技术特征摘要】
1.一种基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果，建立所述滚动轴承故障诊断模型具体包括以下步骤：步骤1，分类采集已知故障的滚动轴承的工作运转时的轴承振动信号；步骤2，建立随机共振系统，使用遗传算法对随机共振系统参数进行寻优，以随机共振后输出的信噪比作为遗传算法的适应度函数，将最优参数代入随机共振系统实现滚动轴承故障信号的提取；步骤3，建立SAE网络模型，根据实际数据大小确定SAE网络模型参数网络深度、各层神经元数量和学习率；再依据不同的任务需求设定合适的代价函数及其优化策略；然后，将提取的信号使用傅里叶变换转为频域信号，频域信号归一化后输入SAE网络中进行逐层训练，SAE网络训练结束后输出网络诊断结果；步骤4，输入测试数据对网络诊断效果进行验证，根据输出结果判断正确率是否达到期望值，如果诊断正确率未达到期望值，则修改SAE网络模型参数重新进行SAE网络训练，直至输出结果的正确率达到期望值。2.根据权利要求1所述的基于随机共振与自动编码器的滚动轴承故障诊断方法，其特征在于，步骤1中采集...

【专利技术属性】
技术研发人员：赵晓平，周子贤，王逸飞，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32