一种旋转机械轴承的故障诊断方法技术

本发明专利技术公开了一种旋转机械轴承的故障诊断方法，首先对原始信号进行小波包分解，并提取小波包分解后的前一半小波系数进行重构得到重构信号集；接着分别在时域上和频域上对重构信号提取相应的特征值，利用BP神经网络进行模式识别，获取故障分类的权重值；再利用D‑S证据理论将时域与频域获得的故障分类权重值进行融合，获取最终融合的结果；最后选取融合结果中的最大值作为故障诊断的决策判断结果，得到机组诊断的最终结果。本发明专利技术提供的旋转机械轴承的故障诊断方法，不仅故障诊断的准确率得到了很大的提高，而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类，比独自进行时域和频域分析效果都要好，可以提高故障分类的准确率和稳定性。

A fault diagnosis method for rotating mechanical bearings

The invention discloses a fault diagnosis method for rotating mechanical bearings. Firstly, the original signal is decomposed by wavelet packet, and the reconstructed signal sets are reconstructed by extracting the first half wavelet coefficients of the wavelet packet decomposition. Then the corresponding eigenvalues are extracted in the time domain and the frequency domain respectively, and the BP neural network is used to get the corresponding eigenvalues. The weight value of the fault classification is obtained by line pattern recognition, and then the D S evidence theory is used to fuse the fault classification weight values obtained in the time domain and frequency domain to obtain the final fusion results. Finally, the maximum value of the fusion results is selected as the decision decision result of the fault diagnosis, and the final result of the unit diagnosis is obtained. The fault diagnosis method of the rotating mechanical bearing provided by this invention has not only greatly improved the accuracy rate of fault diagnosis, but also can judge, diagnose and predict the different kinds of faults in the rotating machinery bearing. It is better than the time domain and frequency domain analysis results alone, and can improve the accuracy and stability of the fault classification. Qualitative.

【技术实现步骤摘要】
一种旋转机械轴承的故障诊断方法
本专利技术涉及一种故障诊断方法，特别是涉及一种旋转机械轴承的故障诊断方法，属于工业旋转机械故障诊断

技术介绍
随着科学技术的不断发展，旋转机械在石化、工业等领域中应用非常广泛，且对企业起到了关键性的作用。然而，由于旋转机械长期的运转，轴承极其容易造成不同程度的损害，产生各种故障类型。当轴承故障达到一定的程度，如果不能及时发现并加以维修，可能会造成机械不必要的停机，不但影响企业的经济效益，重要的会发生安全事故。因此，为了更好的判定与区分旋转机械轴承的故障类型，提高故障诊断的可靠性、准确性和精确性，提供一种新的故障诊断方法是有益之举。
技术实现思路
本专利技术的主要目的在于，克服现有技术中的不足，提供一种旋转机械轴承的故障诊断方法，可有效解决现有机械设备故障诊断存在难分辨、精度不高等问题。为了达到上述目的，本专利技术所采用的技术方案是：一种旋转机械轴承的故障诊断方法，包括以下步骤：1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi，并将振动信号Xi采集汇总为原始信号X＝[X1,X2,…,Xi]，其中，1≤i≤N，N为数据点数；2)对原始信号X进行小波包分解，且分解尺度为n，n≥1；3)提取原始信号X经小波包分解后的前一半小波系数将该前一半小波系数Y的2n-1个低频信号采用小波包分解重构算法进行重构，获得重构信号集4)在时域上利用BP神经网络获取时域分析结果；4-1)进行时域分析，将重构信号集S进行时域特征值提取；重构信号集S中的每个重构信号均提取7个时域特征值，7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7；4-2)将提取的7个时域特征值分别归一化至[-1，1]，归一化后获得时域分析轴承故障特征向量；4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的时域分析基本概率分布PAp，1≤p≤k，A表示时域分析，k为故障种类数；4-4)将获取的时域分析基本概率分布PAp归一化至[0，1]，归一化后获得时域归一化后概率PAAp；5)在频域上利用BP神经网络获取频域分析结果；5-1)进行频域分析，对重构信号集S进行频域特征值提取；对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换，得到对应的频谱图；对频谱图的频域信号提取7个频域特征值，7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7；5-2)将提取的7个频域特征值分别归一化至[-1，1]，归一化后获得频域分析轴承故障特征向量；5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的频域分析基本概率分布PBp，1≤p≤k，B表示频域分析；5-4)将获取的频域分析基本概率分布PBp归一化至[0，1]，归一化后获得频域归一化后概率PBBp；6)通过D-S证据理论对时域分析结果与频域分析结果进行融合，计算出归一化常数K的结果，并计算出融合分析概率分布PZp，1≤p≤k，Z表示融合分析；7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果，并依据该决策判断结果进行有无故障及故障种类的判断。本专利技术进一步设置为：所述振动传感器安装在靠近变速箱进油口的变速箱箱体上。本专利技术进一步设置为：所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。本专利技术进一步设置为：所述小波包分解重构算法，具体为，设为小波包族，为小波包的子空间族，j为子空间序列表示小波分析时的尺度变化，j≥1；则的表达式为其中，为小波信号，l＝1,2,…,z，z为波形的震荡次数，z≥1，un(2jt-1)为子空间族，2j为空间尺度变化，t为时域时间变化；由公式求出与则其中，pc-2l为低频信号，uc-2l为高频信号，l为任意自然数；由公式求出与则其中，hl-2c为高频系数，gl-2c为低频系数。本专利技术进一步设置为：所述7个时域特征值的表达式具体为，波形指标脉冲指标裕度指标峰值指标T4＝max|Xi|，峭度指标均方根指标偏度指标其中，Xm是X的平均值，max|Xi|为时域的峰值指标。本专利技术进一步设置为：所述将提取的7个时域特征值分别归一化至[-1，1]所采用的归一化转换表达式为，y＝2*(x-MinValue)/(MaxValue-MinValue)-1；其中，x为归一化转换前的时域特征值，y为归一化转换后的值，MaxValue为7个时域特征值中的最大值，MinValue为7个时域特征值中的最小值。本专利技术进一步设置为：所述时域归一化后概率PAAp的表达式为，本专利技术进一步设置为：所述7个频域特征值的表达式具体为，平均信号功率指标平均频率指标信号平均能量指标标准化能量方差指标频谱最大值指标F5＝Max|Xi|，方差系数指标标准化信号功率倒数指标其中，Xm是X的平均值，Max|Xi|为频谱最大值指标。本专利技术进一步设置为：所述频域归一化后概率PBBp的表达式为，本专利技术进一步设置为：所述计算出归一化常数K的结果，具体为，设机械轴承的识别框架为Ω，引入新的信任度函数对于识别框架Ω上的v个mass函数m1,m2,…,mv的Dempster合成规则为，则归一化常数K为，其中，A为命题代表的名称，v为自然数，1≤v≤ψ，ψ为识别框架包含数目，Av为第v个对应的命题。与现有技术相比，本专利技术具有的有益效果是：首先对原始信号进行小波包分解，并提取小波包分解后的前一半小波系数进行重构得到重构信号集；接着分别在时域上和频域上对重构信号提取相应的特征值，利用BP神经网络进行模式识别，获取故障分类的权重值；再利用D-S证据理论将时域与频域获得的故障分类权重值进行融合，获取最终融合的结果；最后选取融合结果中的最大值作为故障诊断的决策判断结果，得到机组诊断的最终结果。本专利技术提供的旋转机械轴承的故障诊断方法，不仅故障诊断的准确率得到了很大的提高，而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类，从而减少企业不必要的损失，避免安全事故的发生。上述内容仅是本专利技术技术方案的概述，为了更清楚的了解本专利技术的技术手段，下面结合附图对本专利技术作进一步的描述。附图说明图1为本专利技术一种旋转机械轴承的故障诊断方法的流程图；图2为本专利技术一种旋转机械轴承的故障诊断方法中小波分解的示意图；图3为本专利技术一种旋转机械轴承的故障诊断方法中BP神经网络结构图。具体实施方式下面结合说明书附图，对本专利技术作进一步的说明。本专利技术提供一种旋转机械轴承的故障诊断方法，如图1所示，包括以下步骤：1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi，并将振动信号Xi采集汇总为原始信号X＝[X1,X2,…,Xi]，其中，1≤i≤N，N为数据点数。所述振动传感器优选安装在靠近变速箱进油口的变速箱箱体上，所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。2)对原始信号X进行小波包分解，且分解尺度为n，n≥1。小波分解的示意图本文档来自技高网...

【技术保护点】
1.一种旋转机械轴承的故障诊断方法，其特征在于，包括以下步骤：1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi，并将振动信号Xi采集汇总为原始信号X＝[X1,X2,…,Xi]，其中，1≤i≤N，N为数据点数；2)对原始信号X进行小波包分解，且分解尺度为n，n≥1；3)提取原始信号X经小波包分解后的前一半小波系数

【技术特征摘要】
1.一种旋转机械轴承的故障诊断方法，其特征在于，包括以下步骤：1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号Xi，并将振动信号Xi采集汇总为原始信号X＝[X1,X2,…,Xi]，其中，1≤i≤N，N为数据点数；2)对原始信号X进行小波包分解，且分解尺度为n，n≥1；3)提取原始信号X经小波包分解后的前一半小波系数将该前一半小波系数Y的2n-1个低频信号采用小波包分解重构算法进行重构，获得重构信号集4)在时域上利用BP神经网络获取时域分析结果；4-1)进行时域分析，将重构信号集S进行时域特征值提取；重构信号集S中的每个重构信号均提取7个时域特征值，7个时域特征值分别为波形指标T1、脉冲指标T2、裕度指标T3、峰值指标T4、峭度指标T5、均方根指标T6和偏度指标T7；4-2)将提取的7个时域特征值分别归一化至[-1，1]，归一化后获得时域分析轴承故障特征向量；4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的时域分析基本概率分布PAp，1≤p≤k，A表示时域分析，k为故障种类数；4-4)将获取的时域分析基本概率分布PAp归一化至[0，1]，归一化后获得时域归一化后概率PAAp；5)在频域上利用BP神经网络获取频域分析结果；5-1)进行频域分析，对重构信号集S进行频域特征值提取；对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换，得到对应的频谱图；对频谱图的频域信号提取7个频域特征值，7个频域特征值分别为平均信号功率指标F1、平均频率指标F2、信号平均能量指标F3、标准化能量方差指标F4、频谱最大值指标F5、方差系数指标F6和标准化信号功率倒数指标F7；5-2)将提取的7个频域特征值分别归一化至[-1，1]，归一化后获得频域分析轴承故障特征向量；5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的频域分析基本概率分布PBp，1≤p≤k，B表示频域分析；5-4)将获取的频域分析基本概率分布PBp归一化至[0，1]，归一化后获得频域归一化后概率PBBp；6)通过D-S证据理论对时域分析结果与频域分析结果进行融合，计算出归一化常数K的结果，并计算出融合分析概率分布PZp，1≤p≤k，Z表示融合分析；7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果，并依据该决策判断结果进行有无故障及故障种类的判断。2.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述振动传感器安装在靠...

【专利技术属性】
技术研发人员：林水泉，吕运容，宋昊，胡勤，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东,44