【技术实现步骤摘要】
一种滚动轴承故障诊断方法
本专利技术属于故障预测与健康管理领域,具体涉及一种滚动轴承故障诊断方法。
技术介绍
滚动轴承是应用非常广泛的机械通用零部件,主要功能为对轴进行支撑,滚动轴承保持良好的工作状况,对机械设备的安全运行非常重要。因此,对滚动轴承的故障类型和故障严重程度进行准确的诊断,是保证机械正常运行的基础。现有的滚动轴承故障诊断方法多采用卷积神经网络模型进行诊断,需要对滚动轴承的不同故障类型分别建立诊断模型,实际应用中需要先判断故障类型,再根据故障类型选择对应的模型来诊断故障严重程度,操作复杂,运算量大,效率较低,从而影响机械设备的故障诊断效率。
技术实现思路
本专利技术的目的在于提供一种能够高效准确的对滚动轴承的故障类型和故障严重程度同时进行诊断的一种滚动轴承故障诊断方法。本专利技术的一种滚动轴承故障诊断方法,通过训练多任务卷积神经网络模型,用滚动轴承的振动信号对滚动轴承故障类型和故障严重程度进行诊断,包括以下步骤:S1.取10个同样型号的滚动轴承,其中1个轴承无故障,另外9个轴承分别用电火花加工技术设置一种故障,9种故障分别为:外圈轻微故障、中度故障、严重故障,内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障;S2.在实验台上,对每个轴承都在同一转速下用振动传感器采集其振动信号;S3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签;S4.建立多任务卷积神经网络模型,其输入为轴承的振动信号,输出为故障标签,用 ...
【技术保护点】
1.一种滚动轴承故障诊断方法,其特征在于:该方法包括以下步骤:/nS1.取10个同样型号的滚动轴承,其中1个轴承无故障,另外9个轴承分别用电火花加工技术设置一种故障,9种故障分别为:外圈轻微故障、中度故障、严重故障,内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障;/nS2.在实验台上,对每个轴承都在同一转速下用振动传感器采集其振动信号;/nS3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签;/nS4.建立多任务卷积神经网络模型,其输入为轴承的振动信号,输出为故障标签,用步骤S2中得到的振动信号对多任务卷积神经网络模型进行训练;/nS5.在步骤S2中的实验台和转速下,采集待诊断滚动轴承的振动信号;/nS6.将步骤S5中测量得到的振动信号输入步骤S4训练后的多任务卷积神经网络模型中,获得待诊断滚动轴承的故障标签;/nS7.将步骤S6获得的故障标签解读为待诊断轴承的故障类型和严重程度。/n
【技术特征摘要】
1.一种滚动轴承故障诊断方法,其特征在于:该方法包括以下步骤:
S1.取10个同样型号的滚动轴承,其中1个轴承无故障,另外9个轴承分别用电火花加工技术设置一种故障,9种故障分别为:外圈轻微故障、中度故障、严重故障,内圈轻微故障、中度故障、严重故障和滚珠轻微故障、中度故障、严重故障;
S2.在实验台上,对每个轴承都在同一转速下用振动传感器采集其振动信号;
S3.给每个轴承的振动信号打上对应类型故障以及故障严重程度的故障标签;
S4.建立多任务卷积神经网络模型,其输入为轴承的振动信号,输出为故障标签,用步骤S2中得到的振动信号对多任务卷积神经网络模型进行训练;
S5.在步骤S2中的实验台和转速下,采集待诊断滚动轴承的振动信号;
S6.将步骤S5中测量得到的振动信号输入步骤S4训练后的多任务卷积神经网络模型中,获得待诊断滚动轴承的故障标签;
S7.将步骤S6获得的故障标签解读为待诊断轴承的故障类型和严重程度。...
【专利技术属性】
技术研发人员:冯辅周,吴春志,万安,张丽霞,江鹏程,刘锋,何嘉武,胡雪松,杜家兴,卢同心,朴相范,吴守军,姬龙鑫,王子涵,田钦文,
申请(专利权)人:中国人民解放军陆军装甲兵学院,
类型:发明
国别省市:北京;11
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。