基于振动信号的滚动轴承故障诊断方法及电子设备技术

本发明专利技术提供一种基于振动信号的滚动轴承故障诊断方法及电子设备，所述方法包括：采集滚动轴承的时域振动数据；对时域振动数据进行分割，基于一维卷积神经网络构建时域故障诊断模型；提取域振动数据中的频域信息，基于一维卷积神经网络构建频域故障诊断模型；将时域振动数据转化为二维时频图，基于二维卷积神经网络构建时频域故障诊断模型；基于时域故障诊断模型、频域故障诊断模型以及时频域故障诊断模型构建多流卷积神经网络，基于多流卷积神经网络对滚动轴承的运行状态进行分类。本发明专利技术通过采集不同种类的故障轴承振动数据，基于多流卷积神经网络构建故障诊断模型，实现滚动轴承的故障分类，提高了故障分类的准确率和可靠性。提高了故障分类的准确率和可靠性。提高了故障分类的准确率和可靠性。

【技术实现步骤摘要】
基于振动信号的滚动轴承故障诊断方法及电子设备


[0001]本专利技术涉及机械设备的故障诊断
，特别是涉及滚动轴承的故障检测


技术介绍

[0002]滚动轴承作为机械设备的重要部件，普遍应用于发电机、齿轮箱、涡轮机等大小型设备中，作为设备的关节在设备的各个零部件之间进行动力传递，并经常运行在高转速、高负荷的恶劣条件下，磨损和退化常常发生。根据相关统计，约有40％的设备故障与滚动轴承直接相关，此外，在齿轮箱的各种故障中占比也接近20％，仅次于齿轮故障所占比例；在风电机组的传动系统故障中，多数也是由于滚动轴承表面产生的裂纹或者点蚀。因此，监测轴承运行状态，及时诊断轴承故障具有重要的工程价值。
[0003]目前基于振动信号的滚动轴承故障诊断方法主要包括基于机理模型、基于数据驱动的方法。基于机理模型的方法依赖于滚动轴承的故障机理，即运用频域分析的相关知识，根据振动信号的频谱峰值得到轴承故障特征频率，进而识别轴承故障种类。然而，此类方法效果取决于频谱分析结果的优劣，分析效率低，难以实现高效自动地诊断和识别滚动轴承的故障。基于数据驱动方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于振动信号的滚动轴承故障诊断方法，其特征在于：所述方法包括：采集滚动轴承的时域振动数据；对所述时域振动数据进行分割，并基于分割后的所述时域振动数据和一维卷积神经网络构建时域故障诊断模型；提取所述域振动数据中的频域信息，并基于所述频域信息和一维卷积神经网络构建频域故障诊断模型；将所述时域振动数据转化为二维时频图，并基于所述二维时频图和二维卷积神经网络构建时频域故障诊断模型；基于所述时域故障诊断模型、所述频域故障诊断模型以及所述时频域故障诊断模型构建多流卷积神经网络，基于所述多流卷积神经网络对滚动轴承的运行状态进行分类。2.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述采集滚动轴承的时域振动数据中采集正常的以及不同类别故障的滚动轴承的时域振动数据。3.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述对所述时域振动数据进行分割包括：根据采样频率和采样时间的不同确定单个样本所包含的数据点数N，将采集到的时域振动数据进行划分，得到不同故障类型的多个样本。4.根据权利要求3所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述在时域故障诊断模型中，输入为N点的时域振动信号，输出为类别概率向量p1,p2,...,p
m
分别表示样本属于第1,2,...,m类故障的概率。5.根据权利要求1所述的基于振动信号的滚动轴承故障诊断方法，其特征在于：所述提取所述域振动数据中的频域信息包括：对划分出的时域振动信号样本进行快速傅里叶变换，...

【专利技术属性】
技术研发人员：周文康，李柠，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：