【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 ...
【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:
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。