一种滚动轴承故障诊断模型建立方法及建立系统技术方案

本发明专利技术涉及一种基于VMD

【技术实现步骤摘要】
一种滚动轴承故障诊断模型建立方法及建立系统


[0001]本专利技术涉及工业设备故障诊断
，尤其涉及一种基于 VMD
‑
WVD和SSA参数优化DBN的滚动轴承故障诊断模型建立方法及建立系统。

技术介绍

[0002]滚动轴承作为传动仪表的重要组成部分，广泛应用于电力、风电、军事、工业机械生产等领域的各种传动系统中。滚动轴承由于其工作时间长、工作频率高、工作环境恶劣等特点，常伴随着磨损、噪声、负载不平衡等故障。
[0003]滚动轴承故障诊断分为三个部分：数据采集、特征提取和模式识别。其中，特征提取是最重要的部分，它极大地影响着模式识别精度的上下限。各种一维或二维信号特征提取技术被应用于振动信号特征提取，如傅里叶变换、经验模态分解、综合经验模态分解、连续小波变换、希尔伯特包络谱和变分模式分解。
[0004]随着深度学习的发展，深度学习模型经常被用于优化、诊断和预测。常用的网络模型包括深度信念网络(DBN)、卷积神经网络(CNN)、长短时记忆神经网络(LSTM)、支持向量机(SVM)等。经过信号特征处理后，深度学习网络模型的分类识别精度高于其他机器学习算法。
[0005]因此，亟需提供一种基于深度学习来建立滚动轴承故障诊断模型的方法，以提高故障诊断的准确性。

技术实现思路

[0006]本专利技术所要解决的技术问题是提供一种基于VMD
‑
WVD和SSA参数优化DBN的滚动轴承故障诊断模型建立方法及建立系统。
[0007]为解决上述问题，本专利技术所采取的技术方案是：
[0008]一方面，提供了一种滚动轴承故障诊断模型建立方法，所述方法包括：
[0009]获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0010]对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0011]利用SSA的全局优化能力对DBN的参数进行优化得到优化DBN；
[0012]将所述数据集输入至所述优化后的DBN中进行训练，得到所述滚动轴承故障诊断模型。
[0013]作为本专利技术的进一步改进，所述对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集，包括：
[0014]针对每个正常振动信号，依次通过VMD和WVD进行时频变化后得到正常矩阵；
[0015]针对每个内圈故障振动信号，依次通过VMD和WVD进行时频变化后得到外圈故障矩
阵；
[0016]针对每个内圈故障振动信号，依次通过VMD和WVD进行时频变化后得到内圈故障矩阵；
[0017]针对每个滚动体故障振动信号，依次通过VMD和WVD进行时频变化后得到滚动体故障矩阵；
[0018]将所有的正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。
[0019]作为本专利技术的进一步改进，所述针对每个正常振动信号，依次通过VMD和WVD进行时频变化后得到正常矩阵，包括：
[0020]针对每个正常振动信号，通过VMD将所述正常振动信号分解为不同频率的多个正常BIMF，比较每个正常BIMF的方差贡献率，通过WVD 将贡献率最大的正常BIMF从一维时域信号转换为二维特征谱，得到所述正常矩阵。
[0021]作为本专利技术的进一步改进，采用以下公式比较每个正常BIMF的方差贡献率：
[0022][0023]其中，u
k
(j)为原信号经过VMD分解得到j个IMF分量，mseb(i)为 IMF
i
的方差贡献率，N为信号长度。
[0024]作为本专利技术的进一步改进，所述利用SSA的全局优化能力对DBN 的参数进行优化得到优化后的DBN，包括：
[0025]S301、设置SSA的所有预设参数并初始化最大迭代次数和搜索预设范围，所述预设参数包括预设麻雀数量、预设感知危险的麻雀数量、以及预设警戒值；
[0026]S302、初始化麻雀位置并计算适应度，将待优化DBN训练数据的 RMSE作为SSA的适应度函数；
[0027]S303、比较每个麻雀个体的估计适应度，得到麻雀的最优位置和最差位置；
[0028]S304、当判断当前优化迭代次数达到最大迭代次数，则结束迭代并输出所述最优位置，用所述最优位置训练待优化DBN，得到具有最优学习率和最优批量大小的优化DBN。
[0029]作为本专利技术的进一步改进，所述步骤还包括：
[0030]S305、当判断当前优化迭代次数未达到最大迭代次数时，更新每个麻雀个体的位置及其适应度，重新初始化，设定新的搜索范围，所述新的搜索范围位于所述搜索预设范围之外；
[0031]S306、将当前最优位置作为DBN训练部分的参数值，得到初始优化 DBN；
[0032]S307、比较每个麻雀个体的估计适应度，得到麻雀的最优位置；
[0033]S308、判断当前优化迭代次数是否达到最大迭代次数，执行步骤 S304或步骤S305，得到优化DBN。
[0034]作为本专利技术的进一步改进，所述将所述数据集输入至所述优化后的 DBN中进行训练，得到所述滚动轴承故障诊断模型，包括：
[0035]依据振动状态，将所述数据集划分为多个测试集和多个测试集，每个所述训练集和所述测试集均携带有用于指示振动状态的标签；
[0036]将多个测试集输入至所述优化后的DBN中进行训练，得到训练后的 DBN；
[0037]将多个所述测试集输入至训练后的DBN中测试所述训练后的DBN 的分类效果；
[0038]当确定所述分类效果达到预设效果时，将所述训练后的DBN作为滚动轴承故障诊断模型。
[0039]第二方面，提供了一种滚动轴承故障诊断模型建立系统，其包括：
[0040]获取模块，其用于获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0041]数据集生成模块，其用于对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0042]优化模块，其用于利用SSA的全局优化能力对DBN的参数进行优化得到优化DBN；
[0043]模型生成模块，其用于将所述数据集输入至所述优化后的DBN中进行训练，得到所述滚动轴承故障诊断模型。
[0044]第三方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如第一方面所述的滚动轴承故障诊断模型建立方法。
[0045]第四方面，提供了一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障诊断模型建立方法，其特征在于，所述方法包括：获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；利用SSA的全局优化能力对DBN的参数进行优化得到优化DBN；将所述数据集输入至所述优化后的DBN中进行训练，得到所述滚动轴承故障诊断模型。2.根据权利要求1所述的一种滚动轴承故障诊断模型建立方法，其特征在于，所述对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集，包括：针对每个正常振动信号，依次通过VMD和WVD进行时频变化后得到正常矩阵；针对每个内圈故障振动信号，依次通过VMD和WVD进行时频变化后得到外圈故障矩阵；针对每个内圈故障振动信号，依次通过VMD和WVD进行时频变化后得到内圈故障矩阵；针对每个滚动体故障振动信号，依次通过VMD和WVD进行时频变化后得到滚动体故障矩阵；将所有的正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。3.根据权利要求2所述的一种滚动轴承故障诊断模型建立方法，其特征在于，所述针对每个正常振动信号，依次通过VMD和WVD进行时频变化后得到正常矩阵，包括：针对每个正常振动信号，通过VMD将所述正常振动信号分解为不同频率的多个正常BIMF，比较每个正常BIMF的方差贡献率，通过WVD将贡献率最大的正常BIMF从一维时域信号转换为二维特征谱，得到所述正常矩阵。4.根据权利要求3所述的一种滚动轴承故障诊断模型建立方法，其特征在于，采用以下公式比较每个正常BIMF的方差贡献率：其中，u
k
(j)为原信号经过VMD分解得到j个IMF分量，mseb(i)为IMF
i
的方差贡献率，N为信号长度。5.根据权利要求1所述的一种滚动轴承故障诊断模型建立方法，其特征在于，所述利用SSA的全局优化能力对DBN的参数进行优化得到优化后的DBN，包括：S301、设置SSA的所有预设参数并初始化最大迭代次数和搜索预设范围，所述预设参数包括预设麻雀数量、预设感知危险的麻雀数量、以及预设警戒值；S302、初始化麻雀位置并计算适应度，将待优化DBN训练数据的RMSE作为SSA的适应度函数；S303、比较每个麻雀个体的估计适应度，...

【专利技术属性】
技术研发人员：程瑶，贾宁，杨飞宇，田又源，高晨斐，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：