一种滚动轴承故障识别方法及系统技术方案

本发明专利技术公开了一种滚动轴承故障识别方法及系统，涉及人工智能领域，该方法包括：获取待检测滚动轴承从开始运行到当前时段的所有振动信号；利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围；获取振动信号的信息熵波动范围内的局部信息熵对应的振动信号记为初始目标振动信号；利用任意两个初始目标振动信号之间的时间差得到多种属于同一周期性的目标振动信号；对同一周期性的目标振动信号的局部信息熵进行曲线拟合得到拟合曲线；对每条拟合曲线上每个点的斜率进行聚类得到多类斜率，利用每类斜率均值之间的差值确定当前滚动轴承是否存在异常，本发明专利技术实现了对滚动轴承故障的准确的自动化识别。对滚动轴承故障的准确的自动化识别。对滚动轴承故障的准确的自动化识别。

【技术实现步骤摘要】
一种滚动轴承故障识别方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种滚动轴承故障识别方法及系统。

技术介绍

[0002]滚动轴承是机械设备中常见的零部件之一，用于在运转过程中减少轴与轴之间摩擦带来的损失，并且能够对轴和轴之间的零件正常运作起到很好的支撑作用，当机械设备中的轴承损坏时，会导致轴的运转精度降低，并导致部分零件应力集中造成零件损坏，进而使得整体设备无法使用，影响生产效率，甚至可能引发安全事故。
[0003]目前大多利用采集的滚动轴承的振动信号对滚动轴承进行故障识别，将当前时段滚动轴承振动信号和初始正常段滚动轴承的振动信号进行相似性度量，根据相似性度量结果设定阈值判断滚动轴承是否出现异常，但是由于设备周围环境复杂，会导致存在较多的噪声从而使得最终滚动轴承检测结果不准确，因此，本专利技术提出一种滚动轴承故障识别方法及系统。

技术实现思路

[0004]本专利技术提供一种滚动轴承故障识别方法及系统，用于对滚动轴承的振动信号自动化分析，得到当前滚动轴承的故障识别结果。
[0005]本专利技术的一种滚动轴承故障识别方法，采用如下技术方案：获取待检测滚动轴承从开始运行到当前时段的所有振动信号；以每个振动信号为中心选取设定时长的信号段作为该振动信号的目标信号段；利用每个振动信号的目标信号段中所有振动信号的信号值得到该振动信号的局部信息熵；获取每个振动信号的目标信号段中所有振动信号的信号值的方差，利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围；获取振动信号的信息熵波动范围内的局部信息熵对应的振动信号记为初始目标振动信号；利用任意两个初始目标振动信号之间的时间差将初始目标振动信号分为多种不同周期性的目标振动信号；对每种属于同一周期性的目标振动信号的局部信息熵进行曲线拟合得到拟合曲线；对每条拟合曲线上每个点的斜率进行聚类得到多类斜率，利用每类斜率均值之间的差值确定当前滚动轴承是否存在异常。
[0006]进一步，目标信号段的长度大于滚动轴承的转动周期。
[0007]进一步，利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围的步骤包括：分别获取所有振动信号的方差的均值和局部信息熵的均值作为目标方差和目标
局部信息熵；利用目标局部信息熵减去目标方差作为振动信号的信息熵波动范围的最小值；利用目标局部信息熵加上目标方差作为振动信号的信息熵波动范围的最大值；将信息熵波动范围的最大值和最小值形成的区间作为振动信号的信息熵波动范围。
[0008]进一步，利用任意两个初始目标振动信号之间的时间差将初始目标振动信号分为多种不同周期性的目标振动信号的步骤包括：获取任意两个初始目标振动信号之间的时间差；将时间差和转动周期相等且时间间隔为转动周期的振动信号划分为同一周期性的目标振动信号。
[0009]进一步，对拟合曲线上每个点的斜率进行k
‑
means算法二分类得到两类斜率。
[0010]进一步，利用每类斜率均值之间的差值确定当前滚动轴承是否存在异常的步骤包括：获取每类斜率中所有斜率的均值，并得到两类斜率的均值之间的差值；当差值大于预设的异常阈值时，认为该滚动轴承存在故障；当差值不大于预设的异常阈值时，认为该滚动轴承不存在故障。
[0011]一种滚动轴承故障识别系统，包括：数据采集模块：用于获取待检测滚动轴承从开始运行到当前时段的所有振动信号，以每个振动信号为中心选取设定时长的信号段作为该振动信号的目标信号段；数据处理模块：用于利用每个振动信号的目标信号段中所有振动信号的信号值得到该振动信号的局部信息熵；获取每个振动信号的目标信号段中所有振动信号的信号值的方差，利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围；数据提取模块：用于获取振动信号的信息熵波动范围内的局部信息熵对应的振动信号记为初始目标振动信号；利用任意两个初始目标振动信号之间的时间差将初始目标振动信号分为多种不同周期性的目标振动信号；检测识别模块：用于对每种属于同一周期性的目标振动信号的局部信息熵进行曲线拟合得到拟合曲线；对每条拟合曲线上每个点的斜率进行聚类得到多类斜率，利用每类斜率均值之间的差值确定当前滚动轴承是否存在异常。
[0012]本专利技术的有益效果是：本专利技术的一种滚动轴承故障识别方法及系统，通过方差和局部信息熵共同确定信息熵波动范围，利用信息熵波动范围提取所有振动信号中在信息熵波动范围内的振动信号，利用方差将局部信息熵扩大成了信息熵波动范围，作为数据采集误差的容错范围，使得去除噪声点时可以尽可能的保留正常点；利用信息熵波动范围筛选初始目标振动信号，得到了去除了部分噪声点的振动信号；再通过转动周期筛选出具有周期性的振动信号，可以过滤掉无周期规律的噪声的振动信号，使得后续故障识别的结果更加准确；去除噪声点的干扰后，对所有的振动信号的局部信息熵进行曲线拟合，利用斜率判断当前时段的滚动轴承是否出现异常，实现了滚动轴承故障识别的自动化分析。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术的一种滚动轴承故障识别方法的实施例总体步骤的流程图；图2为本专利技术的一种滚动轴承故障识别系统的结构示意图。
具体实施方式
[0015]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]本专利技术的一种滚动轴承故障识别方法的实施例，如图1所示，该方法包括：S1、获取待检测滚动轴承从开始运行到当前时段的所有振动信号；以每个振动信号为中心选取设定时长的信号段作为该振动信号的目标信号段。
[0017]具体的，在滚动轴承安装的机械部分设置微型加速度传感器，用于采集滚动轴承的振动信号。利用微型加速度传感器采集从滚动轴承开始运行到当前时刻的所有的振动信号。
[0018]以每个振动信号为时间窗口中心，选取一个时序长度大于滚动轴承的转动周期的时间窗口，因为滚动轴承的转动周期为振动信号的振动周期，振动信号为周期性的数据，所以为减少误差，设定时序长度大于振动周期，即大于旋转周期，本方案中，选取时间窗口的长度为0.5ms，实施者可根据具体实施场景进行调整，利用滚动轴承转动一周所需的时间和转速可以得到滚动轴承的转动周期。
[0019]将每个振动信号的时间窗口中的所有振动信号统称为该振动信号的目标信号段。
[0020]S2、利用每个振动信号的目标信号段中所有振动信号的信号值得到该振动信号的局部信息熵；获取每个振动信号的目标信号段中所有振动信号的信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障识别方法，其特征在于：获取待检测滚动轴承从开始运行到当前时段的所有振动信号；以每个振动信号为中心选取设定时长的信号段作为该振动信号的目标信号段；利用每个振动信号的目标信号段中所有振动信号的信号值得到该振动信号的局部信息熵；获取每个振动信号的目标信号段中所有振动信号的信号值的方差，利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围；获取振动信号的信息熵波动范围内的局部信息熵对应的振动信号记为初始目标振动信号；利用任意两个初始目标振动信号之间的时间差将初始目标振动信号分为多种不同周期性的目标振动信号；对每种属于同一周期性的目标振动信号的局部信息熵进行曲线拟合得到拟合曲线；对每条拟合曲线上每个点的斜率进行聚类得到多类斜率，利用每类斜率均值之间的差值确定当前滚动轴承是否存在异常。2.根据权利要求1所述的一种滚动轴承故障识别方法，其特征在于，目标信号段的长度大于滚动轴承的转动周期。3.根据权利要求1所述的一种滚动轴承故障识别方法，其特征在于，利用每个振动信号对应的方差和局部信息熵得到振动信号的信息熵波动范围的步骤包括：分别获取所有振动信号的方差的均值和局部信息熵的均值作为目标方差和目标局部信息熵；利用目标局部信息熵减去目标方差作为振动信号的信息熵波动范围的最小值；利用目标局部信息熵加上目标方差作为振动信号的信息熵波动范围的最大值；将信息熵波动范围的最大值和最小值形成的区间作为振动信号的信息熵波动范围。4.根据权利要求1所述的一种滚动轴承故障识别方法，其特征在于，利用任意两个初始目标振动信号之间的时间差将初始目标振动信号分为多种不同周期性的目标振动信号的步骤包...

【专利技术属性】
技术研发人员：孙小洁，
申请(专利权)人：沃图水泵上海有限公司江苏分公司，
类型：发明
国别省市：