一种强噪声环境下的滚动轴承智能故障诊断方法技术

本发明专利技术公开了一种强噪声环境下的滚动轴承智能故障诊断方法，首先，采用改进的小波阈值降噪算法将含有噪声的轴承振动信号进行降噪处理；其次，采用改进的经验小波变换对多分量信号分解得到若干个单分量信号，再对每个单分量信号进行解调，进而得到二维时频图；最后，建立卷积神经网络图像识别模型，以二维时频图作为输入进行分类识别，输出分类结果。本发明专利技术提出的改进小波阈值降噪算法避免了降噪后的信号在阈值点处不连续和存在偏差的问题。改进经验小波变换可以自适应地选择小波基和分解尺度，得到分辨率更高的小波时频图，本发明专利技术提出的基于时频图的卷积神经网络故障诊断方法提高了故障诊断识别准确率，分类效果得到了有效提高。效提高。效提高。

An intelligent fault diagnosis method of rolling bearing in strong noise environment

【技术实现步骤摘要】
一种强噪声环境下的滚动轴承智能故障诊断方法


[0001]本专利技术涉及一种基于改进的小波阈值降噪算法结合卷积神经网络的滚动轴承故障诊断，属于滚动轴承振动信号处理和滚动轴承故障诊断领域。

技术介绍

[0002]随着现代技术的飞速发展，旋转机械设备变得越来越复杂，且更加精密和智能化，在航空航天、石油化工和高速列车等工业领域中得到广泛应用。滚动轴承作为旋转机械设备中的关键部件，它的主要作用是减小运动时的摩擦系数，支撑机械旋转体(Pan Honghu,He Xingxi,Tang Sai,et al.An improved bearing fault diagnosis method using one
‑
dimensional CNN and LSTM[J].Strojniski Vestnik
‑
Journal of Mechanical Engineering,2018,64(7
‑
8):443
‑
452)。然而由于旋转机械设备配合面之间的相对运动会产生连续磨损，所以滚动轴承长期在重载和强冲击的恶劣环境下运行，容易发生故障。据相关研究表明，旋转机械设备故障中由滚动轴承故障引发的占30％(张云强,张培林,王怀光,等.结合VMD和Volterra预测模型轴承振动信号特征提取[J].振动与冲击,2018,37(03):129
‑
135,152)，因此，早期检测滚动轴承故障是一项重要的任务。故障诊断的最终目的是分析相关的外部信息，从而准确判断内部部件的状态，决定机械设备是否需要维护。20世纪30年代，滚动轴承检测与诊断技术开始出现，各种自动化和智能化的新技术新方法不断涌现，也在推动滚动轴承故障诊断技术不断完善。
[0003]轴承是机械设备的重要零部件之一，轴承的损坏会造成巨大的经济损失甚至危及人类生命(Hoang D T,Kang H J.A bearing fault diagnosis method based on autoencoder and particle swarm optimization
‑
sup
‑
port vector machine[M].Intelligent Computing Theories and Application,Springer,Cham,2018)。因此轴承的故障诊断是十分必要的。由于滚动轴承的工作环境复杂，所采集的信号中通常含有大量噪声(王奉涛,邓刚,王洪涛.基于EMD和SSAE的滚动轴承故障诊断方法[J].振动工程学报,2019,32(2):368
‑
376)，因此需要对信号进行去噪处理来提高后期故障诊断的准确率。
[0004]滚动轴承故障诊断方法通过信号采集、故障信号特征提取、识别和分类故障类型三个步骤对滚动轴承进行有效诊断(王玉梅.滚动轴承故障诊断技术研究[D].哈尔滨:哈尔滨工业大学,2014)。传统的特征提取方法时域统计分析或频域统计分析无法充分地表现原始信号的故障特征，因此，小波分析、短时傅里叶变换、经验模态分解和奇异值分解等时频分析方法应运而生。
[0005]小波变换是常用于故障信号特征提取的方法，对于传统的小波变换，其分解层数和频段是固定的，经验小波变换(EWT)通过灵活地选择分析边界频率(Gilles J,Empirical wavelet transform[J].IEEE Transactions on Signal Processing,2013,61(16):3999
‑
4010)，可以实现信号在任意频段的分析。EWT的第一步就是定义边界集ω
n
。文献(Gilles J,Tran G,Osher S.2D Empirical Transforms:Wavelets,Ridgelets and Curvelets revisited[J].SIAM Journal on Imaging Sciences,2014,7(1):157
–
186)提出了两种自
适应边界搜索方法。第一种方法是，如果要得到N个谱带需要找到信号频谱的N
‑
1个最大的极大值点，再在每两个相邻的极大值之间寻找信号全局的最小值，将它们定义为边界集。第二种方法是同时先找到信号频谱的极大值点的N
‑
1个最大值，然后将边界集定义为相邻两个极大值的平均值。但是由于机械振动信号的频谱是“参差不齐”的，背景噪声干扰非常大，上述两种方法的处理效果不尽理想。
[0006]随着深度学习理论的日益成熟及计算机计算能力的提升，深度卷积神经网络在故障诊断上有了广泛的应用。文献(李思琦,蒋志坚.基于EEMD
‑
CNN的滚动轴承故障诊断方法[J].机械强度,2020,42(5):1033
‑
1038)应用集合经验模态分解对滚动轴承振动信号进行分解重构，随后将重构后的信号输入卷积神经网络中进行故障诊断。文献(张立智,徐卫晓,井陆阳,等.基于二维深度卷积网络的旋转机械故障诊断[J].机械强度,2020,42(5):1039
‑
1044)通过短时傅里叶变换得到信号的时频图。将时频图输入到二维卷积神经网络中从而实现对滚动轴承的故障诊断。文献(杨兰柱,刘文广.改进的CNN网络在轴承故障诊断中的应用[J].机电工程技术,2020,49(8):11
‑
13)通过对卷积神经网络的卷积层进行改进，将原始信号数据作为输入，对滚动轴承故障诊断进行系统性研究。文献(Li S B,Liu G K,Tang X H,et al.An ensemble deep convolutional neural network model with improved D
‑
S evidence fusion for bearing fault diagnosis[J].Sensors,2017,17(8):1792)将多传感器信号经快速傅里叶变换后的特征均方根图作为卷积神经网络的输入，并结合改进的D
‑
S理论实现对滚动轴承的故障诊断。上述基于滚动轴承振动信号的故障诊断方法虽然能实现一些理想环境下的轴承故障诊断，但是存在部分缺陷使故障诊断的准确度不高。一方面，上述方法在强噪声背景下往往会出现分类准确率不高的问题，缺乏一定的鲁棒性。另一方面，上述方法中的信号特征提取方法大多不具备自适应性，需要先验数据去初始化参数值，影响了振动信号特征的提取。

技术实现思路

[0007]对于滚动轴承的故障诊断，大部分研究都是基于无噪声情况下的诊断，这些方法在无噪声的环境下是可以得到较高的识别率的，但是在现实环境中，我们收集到的滚动轴承振动信号中往往含有较多的噪声，在实际的研究中现有的分类方法达不到分类标准。且由于轴承振动信号具有复杂性、随机性等特点，如果对其采用传统的降噪算法往往会出现降噪效果不佳或过度降噪导致损失有用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种强噪声环境下的滚动轴承智能故障诊断方法，其特征在于，包括以下步骤：首先，通过改进的小波阈值降噪算法对滚动轴承振动信号进行降噪；然后，采用改进的经验小波变换对多分量信号分解得到若干个单分量信号，再对每个单分量信号进行解调，进而得到原始信号完整时频分布的二维时频图；最后，建立卷积神经网络图像识别模型，以二维时频图作为输入进行分类识别，输出分类结果。2.根据权利要求1所述一种强噪声环境下的滚动轴承智能故障诊断方法，其特征在于：所述改进的小波阈值降噪算法包括以下步骤：1)小波分解：其中，i表示分解的层数，N表示采样点数，c
i
为低频小波系数，h
j
为低通滤波器，ω
i
为高频小波系数，g
j
为高通滤波器，i＝0时，c0和d0是原始信号，j表示滤波器的尺度度量空间，不同的值代表不同的度量空间；2)阈值函数选取：其中，ω
λ
表示去噪后的小波系数，ω表示信号阈值处理前的小波系数，λ表示阈值，sign(
·
)表示符号函数。3)小波重构：其中，c
i
‑1为i
‑
1层的低频小波系数。3.根据权利要求1所述一种强噪声环境下的滚动轴承智能故障诊断方法，其特征在于：所述改进的经验小波变换对多分量信号分解得到若干个单分量信号具体包括以下步骤：步骤1：对多分量信号f(t)进行傅里叶变换，得到频谱F(ω)，并将其归一化到[0,π]区间；步骤2：若F(ω)含有全局趋势项，采用多项式拟合的方法对其去趋势项处理；步骤3：采用高斯滤波对F(ω)进行正则化处理；步骤4：依据F(ω)预设初始边界集合M为模态个数；步骤5：采用ε邻域法自适应搜索边界，得到边界集合：步骤5：采用ε邻域法自适应搜索边界，得到边界集合：
其中，ω0＝0，ω
M
＝π；步骤6：定义小波紧框架B：其中，表示经验尺度函数，ψ
m
(ω)表示经验小波函数，m表示第m个边界点；即对任意m＞0，定义经验尺度...

【专利技术属性】
技术研发人员：任海军，韦冲，沈力，李琦，丁显飞，罗亮，谭志强，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：