一种基于深度学习的轴承状态识别方法及系统技术方案

本发明专利技术涉及故障诊断技术领域，具体涉及一种基于深度学习的轴承状态识别方法及系统，所述方法为：首先根据轴承的物理参数确定轴承的特征频率，所述特征频率包括：滚动轴承外圈故障特征频率、滚动轴承内圈故障特征频率、滚动体故障特征频率、保持架故障特征频率；接着获取轴承的振动信号，实时判断轴承的振幅是否偏离阈值范围；当轴承的振幅在阈值范围内时，根据所述轴承的当前运行频率与所述特征频率的偏离度进行状态识别，得出轴承的当前状态，本发明专利技术能够实时、准确的进行轴承状态识别。

A method and system of bearing state recognition based on deep learning

【技术实现步骤摘要】
一种基于深度学习的轴承状态识别方法及系统
本专利技术涉及故障诊断
，具体涉及一种基于深度学习的轴承状态识别方法及系统。
技术介绍
滚动轴承在旋转机械中应用最为广泛，同时也是最易损坏的元件之一。旋转机械的许多故障都与滚动轴承有关，轴承的工作好坏对机械的工作状态有很大影响，其缺陷会导致设备产生异常振动和噪声，严重时甚至损坏设备。对滚动轴承进行正确的状态监测及诊断，是现代化企业的设备优化管理及预知维修的一个重要方面。滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成，内圈的作用是与轴相配合并与轴一起旋转；外圈作用是与轴承座相配合，起支撑作用；滚动体是借助于保持架均匀的将滚动体分布在内圈和外圈之间，其形状大小和数量直接影响着滚动轴承的使用性能和寿命；保持架能使滚动体均匀分布，引导滚动体旋转起润滑作用。滚动轴承的故障现象一般表现为轴承温度过高、轴承噪音和轴承磨损。大部分的轴承故障不易察觉，只有出现机器高温、跳动幅度大、异响等情况时，才会引起察本文档来自技高网...

【技术保护点】
1.一种基于深度学习的轴承状态识别方法，其特征在于，包括：/n根据轴承的物理参数确定轴承的特征频率，所述特征频率包括：滚动轴承外圈故障特征频率、滚动轴承内圈故障特征频率、滚动体故障特征频率、保持架故障特征频率；/n获取轴承的振动信号，实时判断轴承的振幅是否偏离阈值范围；/n当轴承的振幅在阈值范围内时，根据所述轴承的当前运行频率与所述特征频率的偏离度进行状态识别，得出轴承的当前状态。/n

【技术特征摘要】
1.一种基于深度学习的轴承状态识别方法，其特征在于，包括：
根据轴承的物理参数确定轴承的特征频率，所述特征频率包括：滚动轴承外圈故障特征频率、滚动轴承内圈故障特征频率、滚动体故障特征频率、保持架故障特征频率；
获取轴承的振动信号，实时判断轴承的振幅是否偏离阈值范围；
当轴承的振幅在阈值范围内时，根据所述轴承的当前运行频率与所述特征频率的偏离度进行状态识别，得出轴承的当前状态。


2.根据权利要求1所述的一种基于深度学习的轴承状态识别方法，其特征在于，所述根据轴承的物理参数确定轴承的特征频率，具体为：
获取轴承中旋转轴的转频fn、轴承节径D、滚动体直径d、滚动体个数z、滚动轴承的接触角α；
通过以下公式计算滚动轴承外圈故障特征频率
通过以下公式计算滚动轴承内圈故障特征频率
通过以下公式计算滚动体故障特征频率
通过以下公式计算保持架故障特征频率


3.根据权利要求2所述的一种基于深度学习的轴承状态识别方法，其特征在于，所述获取轴承的振动信号，实时判断轴承的振幅是否偏离阈值范围，具体为：
获取轴承的振动信号，以轴承的振动周期作为时间段，对进行分段，提取每段振动信号的峰值；
根据每段振动信号的峰值计算振动信号的平均峰值和均方根值；
根据平均峰值和均方根值得出振动信号的峰值因子；
当峰值因子小于1.5时，判定轴承的振幅在阈...

【专利技术属性】
技术研发人员：张彩霞，王向东，胡绍林，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东;44