轴承故障诊断模型的训练方法、诊断方法及诊断装置制造方法及图纸

本发明专利技术提出一种轴承故障诊断模型的训练方法、诊断方法及诊断装置，所述训练方法包括：采集轴承的不同类型故障的故障振动信号，以获取样本集；对所述样本集中的故障振动信号进行经验傅里叶分解以获取多个模态信号分量；分别通过峭度和相关系数对多个所述模态信号分量进行筛选，并对筛选结果进行重构以获取重构信号序列；利用改进层次斜率熵算法对所述重构信号序列进行处理，以获取故障特征信息并组成训练特征集；利用所述训练特征集对所述轴承故障诊断模型进行训练，以获取训练好的轴承故障诊断模型。本发明专利技术能够有效识别不同类型和损伤程度的轴承故障，平均识别率达99.74％。平均识别率达99.74％。平均识别率达99.74％。

【技术实现步骤摘要】
轴承故障诊断模型的训练方法、诊断方法及诊断装置


[0001]本专利技术属于轴承故障诊断
，具体涉及了一种轴承故障诊断模型的训练方法、诊断方法及诊断装置。

技术介绍

[0002]机械设备正在朝着大型化、精密化方向发展，智能化也日益提高，对设备运行中的可靠性也提出更高要求。作为旋转机械中的核心回转支承部件，其表面的轻微缺陷就可能导致整个装置系统的运行故障，造成巨大人员伤亡和财产损耗。传统的用于滚动轴承检测方法，需要工作人员定期从机械设备上将轴承拆卸下来进行安全检验，耗费大量人力物力，对工业生产进程造成影响。智能维护方案利用先进的传感器和检测技术，获得设备运行的状态信息，当故障发生时，也能通过建立物理与统计模型对设备的剩余寿命进行预测，并在设备完全失效前对设备展开维修工作。因此，开展轴承故障诊断和状态检测对提高设备运行的安全性有着重要意义。
[0003]轴承作为旋转机械的关键精密元件，各种复杂工况会使轴承出现疲劳剥落、裂纹、磨损、压痕等损伤，加剧轴承振动，产生安全隐患。为了减少事故的发生，有必要对轴承进行状态监测和故障诊断。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出一种轴承故障诊断模型的训练方法、诊断方法及诊断装置，以实现对轴承进行状态监测和故障诊断，从而避免轴承出现疲劳剥落、裂纹、磨损、压痕等损伤而加剧轴承振动，从而避免产生安全隐患。
[0005]本专利技术提出一种轴承故障诊断模型的训练方法，包括：
[0006]采集轴承的不同类型故障的故障振动信号，以获取样本集；
[0007]对所述样本集中的故障振动信号进行经验傅里叶分解以获取多个模态信号分量；
[0008]分别通过峭度和相关系数对多个所述模态信号分量进行筛选，并对筛选结果进行重构以获取重构信号序列；
[0009]利用改进层次斜率熵算法对所述重构信号序列进行处理，以获取故障特征信息并组成训练特征集；
[0010]利用所述训练特征集对所述轴承故障诊断模型进行训练，以获取训练好的轴承故障诊断模型。
[0011]在本专利技术的一个实施例中，所述不同类型故障至少包括正常、内圈单点故障、外圈单点故障、滚子单点故障、外圈滚子复合故障、内圈滚子复合故障、内圈多点故障、外圈多点故障和滚珠多点故障。
[0012]在本专利技术的一个实施例中，所述对样本集进行经验傅里叶分解以获取多个模态信号分量的步骤包括：
[0013]将所述样本集内的故障振动信号的傅里叶谱归一化至[0，π]区间，预定义所需要
划分的频段数N；
[0014]将傅里叶谱中的初值和极大值定为M个控制点，并根据所述频段数N和控制点数M获取最终控制点数T；
[0015]按所述最终控制点数T来划分区间，并且每个控制点的位置为α
n
，其中，1≤n≤T，α1＝0，α
T+1
＝π；
[0016]根据确定傅里叶分解的频谱分割边界ω
n
，定义前T个边界为min[α
T
‑1，α
T
]，其中Λ
n
为前T个边界的集合；
[0017]确定连续区间Ω＝[ω
i
，ω
i+1
]，并计算每个区间的解析傅里叶固有频带函数，其中i＝1，2，
…
，T；
[0018]对每个区间的解析傅里叶固有频带函数的实部进行傅里叶逆变换后，以获取多个模态信号分量。
[0019]在本专利技术的一个实施例中，根据所述频段数N和控制点数M获取最终控制点数T包括：
[0020]当M≥N时，只取M个控制点按降序排列的前N个分段，即最终控制点数T为N个；
[0021]当M＜N时，振动信号中能够被划分的频段小于预定义的频段数N，此时最终控制点数T为M个。
[0022]在本专利技术的一个实施例中，通过峭度和相关系数对多个所述模态信号分量进行筛选以获取重构信号包括：
[0023]计算各个模态信号分量的峭度值Kurt
n
，并保留峭度值Kurt
n
大于3的所有分量，以构成集合U；
[0024]计算各个模态信号分量与所述故障振动信号y的相关系数ρ
n
，并以相关系数ρ
n
的标准差为最低阈值对各个所述模态信号分量进行筛选，作为故障振动信号的主要旋转分量，构成集合V；
[0025]取集合U和集合V的并集并将其中的信号相加以得到重构信号序列。
[0026]在本专利技术的一个实施例中，所述峭度值Kurt
n
通过公式：
[0027]计算得到，其中efd
n,k
为第n个模态信号分量的k点；n＝1，2，
…
，T；k＝1，2，
…
，L；u和σ为efd
n
的均值和方差；E[n]表示n的数学期望。
[0028]在本专利技术的一个实施例中，所述相关系数ρ
n
通过公式：
[0029]计算得到，其中，表示第n个模态分量的平均值，z
k
表示故障振动信号z的第k个采样点，表示故障振动信号z所有采样点的均值。
[0030]在本专利技术的一个实施例中，利用改进层次斜率熵算法对所述重构信号序列处理，
以获取故障特征信息并组成训练特征集包括：
[0031]给定重构信号序列x＝{x
i
，i＝1，2，
…
，L}，并计算平均算子P0和差分算子P1：其中，x
i
表示第i个区间的重构信号；
[0032]定义不同层数s下的算子(f＝0或1)，其中，
[0033][0034]给定一个特定的向量序列[r1,r2,
…
,r
s
]，并根据第s层的节点e确定每一层的f值，该节点e与所述向量序列的关系为：式中，{r
d
,d＝1,2,
…
,s}∈{0,1}表示第d层的平均算子或差分算子；
[0035]获取重构信号序列的层次分量，表示为：
[0036]计算每个层次分量的改进层次斜率熵，表示为：MHSE(x,m,s,e,γ,δ)＝SE(X
s,e
,m,γ,δ)，式中m为嵌入维数，γ和δ为斜率熵的阈值。
[0037]在本专利技术的一个实施例中，利用所述训练特征集对所述轴承故障诊断模型进行训练，以获取训练好的轴承故障诊断模型的步骤包括：
[0038]所述训练特征集表示为{u
i
,i＝1,2,
…
,p}，定义输入层和隐藏层之间的权重为隐藏和输出层之间的权重为β，隐藏层阈值为b，p＝2
s
*(m
‑
1)：
[0039]b＝[b1,b2,
…
,b
Q
]T
，式中，R、Q、F分别是极限学习机的输入层、隐藏层、输出层的神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障诊断模型的训练方法，其特征在于，包括：采集轴承的不同类型故障的故障振动信号，以获取样本集；对所述样本集中的故障振动信号进行经验傅里叶分解以获取多个模态信号分量；分别通过峭度和相关系数对多个所述模态信号分量进行筛选，并对筛选结果进行重构以获取重构信号序列；利用改进层次斜率熵算法对所述重构信号序列进行处理，以获取故障特征信息并组成训练特征集；利用所述训练特征集对所述轴承故障诊断模型进行训练，以获取训练好的轴承故障诊断模型。2.根据权利要求1所述的轴承故障诊断模型的训练方法，其特征在于，所述不同类型故障至少包括正常、内圈单点故障、外圈单点故障、滚子单点故障、外圈滚子复合故障、内圈滚子复合故障、内圈多点故障、外圈多点故障和滚珠多点故障。3.根据权利要求1所述的轴承故障诊断模型的训练方法，其特征在于，所述对样本集进行经验傅里叶分解以获取多个模态信号分量的步骤包括：将所述样本集内的故障振动信号的傅里叶谱归一化至[0，π]区间，预定义所需要划分的频段数N；将傅里叶谱中的初值和极大值定为M个控制点，并根据所述频段数N和控制点数M获取最终控制点数T；按所述最终控制点数T来划分区间，并且每个控制点的位置为α
n
，其中，1≤n≤T，α1＝0，α
T+1
＝π；根据确定傅里叶分解的频谱分割边界ω
n
，定义前T个边界为min[α
T
‑1，α
T
]，其中Λ
n
为前T个边界的集合；确定连续区间Ω＝[ω
i
，ω
i+1
]，并计算每个区间的解析傅里叶固有频带函数，其中i＝1，2，
…
，T；对每个区间的解析傅里叶固有频带函数的实部进行傅里叶逆变换后，以获取多个模态信号分量。4.根据权利要求3所述的轴承故障诊断模型的训练方法，其特征在于，根据所述频段数N和控制点数M获取最终控制点数T包括：当M≥N时，只取M个控制点按降序排列的前N个分段，即最终控制点数T为N个；当M＜N时，振动信号中能够被划分的频段小于预定义的频段数N，此时最终控制点数T为M个。5.根据权利要求1所述的轴承故障诊断模型的训练方法，其特征在于，通过峭度和相关系数对多个所述模态信号分量进行筛选以获取重构信号包括：计算各个模态信号分量的峭度值Kurt
n
，并保留峭度值Kurt
n
大于3的所有分量，以构成集合U；计算各个模态信号分量与所述故障振动信号y的相关系数ρ
n
，并以相关系数ρ
n
的标准差
为最低阈值对各个所述模态信号分量进行筛选，作为故障振动信号的主要旋转分量，构成集合V；取集合U和集合V的并集并将其中的信号相加以得到重构信号序列。6.根据权利要求5所述的轴承故障诊断模型的训练方法，其特征在于，所述峭度值Kurt
n
通过公式：计算得到，其中efd
n,k
为第n个模态信号分量的k点；n＝1，2，
…
，T；k＝1，2，
…
，L；u和σ为efd
n
的均值和方差；E[n]表示n的数学期望。7.根据权利要求5所述的轴承故障诊断方法，其特征在于，所述相关系数ρ
n
通过公式：计算得到，其中，表示第n个模态分量的平均值，z
k
表示故障振动信号z的第k...

【专利技术属性】
技术研发人员：陈剑，季磊，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：