旋转设备滚动轴承故障噪声诊断算法制造技术

本发明专利技术公开了一种旋转设备滚动轴承故障噪声诊断算法，首先拾音器采集滚动轴承的运行噪声信号，信号通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判；其次根据故障预判结果，异常信号(有故障发生)通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而正常信号(无故障发生)直接接入特征提取模块；特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；最后将特征信号输入改进的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现高准确率的故障类型诊断。本发明专利技术能够有效地检测轴承故障，并保持较高的故障识别准确率，对轴承故障的检测和分类具有较好的有效性和鲁棒性。

Fault and Noise Diagnosis Algorithms for Rolling Bearings of Rotating Equipment

【技术实现步骤摘要】
旋转设备滚动轴承故障噪声诊断算法
本专利技术涉及一种轴承故障分类的方法，具体涉及一种旋转设备滚动轴承故障噪声诊断算法。
技术介绍
轴承是旋转机械运行中常易出现故障的主要部件之一。由于机械运行中轴承出现的磨损、转向、老化等，会对整个系统运行造成严重的后果，不仅会给企业造成巨大的经济损失，还会危及员工的生命安全甚至会对周围的生态环境造成危害。因此，轴承的健康状况直接关系到机械的安全与系统的有效运行，一些轴承故障导致的后果可能是灾难性的，需要在早期能够及时检测和诊断出这些故障。机械设备在运行时会产生噪声，相比于振动信号，噪声信号当中同样包含着由丰富的信号组成的能够反映设备健康状态的信息，噪声信号还可以通过非接触式的方式获取，不会给设备造成任何损伤，而且在高温、高湿度、高腐蚀等特殊环境也可以实施，安全方面也有保障。因此，噪声诊断特别适用于非接触测量场合。大部分轴承故障检测方法都是基于传感器采集信号分析，采集的原始信号包括健康状态和故障状态时的信号。由于故障状态信号总是叠加在健康状态信号之上，因此剥离设备健康状态信号后的异常信息的特征在理论上应比单纯依据异常信息的特征在分类精度上更优。与单个分本文档来自技高网...

【技术保护点】
1.一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；S2：根据故障预判结果，有故障发生时，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而无故障发生时，正常信号直接接入特征提取模块；S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；S4：把特征信号输入改进后的两级支持向量机...

【技术特征摘要】
1.一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，包括以下步骤：S1：将传感器采集到的轴承运行噪声信号作为轴承状态监测信号，通过基于异常检测算法的轴承正常、异常预分类模型进行故障初判，预先区分正常、异常信号；S2：根据故障预判结果，有故障发生时，异常信号通过神经网络滤波器，滤除轴承信号中正常成分，输出的净异常信号接入后续特征提取模块，而无故障发生时，正常信号直接接入特征提取模块；S3：特征提取模块提取信号的美尔倒谱系数(MFCC)作为特征向量，并利用梯度提升决策树(GBDT)进行特征重构，形成复合特征向量，再利用主成分分析(PCA)对特征进行降维；S4：把特征信号输入改进后的两级支持向量机(SVM)集成分类器进行训练与测试，最终实现故障类型的判别诊断。2.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S1中基于高斯混合模型建立轴承正常、异常预分类模型，并利用Gibbs采样生成故障样本。通过对正常样本集和故障样本集建立边界模型，根据待测样本落入的边界区域，判定其为正常样本或异常样本。3.根据权利要求1所述的一种旋转设备滚动轴承故障噪声诊断算法，其特征在于，所述的步骤S2中将预分类后的异常信号输入到线性神经网络滤波器中，输出与输入之间的关...

【专利技术属性】
技术研发人员：王刚，蒋晗晗，赵小虎，赵志凯，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32