一种电机轴承故障诊断方法及系统技术方案

本发明专利技术提供一种电机轴承故障诊断方法及系统，均能够：对采集到的连续振动故障信号进行预处理，得到对应的故障特征信息向量；对故障特征信息向量进行训练得到故障分类模型；利用故障分类模型，对实测的轴承振动信号进行在线分类，并将输出的每一个分类按照预先设定的标签化规则进行数字标签化；对数字标签化得到的标签进行分析，输出代表发生故障的标签；基于CLPSO

【技术实现步骤摘要】
一种电机轴承故障诊断方法及系统


[0001]本专利技术涉及电机轴承故障诊断领域，具体涉及一种电机轴承故障诊断方法及系统。

技术介绍

[0002]科学技术的发展促使电机逐渐小型化、集成化，而电机轴承的工作状态直接影响到电机的工作效率和抗干扰能力。轴承一旦发生故障，各功能模块将产生非线性和模糊的故障关系，不利于设备故障诊断和排除工作。因此电机轴承故障诊断对电机的正常运行至关重要。
[0003]传统电机轴承故障诊断方式主要包括定量和定性两种方式，其中基于定量分析的数据驱动是较为常见的故障诊断方式。比如现有技术中提出了基于小波变换、模糊熵和支持向量机的方法，可有效去除轴承的振动干扰信号，提高强噪声下的故障诊断能力，但是无法自适应的分割频谱，故障诊断缺乏适应性。现有技术中提出了基于经验模态分解和主元分析的故障诊断方式，通过经验模态分解提取主要轴承故障振动信号，结合主元分析减少特征向量的维数，实现故障特征信息的有效缩减，结合支持向量机实现轴承故障分类。现有技术中提出了最小二乘支持向量机的故障诊断方式，结合非线性特征和时域特征信息融合的方式，解决轴承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机轴承故障诊断方法，其特征在于，包括：步骤S1，采集电机轴承的连续振动故障信号；步骤S2，对采集到的连续振动故障信号进行预处理，得到对应的故障特征信息向量；步骤S3，利用支持向量机SVM对故障特征信息向量进行训练，得到用于对电机轴承的运行状态进行分类的故障分类模型；并利用训练得到的故障分类模型，对实测的轴承振动信号进行在线分类，并将输出的每一个分类按照预先设定的标签化规则进行数字标签化；电机轴承的运行状态为正常运行、滚动体故障、内圈故障和外圈故障；所述预先设定的标签化规则为，采用阿拉伯数字1、2、3、4对上述四种运行状态进行数字标签化；步骤S4，对数字标签化得到的标签进行分析，输出代表发生故障的标签；步骤S5，基于CLPSO
‑
FPN网络搭建电机轴承的故障诊断模型；步骤S6，对所搭建的故障诊断模型进行训练，得到训练好的故障诊断模型；步骤S7，根据上述输出的标签激活训练好的故障诊断模型中的对应库所，之后根据训练好的电机故障诊断模型进行故障诊断推理。2.根据权利要求1所述的电机轴承故障诊断方法，其特征在于，步骤S2的实现方法包括：步骤S21：采用EMD对连续振动故障信号进行经验模态分解；步骤S22：从经验模态分解结果中取前4个本征模态分量；步骤S23：分别计算所取的前4个本征模态分量各自对应的能量特征；步骤S24：利用上述计算所得的所有能量特征构造一维的能量特征向量；步骤S25：对能量特征向量进行归一化处理，得到归一化后的能量特征向量，该归一化后的能量特征向量即为所述的故障特征信息向量。3.根据权利要求1所述的电机轴承故障诊断方法，其特征在于，所述CLPSO
‑
FPN网络的网络结构为：S
CLPSO
‑
FPN
＝(P,T,I,O,M,W,H,α,B,S,D,K)；其中，P＝{p1,p2,...,p
n
}，P表示轴承故障事件表中库所的集合；T＝{t1,t2,...,t
m
}，T表示变迁集合；I为输入矩阵，表示P到T的映射；O为输出矩阵，表示T到P的映射；M＝(m1,m2,...,m
n
)，表示库所标识分布向量；W＝(ω
ij
)为库所权值构成的n
×
m维矩阵，表示输入库所对变迁的影响程度；H＝(λ1,λ2,...,λ
m
)，表示变迁阈值分布向量；α＝(α1,α,...,α
n
)，α
i
∈[0,1]表示库所P
i
代表故障事件的置信度，i＝1，2，
…
，n；B＝(b1,b2,
…
,b
r
)，b代表变迁影响因子，表示变迁对其输出库所的影响能力,其中r表示变迁至其输出库所有向弧的数量；S代表综合粒子群算法中的粒子数；D代表综合粒子群算法中粒子的维度；K代表综合粒子群算法的迭代次数。4.根据权利要求3所述的电机轴承故障诊断方法，其特征在于，步骤S6中基于公式
②‑⑤
对所搭建的电机故障诊断模型的参数进行训练，直至平均误差F最小时训练结束，得到训练好的电机故障诊断模型；
其中，综合粒子群算法的速度更新公式：综合粒子群算法的位置更新公式：寻优过程使用的误差公式为：四种运行状态下的平均误差为：F＝F1+F2+F3+F4ꢀꢀꢀꢀ⑤
在公式
②
和
③
中，k是惯性常数为[0,1]范围内的实数，c是学习因子为[0,2]范围内的实数，rand1
id
、rand2
id
分别代表第i个粒子第d维处的两个相互独立的随机数，其值为[0,1]范围内的随机数，V
id
、L
id
分别代表第i个粒子第d维参数的速度和位置，L
pd
、L
gd
分别代表局部最优位置和全局最优位置的粒子；式
④
中，式中α(p
i
)和α'(p
i
)分别表示库所p
i
通过置信度推理和数据统计得到的库所置信度。5.根据权利要求4所述的电机轴承故障诊断方法，其特征在于，步骤S6基于公式
②‑⑤
对电机故障诊断模型的参数进行训练，训练过程为：1)综合粒子群算法随机生成S个粒子，粒子中包括上述W，B，H三种参数；2)将S个粒子的参数输入至故障诊断模型中，通过有监督学习的方式得到库所p
n
的误差F，比较得到最小误差F，此时对应的粒子L
j
为全局最优位置的粒子L
gd
，粒子的局部最优位置为其初始位置；3)确定所要更新的维度W，随机选取其它位置粒子的局部最优位置L2为L
pd
，根据CLPSO
‑
FPN的更新公式，粒子中的W参数向L
pd
、L
gd
中对应参数方向更新；4)重复上述过程直到粒子各维度的参数更新完成；5)比较迭代后的粒子误差值与原误差值的大小，确定粒子迭代后误差最小情况下的位置为该粒子的局部最优位置，重复上述步骤直到更新完所有粒子，更新粒子群的全局最优位置；6)重复步骤3)至步骤5)，直到迭代结束，得到此时全局最优粒子L
gd
为最终的模型的参数集。6.一种电机轴承故障诊断系统，其特征在于，包括：信号采集单元，用于采集电机轴...

【专利技术属性】
技术研发人员：程学珍，许传诺，李继明，王常安，赵猛，徐广源，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：