建立曲轴轴承磨损程度预测模型及预测方法和相关装置制造方法及图纸

本发明专利技术涉及建立曲轴轴承磨损程度预测模型及预测方法和相关装置，建立曲轴轴承磨损程度预测模型的方法，包括下述步骤：获取由工业加速度传感器采集的柴油机振动信号x(t)；对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x

【技术实现步骤摘要】
建立曲轴轴承磨损程度预测模型及预测方法和相关装置


[0001]本专利技术涉及柴油机，尤其是涉及建立曲轴轴承磨损程度预测模型及预测方法和相关装置。

技术介绍

[0002]柴油机是众多车辆的动力来源，柴油机故障，会对车上人员带来安全隐患，因其结构复杂，传统机械故障诊断方法需要大量人力物力，需要对机械进行拆解甚至造成部件损坏，而基于振动信号的故障诊断方法可以避免此类问题，实现无拆解检测，节约大量成本。因此基于振动信号的故障诊断方法成为近年来许多学者研究的热点。
[0003]Chen Y等，利用快速傅立叶变换(Fast Fourier transform，FFT)对振动信号进行分析和处理，但其特征具有易聚集特性，不能很好的识别，需要人为介入；张玲玲等，采用小波包
‑
AR谱对变速器轴承故障进行特征提取，但该方法有小波基的选取困难缺陷；Cheng J等，利用经验模态分解(Empirical Mode Decomposition，EMD)对振动信号分解，但EMD会出现模态混淆现象；Xia,W等，利用自适应小波和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)分解信号用故障树分析喷油提前角度的大小，但由于实际运算有限，不能很好的消除已添加的白噪声的影响，会引起重构误差，虽然补充的集合经验模态分解方法(Complemen
‑
tary Ensemble Empirical Mode Decompo
‑
sition,CEEMD)，可以很好的消除白噪声对信号的影响但会出现伪分量，郑近德等，利用改进的集合经验模态分解MEEMD(CPEMD)可以减轻此类问题，但会出现参数较多，稳定性差问题，可以使用改进的集合经验模态分解和最小二乘支持向量机(LSSVM)对风电功率进行超短期预测，但此算法的拟合精度和采样点数成正比，需要较多数据。

技术实现思路

[0004]有鉴于此，本专利技术提供一种建立曲轴轴承磨损程度预测模型及预测方法和相关装置。
[0005]为解决上述问题，本专利技术提供的技术方案如下：
[0006]第一方面，本专利技术提供一种建立曲轴轴承磨损程度预测模型的方法，包括下述步骤：
[0007]S11：获取由工业加速度传感器采集的柴油机振动信号x(t)；
[0008]S12：对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；
[0009]S13：利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中；
[0010]S14：将特征集作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度预测模型。
[0011]进一步的，所述步骤S13包括以下步骤：
[0012]S131：改进的集合经验模态分解处理振动信号x
′
(t)；
[0013]S132：模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
[0014]S133：使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
[0015]S134：将分解得到的特征保存到特征集中。
[0016]第二方面，本专利技术提供一种曲轴轴承磨损程度预测方法，包括以下步骤：
[0017]S21：获取由工业加速度传感器采集的柴油机振动信号x(t)；
[0018]S22：将所述柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度的预测结果，所述曲轴轴承磨损程度预测模型是根据权利要求1
‑
2任一项所述的建立曲轴轴承磨损程度预测模型的方法建立的。
[0019]第三方面，本专利技术提供一种建立曲轴轴承磨损程度预测模型的装置，所述装置包括：
[0020]获取单元，用于获取由工业加速度传感器采集得到的柴油机振动信号x(t)；
[0021]处理单元，用于对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；
[0022]提取单元，用于利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中。
[0023]生成单元，用于将特征集中的振动信号特征作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度预测模型。
[0024]进一步的，所述提取单元包括：
[0025]第一分解单元，用于改进的集合经验模态分解处理振动信号x
′
(t)；
[0026]第二分解单元，用于模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；
[0027]提取子单元，用于使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；
[0028]保存单元，用于将分解得到的特征保存到特征集中。
[0029]第四方面，本专利技术提供一种曲轴轴承磨损程度预测装置，所述装置包括：
[0030]振动信号获取单元，用于获取由工业加速度传感器采集的柴油机振动信号x(t)；
[0031]预测结果输出单元，用于将由工业加速度传感器采集的柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度预测结果，所述曲轴轴承磨损程度预测模型是根据权利要求1
‑
2任一项的建立曲轴轴承磨损程度预测模型的方法建立的。
[0032]第五方面，本专利技术提供一种终端设备，所述终端设备包括：
[0033]处理器以及存储器；
[0034]所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
[0035]所述处理器，用于调用存储器中的指令执行权利要求1
‑
2任意一项所述的建立曲轴轴承磨损程度预测模型的方法。
[0036]第六方面，本专利技术提供一种终端设备，所述终端设备包括：
[0037]处理器以及存储器；
[0038]所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
[0039]所述处理器，用于调用存储器中的指令执行权利要求3所述的一种曲轴轴承磨损
程度预测方法。
[0040]由此可见，本专利技术具有如下的优点和有益效果：
[0041]本专利技术采用将奇异值分解与模拟退火算法优化改进的集合经验模态分解相结合提取信号的特征，使用模拟退火算法优化长短期记忆人工神经网络对故障进行预测。使用多种分解方法对柴油机曲轴轴承振动信号进行分解，分析各项指标，选取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建立曲轴轴承磨损程度预测模型的方法，其特征在于，包括下述步骤：S11：获取由工业加速度传感器采集的柴油机振动信号x(t)；S12：对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；S13：利用模拟退火算法优化改进的集合经验模态分解进行分解，奇异值分解法对处理后的振动信号x
′
(t)进行特征提取并保存到特征集中；S14：将特征集作为长短期记忆人工神经网络模型的输入，使用模拟退火算法对长短期记忆人工神经网络模型进行优化，生成曲轴轴承磨损程度预测模型。2.根据权利要求1所述的一种建立曲轴轴承磨损程度预测模型的方法，其特征在于，所述步骤S13包括以下步骤：S131：改进的集合经验模态分解处理振动信号x
′
(t)；S132：模拟退火算法优化改进的集合经验模态分解对处理后的振动信号x
′
(t)；S133：使用奇异值分解法对处理后的振动信号x
′
(t)进行特征提取；S134：将分解得到的特征保存到特征集中。3.一种曲轴轴承磨损程度预测方法，其特征在于，包括以下步骤：S21：获取由工业加速度传感器采集的柴油机振动信号x(t)；S22：将所述柴油机振动信号x(t)输入曲轴轴承磨损程度预测模型，输出曲轴轴承磨损程度的预测结果，所述曲轴轴承磨损程度预测模型是根据权利要求1
‑
2任一项所述的建立曲轴轴承磨损程度预测模型的方法建立的。4.一种建立曲轴轴承磨损程度预测模型的装置，其特征在于，所述装置包括：获取单元(301)，用于获取由工业加速度传感器采集得到的柴油机振动信号x(t)；处理单元(302)，用于对获得的振动信号x(t)进行小波阈值去噪，选择阈值为无偏似然估阈值的软阈值法进行处理，得到处理后的振动信号x
′
(t)；提取单元(303)，用于利用...

【专利技术属性】
技术研发人员：李英顺，田宇，郭占男，刘海洋，张杨，赵玉鑫，郭丽楠，
申请(专利权)人：沈阳顺义科技有限公司，
类型：发明
国别省市：