基于数据融合和改进经验小波变换的电机轴承故障诊断方法技术

本发明专利技术公开了一种基于数据融合和改进经验小波变换的电机轴承故障诊断方法，包括如下步骤：(a)采集电机轴承在无故障和不同故障工况下的振动信号、电流信号和外圈温度，并进行处理；(b)对处理后的振动信号和电流信号进行EWT分解，并结合相关系数、峭度值和能量选取分量进行重构，进而得到包络谱图；(c)分别构建振动信号、电流信号和外圈温度的卷积神经网络模型，并进行训练；(d)利用DS证据理论融合卷积神经网络的结果，进而得到最终诊断结果；(e)采集当前电机轴承的数据，得到状态图，并输入至训练好的神经网络模型中，进行故障诊断和预测。从而该方法有效地解决单传感器故障诊断不准确、无法进行多故障诊断和预测的问题。

Fault diagnosis method of motor bearing based on data fusion and improved empirical wavelet transform

【技术实现步骤摘要】
基于数据融合和改进经验小波变换的电机轴承故障诊断方法
本专利技术属于故障诊断领域，更具体地，涉及基于数据融合和改进经验小波变换的电机轴承故障诊断方法。
技术介绍
在工业制造过程中，电机作为大部分自动化设备的动力元件或调整设备，扮演着举足轻重的地位。电机由于过载、高温、油污等工作环境的因素，电机的工作伴随着潜在的风险。一旦电机发生故障，将产生巨大的损失，严重时甚至危及工作人员的人生安全。而在电机所有的故障中，轴承故障占比最大，因此对电机轴承进行故障诊断具有十分重要的意义。传统的电机轴承故障诊断方法，主要是采集一些可观测量，然后进行处理分析。常见的观测量主要包括振动信号、电流信号、温度信号、电压信号等。然而，对这些观测量进行处理分析，需要工作人员具有丰富的实际经验及深厚的背景知识。由于电机轴承故障早期，故障信号微弱，并且单传感器所得出的结论具有固定的不确定性，仅仅以单传感器的诊断结果进行故障诊断，存在误报、漏报等问题，如。同时，传统振动信号特征提取方法效果差，尤其是在振动故障信号微弱时的提取效果并不理想。现阶段流行的基于深度学习的故障诊断方本文档来自技高网...

【技术保护点】
1.基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，包括如下步骤:/n(a)采集电机轴承在无故障和不同故障工况下的二通道振动加速度信号、三通道电流信号和轴承外圈温度，并进行预处理；/n(b)对二通道振动信号进行加权融合，三通道电流信号进行加权融合，并对融合得到的新数据进行归一化处理；/n(c)利用改进经验小波变换(EWT)对归一化后的数据进行分解，并选取故障特征明显的分量进行重构，对重构的信号进行Hilbert包络解调，得到包络谱图，以包络谱图和温度时域图作为轴承状态图，进而得到样本集，并根据数据对应的故障状态设置故障状态标签；/n(d)构建电机轴承卷积神经网络模型，将样本集...

【技术特征摘要】
1.基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，包括如下步骤:
(a)采集电机轴承在无故障和不同故障工况下的二通道振动加速度信号、三通道电流信号和轴承外圈温度，并进行预处理；
(b)对二通道振动信号进行加权融合，三通道电流信号进行加权融合，并对融合得到的新数据进行归一化处理；
(c)利用改进经验小波变换(EWT)对归一化后的数据进行分解，并选取故障特征明显的分量进行重构，对重构的信号进行Hilbert包络解调，得到包络谱图，以包络谱图和温度时域图作为轴承状态图，进而得到样本集，并根据数据对应的故障状态设置故障状态标签；
(d)构建电机轴承卷积神经网络模型，将样本集作为电机轴承卷积神经网络模型的输入，对应的故障状态标签作为电机轴承卷积神经网络模型的期望输出，对电机轴承卷积神经网络进行训练，利用DS证据理论进行融合卷积神经网络得到的诊断结果，并输出最终结果；
(e)采集当前电机轴承的振动信号、电流信号和轴承外圈温度，采用步骤(c)中的相同的方法得到状态图，并将此状态图输入至步骤(d)训练好的电机轴承卷积神经网络模型中，得到当前电机轴承的故障诊断结果。


2.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(...

【专利技术属性】
技术研发人员：黄晶，齐亮，张永韡，叶树霞，薛干敏，俞朝春，李长江，孙雪莹，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32