基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法技术

本发明专利技术提出了一种基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法，包括：采集滚动轴承正常运转和不同故障状态下的振动信号，获得不同工况下振动信号的数据集；对振动信号进行完全自适应噪声集合经验模态分解，以包络峭度为参数指标，得到新的重组信号；对重组信号进行变分模态分解，以局部最大包络谱峭度为参数指标，得到最终的信号；提取最终的信号的时频域特征熵值组成不同故障状态的状态特征向量矩阵，并输入长短期记忆网络中进行训练得到训练模型；收集测轴承的振动信号进行同样处理后输入模型中进行故障诊断。本发明专利技术有效地解决了强噪声干扰下振动信号诊断效果不好和大样本量运算缓慢的问题。信号诊断效果不好和大样本量运算缓慢的问题。信号诊断效果不好和大样本量运算缓慢的问题。

【技术实现步骤摘要】
基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法


[0001]本专利技术属于机械系统故障诊断与信号处理
，具体地说，涉及一种基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法。

技术介绍

[0002]在现代化大生产的背景下，滚动轴承是许多机械装备中必不可少的部件之一，作为航空航天发动机、高精度数控机床、风力发电设备等旋转机械的关键部件，发挥着至关重要的作用。随着轴承使用时间的增加，轴承部件会经历各种形式的损坏，譬如疲劳剥落、塑性变形、裂纹及断裂、点蚀等，这些情况使轴承成为机器设备中最为脆弱的几种部件之一。轴承一旦发生损坏，会造成机器性能明显降低和寿命缩短，甚至发生重大事故，造成重大经济损失并危及人身安全。因此，对滚动轴承进行故障诊断具有十分重要的意义。
[0003]传统的滚动轴承振动信号检测主要以时频域分析法为主，即对传感器采集到的振动信号进行时域图和各种不同方法的频域图的绘制，计算对应条件下的轴承故障特征频率，并在图中找出对应的基频和倍频信号，与计算得出的故障特征频率进行对比，依此来确定故障类型。但在强噪声的干扰下，仅仅依靠单纯的时频域分析不能分离出隐藏在噪声中的故障频率的幅值。因此，针对采集到的振动信号，要先进行针对多种不同性质噪声的降噪处理，再采用时频域分析法来判断故障类型。而现阶段流行的基于深度学习的故障诊断方式，相较于人工判断而言，具有特征提取能力强和故障识别效率高的显著优点。

技术实现思路

[0004]本专利技术提出一种基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法，针对强噪声干扰下不同故障类型的振动信号数据，通过对振动信号进行完全自适应噪声集合经验模态分解，将分解得到的本征模态函数分量依据包络峭度的大小进行重组，再对重组信号进行变分模态分解，以局部最大包络谱峭度为筛选标准得到合适的本征模态函数分量，即为去除平稳性噪声和冲击噪声的纯净的振动信号。接着提取振动信号的奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵并组成一个表示轴承状态的状态特征向量矩阵。然后利用长短期记忆网络对该样本集进行训练，实现对不同故障状态的准确识别。
[0005]为实现上述目的，本专利技术所采用的技术方案如下：
[0006](a)采集滚动轴承在正常运转和不同故障状态下的振动信号，对获得的振动信号进行分类，以获得轴承正常运转和不同故障状态下振动信号的初始数据集；
[0007](b)对振动信号进行完全自适应噪声集合经验模态分解，分解得到多个本征模态函数分量，再以包络峭度为参数指标，筛选出大于原始振动信号包络峭度的本征模态函数分量，并将其重组为新的振动信号；
[0008](c)对重组的振动信号进行变分模态分解，分解得到多个新的本征模态函数分量，
再以局部最大包络谱峭度为参数指标，筛选出拥有最大包络谱峭度的本征模态函数分量作为最终的振动信号；
[0009](d)提取处理后的振动信号的时频域特征熵值，即奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵，生成不同故障状态的状态特征向量矩阵；
[0010](e)构建滚动轴承长短期记忆网络模型，并将状态特征向量矩阵作为神经网络模型的输入，对应的故障状态标签作为滚动轴承长短期记忆网络的期望输出，对滚动轴承长短期记忆网络进行训练；
[0011](f)采集当前滚动轴承的振动信号，采用步骤(b)、(c)、(d)中的相同的方法构造其状态特征向量矩阵；并将矩阵输入至步骤(e)训练好的滚动轴承长短期记忆网络模型中，得到当前滚动轴承的故障诊断结果。
[0012]作为一种优选的技术方案，在步骤(a)中，采集各故障状态的振动信号数据前，先采集轴承正常运转状态下的振动信号数据，再依次按照内圈、滚动体、外圈故障三种故障状态进行轴承故障数据的采集；在采集完正常数据和三类故障数据后，对数据进行预处理，包括：对振动信号的初步去噪处理；振动信号保留四位小数；
[0013]作为一种优选的技术方案，在步骤(b)中，对振动信号进行完全自适应噪声集合经验模态分解，在分解后得到的本征模态函数分量中选择最佳本征模态函数时，计算每一个本征模态函数分量与原始振动信号的包络峭度并以此进行判断，得到符合要求的本征模态函数分量，将其重组为新的振动信号，该振动信号相较原始振动信号而言去除了平稳性噪声的干扰；
[0014]作为一种优选的技术方案，在步骤(c)中，对重组的振动信号进行变分模态分解，分解得到多个新的本征模态函数分量，再以局部最大包络谱峭度为参数指标，筛选出拥有局部最大包络谱峭度的本征模态函数分量，并将其作为最终的振动信号。相较原始信号而言，该振动信号去除了平稳性噪声和冲击噪声的干扰，为纯净的振动信号；
[0015]作为一种优选的技术方案，在步骤(d)中，提取处理后的振动信号的综合时频域特征熵值，即奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵，生成不同故障状态的状态特征向量矩阵；
[0016]作为一种优选的技术方案，在步骤(d)中，构建的状态特征向量矩阵是基于多种时频域特征的熵值组合而成，形如；
[0017]其中，SVDE奇异谱熵值，AE的值为近似熵值，SE为样本熵值，FE为模糊熵值，EE为包络熵值，ME为多尺度散步熵值。
[0018]作为一种优选的技术方案，在步骤(e)中，使用的长短期记忆网络是一种改进的循环神经网络模型，该模型包括一个输入层、一个输出层和若干个隐含层，隐含层由记忆单元构成，记忆单元负责存储状态信息，并沿着时间轴传递。
[0019]采用了上述技术方案，本专利技术的有益效果为：
[0020]本专利技术采用完全自适应噪声集合经验模态分解和变分模态分解两种模态分解方法，在强噪声干扰下的振动信号中成功去除了平稳性噪声和冲击噪声，提取出了相对纯净的振动信号；
[0021]本专利技术提出将不同故障状态的奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵构建滚动轴承状态特征向量矩阵，该状态特征向量矩阵包含了轴承的不同故障类
型信息，对该状态特征向量矩阵进行分析，可以降低提取故障特征的难度，更好地解决了强噪声干扰下振动信号中故障微弱时诊断不准确的问题；
[0022]本专利技术通过构建轴承状态特征向量矩阵，大大降低了数据特征提取的难度，有效地提高了长短期记忆网络的训练效率。同时可以有效地解决原始数据集缺少、样本不平衡问题；
[0023]本专利技术构建的滚动轴承长短期记忆网络，包括一个输入层、一个输出层和若干个隐含层，隐含层由记忆单元构成；能够学习长期时序依赖，受到梯度消失和梯度爆炸的影响相较普通循环神经网络而言较小，拥有更好的网络性能。
[0024]本专利技术分别采集轴承正常运转和三种故障状态的振动信号数据，并从中提取时频域特征熵值，再采用长短期记忆网络进行学习，从而保证本方法可以对轴承的故障状态进行预测。
附图说明
[0025]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法，其特征在于，包括下列步骤:(a)采集滚动轴承在正常运转和不同故障状态下不同故障程度的振动信号，对获得的振动信号进行分类，以获得包括正常运转和不同故障状态下振动信号的初始数据集；(b)对振动信号进行完全自适应噪声集合经验模态分解，得到多个本征模态函数分量，以包络峭度为参数指标，筛选出大于原始振动信号包络峭度的本征模态函数分量，并将其重组为新的振动信号；(c)对新的振动信号进行变分模态分解，得到多个新的本征模态函数分量，再以局部最大包络谱峭度为参数指标，筛选出拥有局部最大包络谱峭度的本征模态函数分量并将其作为最终的振动信号；(d)提取最终的振动信号的综合时频域特征熵值，生成不同故障状态的状态特征向量矩阵，该综合时频域特征熵值包括奇异谱熵、近似熵、样本熵、模糊熵、包络熵和多尺度散步熵；(e)构建滚动轴承长短期记忆网络模型，并将状态特征向量矩阵作为神经网络模型的输入，对应的故障状态标签作为滚动轴承长短期记忆网络的期望输出，对滚动轴承长短期记忆网络进行训练；(f)采集待检测滚动轴承的振动信号，采用步骤(b)、(c)、(d)中的相同的方法构造其状态特征向量矩阵；并将矩阵输入至步骤(e)训练好的滚动轴承长短期记忆网络模型中，得到当前滚动轴承的故障诊断结果。2.如权利要求1所述的基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法，其特征在于，在步骤(a)中，采集滚动轴承在正常运转和不同故障状态下的振动信...

【专利技术属性】
技术研发人员：毛美姣，曾恺鑫，曾志，杨世平，谭志飞，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：