一种基于多通道振动特征的轴承故障诊断方法技术

技术编号:33731052 阅读:9 留言:0更新日期:2022-06-08 21:26
本发明专利技术提出一种基于多通道振动特征的轴承故障诊断方法,包括以下步骤:采集原始信号,得到原始振动信号样本集;对原始振动信号样本集进行时域处理得到时域信号样本集;对时域信号样本集进行时频变换得到多通道频谱信号;利用多通道频谱信号截取故障特征频率并构建样本特征图,所述样本特征图组成故障诊断样本集;利用故障诊断样本集构建故障诊断模型,将待诊断数据的特征图输入故障诊断模型,故障诊断模型输出诊断结果。本发明专利技术可以降低时频分析的复杂度,减少人员主观因素对诊断结果的影响,融合轴承特有故障频率信息和机器学习,降低计算量和过拟合风险,提高诊断准确率。提高诊断准确率。提高诊断准确率。

【技术实现步骤摘要】
一种基于多通道振动特征的轴承故障诊断方法


[0001]本专利技术涉及轴承故障判断
,尤其是一种基于多通道振动特征的轴承故障诊断方法。

技术介绍

[0002]随着现代工业的发展和科学技术水平的不断提高,机电设备正不断朝着大型化、高速化、连续化、集中化、自动化和精密化的方向发展,其组成和结构也变得越来越复杂,这直接导致故障率增加和诊断的异常困难,其中关键部件如滚动轴承,某些轻微损伤性故障或异常若不及时检测并排除,就可能造成整个系统的失效、瘫痪,甚至导致灾难性后果。
[0003]现有技术对轴承的故障诊断主要基于振动信号处理的基础理论,测量轴承运行的时域振动信号,利用时频分析手段推测轴承故障类型。此过程大量依赖技术人员自身振动分析经验和信号处理经验,由于轴承实际运行转速的波动等原因,特征频率与频谱图对比时过分依赖分析人员主观因素,容易造成漏判、误判。

技术实现思路

[0004]本专利技术解决了轴承故障诊断时获得清晰频谱困难、故障频率比对受人员主观因素影响造成漏判、误判的问题,提出一种基于多通道振动特征的轴承故障诊断方法,可以降低时频分析的复杂度,减少人员主观因素对诊断结果的影响,融合轴承特有故障频率信息和机器学习,降低计算量和过拟合风险,提高诊断准确率。
[0005]为实现上述目的,提出以下技术方案:
[0006]一种基于多通道振动特征的轴承故障诊断方法,包括以下步骤:
[0007]S1,采集原始信号,得到原始振动信号样本集;
[0008]S2,对原始振动信号样本集进行时域处理得到时域信号样本集;
[0009]S3,对时域信号样本集进行时频变换得到多通道频谱信号;
[0010]S4,利用多通道频谱信号截取故障特征频率并构建样本特征图,所述样本特征图组成故障诊断样本集;
[0011]S5,利用故障诊断样本集构建故障诊断模型,将待诊断数据的特征图输入故障诊断模型,故障诊断模型输出诊断结果。
[0012]本专利技术的基本构思是利用滚动轴承振动信号对其进行故障诊断时,通常需要利用快速傅里叶变换等方法获得频域信号,再根据该轴承特有的故障频率,在频谱图中查看故障频率及其倍频附近的频谱幅值表现,据此判断轴承发生了何种故障。由于实际分析时受信号噪声、转速波动等因素影响,需要根据信号表现使用包络分析、阶次分析、EMD分解等多种方法尝试获得较清晰的频谱图,过程繁杂且难以获得理想频谱。根据轴承故障机理,轴承故障信息将体现在故障频率附近,因此提取故障频率邻域频谱信息作为特征数据,再利用机器学习可以诊断故障类型。
[0013]作为优选,所述原始振动信号样本集的每个样本为一维时域振动信号,且每个样
本的采样频率、故障标签、采样过程转速参数为已知。
[0014]作为优选,所述时域处理至少包括包络信号处理、EMD分解信号处理和阶次变换信号的一种。
[0015]作为优选,所述时频变换为将时域信号样本集中所有样本信号分别进行FFT变换至频域,得到多通道频谱信号。
[0016]作为优选,所述S4具体包括:
[0017]利用多通道频谱信号截取设定特征频率及其倍频邻域片段,拼接为特征图,所述样本特征图组成故障诊断样本集,其中选用特征频率的1至b倍频,b为整数。
[0018]作为优选,所述故障诊断模型的构建过程如下:
[0019]S501,将故障诊断样本集划分出训练集,根据样本故障类型构建其标签;
[0020]S502,设计一维的权重向量W1,对于特征图每行滑动进行乘加和及非线性计算,生成新的特征图;
[0021]S503,对于新的特征图,设计一维的权重向量W2,并循环S502的计算步骤,提取到样本故障特征,并将最终结果通过全连接网络映射为与样本标签向量Y等长向量Y

,计算误差;
[0022]S504,利用梯度下降等方式更新所有的权重向量,最小化Y

与Y的误差,得到故障诊断模型。
[0023]本专利技术的有益效果是:
[0024]1、可以减少为获得清晰频谱而进行的对振动信号的反复处理。
[0025]2、融合轴承故障机理与机器学习,截取故障频率邻域频谱作为特征数据能减少诊断模型计算量、降低过拟合风险。
[0026]3、对频谱不清晰的样本,降低人工比对造成的误差,提升故障诊断准确率。
附图说明
[0027]图1是实施例方法的流程图;
[0028]图2是实施例样本特征图的构建过程。
具体实施方式
[0029]实施例:
[0030]本实施例提出一种基于多通道振动特征的轴承故障诊断方法,包括以下步骤:其中主体流程如图1中左侧所示,主体流程步骤详细介绍如图1中右侧所示,详细过程如下:
[0031]S1,采集原始信号,得到原始振动信号样本集;
[0032]准备原始振动信号样本集,每个样本为一维时域振动信号,且每个样本的采样频率、故障标签、采样过程转速等参数已知。设样本集为X
SET
=[X1,X2,X3...X
n
]。
[0033]S2,对原始振动信号样本集进行时域处理得到时域信号样本集;
[0034]对于X
j
,计算:
[0035]1)时域包络信号,f
ENV
(X
j
);
[0036]2)EMD各阶分解信号,f
EMD
(X
j
,1)、f
EMD
(X
j
,2)、

、f
EMD
(X
j
,m);
[0037]3)阶次变换信号,f
ORD
(X
j
);
[0038]上述时域信号变换可不全进行,但每个变换结果记为一个通道,与原始X
j
组成样本的k通道时域信号,记为
[0039][0040]S3,对时域信号样本集进行时频变换得到多通道频谱信号;
[0041]将X
time
中所有样本信号分别进行FFT变换至频域,得到多通道频谱信号,记为
[0042][0043]S4,利用多通道频谱信号截取故障特征频率并构建样本特征图,所述样本特征图组成故障诊断样本集;
[0044]对于截取特征频率及其倍频邻域片段,拼接为特征图如图2。设所选特征频率为f1,f2,...,f
a
,选用特征频率的1~b倍频,b为整数。
[0045]如图2,对于第j个样本的1~k个频谱通道,依次截取a个特征频率的1~b倍频邻域(邻域为倍频
±
1%的范围内频谱数据),并横向拼接;以样本频谱通道为单位纵向拼接;横向空值用“0”填充;以此组成第j个样本的特征图
[0046][0047]c大小取决于频谱分辨率和特征频率大小。
[0048]S5,利用故障诊断样本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于多通道振动特征的轴承故障诊断方法,其特征是,包括以下步骤:S1,采集原始信号,得到原始振动信号样本集;S2,对原始振动信号样本集进行时域处理得到时域信号样本集;S3,对时域信号样本集进行时频变换得到多通道频谱信号;S4,利用多通道频谱信号截取故障特征频率并构建样本特征图,所述样本特征图组成故障诊断样本集;S5,利用故障诊断样本集构建故障诊断模型,将待诊断数据的特征图输入故障诊断模型,故障诊断模型输出诊断结果。2.根据权利要求1所述的一种基于多通道振动特征的轴承故障诊断方法,其特征是,所述原始振动信号样本集的每个样本为一维时域振动信号,且每个样本的采样频率、故障标签、采样过程转速参数为已知。3.根据权利要求1或2所述的一种基于多通道振动特征的轴承故障诊断方法,其特征是,所述时域处理至少包括包络信号处理、EMD分解信号处理和阶次变换信号的一种。4.根据权利要求1或2所述的一种基于多通道振动特征的轴承故障诊断方法,其特征是,所述时频变换为将时域信号样本集中所有样本信...

【专利技术属性】
技术研发人员:刘培君赵彤王杏卓沛骏楼阳冰张志勇倪军
申请(专利权)人:杭州安脉盛智能技术有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1