滚动轴承故障诊断方法、装置、电子设备和可读存储设备制造方法及图纸

本申请的实施例提供了一种滚动轴承故障诊断方法、装置、电子设备和可读存储介质。所述方法包括获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。以此方式，解决了仅运用EEMD、VMD、小波包分解等方式构造特征向量造成信号故障特征提取不充分，以及BP神经网络初始权值不合适而导致的故障诊断准确率低的问题，实现了对轴承部件故障的精准分类。实现了对轴承部件故障的精准分类。实现了对轴承部件故障的精准分类。

【技术实现步骤摘要】
滚动轴承故障诊断方法、装置、电子设备和可读存储设备


[0001]本申请的实施例涉及数据处理领域，尤其涉及一种滚动轴承故障诊断方法 、装置、电子设备和计算机可读存储设备。

技术介绍

[0002]滚动轴承是大型旋转机械中的关键部件，在设备运行过程中，滚动轴承容易发生故障，主要分为外圈故障、内圈故障和滚动体故障。关于故障诊断方法的分类，主要可以分为：基于模型的故障诊断技术、基于统计可靠性的故障诊断技术及基于数据驱动的故障诊断技术。
[0003]常用的信号处理、特征提取方法有EEMD、VMD、小波变换、时频域分析等，其中VMD是一种完全非递归的信号分解方法，该算法在变分框架中对信号分解，每个模态分量的频率中心及带宽在迭代求解变分模型的过程中不断更新，最后可以实现信号的自适应分解，再结合原始信号的时频域指标，实现信号的故障特征提取。
[0004]但是，仅运用EEMD、VMD、小波包分解等构造特征向量，会造成信号故障特征提取不充分的问题。

技术实现思路

[0005]在本申请的第一方面，提供了一种滚动轴承故障诊断方法。该方法包括：获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。
[0006]进一步地，所述信号处理模型通过基于遗传算法优化的VMD算法构建包括：构建训练样本集；所述样本集包括不同状态的滚动轴承振动信号；通过遗传算法优化VMD算法中的本征模态函数个数和惩罚因子；通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量；提取所述样本集中滚动轴承振动信号数据中的时域和频域指标；基于所述IMF分量、时域和频域指标，构建混合域特征集；基于所述混合域特征集，完成所述信号处理模型的构建。
[0007]进一步地，所述通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量包括：通过优化的VMD算法，将不同状态的振动信号分解成若干含故障信息的IMF分量，并求出前m个IMF分量的样本熵；其中，所述m的值通过如下方式进行确定：若训练集中有N条滚动轴承振动数据，则每条数据均采用遗传算法优化VMD的本征
模态函数个数和惩罚因子，得到N个最优的K值，记为{}，{}中元素的最小值为m。
[0008]进一步地，所述时域和频域指标包括时域均方根、峭度、频域平均频率和/或频率标准差。
[0009]进一步地，所述BP神经网络中的隐层节点数的经验公式如下：其中，为隐含层的节点数量；n为输入层节点数量；m为输出层节点数量；a为一个区间在[1,10]上的数。
[0010]进一步地，所述故障分类模型通过差分进化算法优化的BP神经网络构建包括：通过差分进化算法优化神经网络的初始权值；通过BP神经网络算法进行网络权值更新，构建故障分类模型。
[0011]进一步地，所述通过差分进化算法优化神经网络的初始权值包括：采用Softmax分类器、One
‑
hot编码使得适应度函数为最小值时，得到初始权值；其中，所述适应度函数为神经网络预测值与实际值的残差平方和。
[0012]在本申请的第二方面，提供了一种滚动轴承故障诊断装置。该装置包括：获取模块，用于获取滚动轴承的信号数据；处理模块，用于将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；分类模块，用于将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。
[0013]在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0014]在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。
[0015]本申请实施例提供的滚动轴承故障诊断方法，通过获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建，解决了仅运用EEMD、VMD、小波包分解等方式构造特征向量造成信号故障特征提取不充分的问题，实现了对轴承部件故障的精准分类。
[0016]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了本申请的实施例提供的方法所涉及的系统架构图；图2示出了根据本申请的实施例的滚动轴承故障诊断方法的流程图；图3示出了根据本申请的实施例的轴承故障诊断算法流程图；图4示出了根据本申请的实施例的遗传算法的流程图；图5示出了根据本申请的实施例的轴承数据集中的某一条内圈故障振动数据示意图；图6示出了根据本申请的实施例的图5振动信号进行VMD分解得到的IMF分量示意图；图7示出了根据本申请的实施例的图6中IMF分量的频谱示意图；图8示出了根据本申请的实施例的差分进化算法的流程图；图9示出了根据本申请的实施例的差分进化算法的目标函数优化过程示意图；图10示出了根据本申请的实施例的BP神经网络算法的目标函数优化过程示意图；图11示出了根据本申请的实施例的测试集故障诊断结果图；图12示出了根据本申请的实施例的滚动轴承故障诊断装置的方框图；图13示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。
具体实施方式
[0018]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0019]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0020]图1示出了可以应用本申请的滚动轴承故障诊断方法或滚动轴承故障诊断装置的实施例的示例性系统架构100。
[0021]如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器1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诊断方法，其特征在于，包括：获取滚动轴承的信号数据；将所述信号数据输入至信号处理模型中，得到所述信号数据的特征向量；将所述特征向量输入至故障分类模型中，确定所述滚动轴承的故障类别；其中，所述信号处理模型通过基于遗传算法优化的VMD算法构建；所述故障分类模型通过差分进化算法优化的BP神经网络构建。2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述信号处理模型通过基于遗传算法优化的VMD算法构建包括：构建训练样本集；所述样本集包括不同状态的滚动轴承振动信号；通过遗传算法优化VMD算法中的本征模态函数个数和惩罚因子；通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量；提取所述样本集中滚动轴承振动信号数据中的时域和频域指标；基于所述IMF分量、时域和频域指标，构建混合域特征集；基于所述混合域特征集，完成所述信号处理模型的构建。3.根据权利要求2所述的滚动轴承故障诊断方法，其特征在于，所述通过优化的VMD算法对所述训练样本集中的数据进行处理，得到IMF分量包括：通过优化的VMD算法，将不同状态的振动信号分解成若干含故障信息的IMF分量，并求出前m个IMF分量的样本熵；其中，所述m的值通过如下方式进行确定：若训练集中有N条滚动轴承振动数据，则每条数据均采用遗传算法优化VMD的本征模态函数个数和惩罚因子，得到N个最优的K值，记为{}，{}中元素的最小值为m。4.根据权利要求3所述的滚动轴承故障诊断方法，其特征在于，所述时域和频域指标包括时域均方根、峭度、频域平均频率和/或频率标准差。5.根据权...

【专利技术属性】
技术研发人员：王天柱，李洋，王志超，沈家立，麻全周，殷润达，刘宏波，马红磊，俞璞涵，胡梦超，郑忠健，张宇喆，刘治强，吕焕，吴晴，杨梅，张松，高宇杰，
申请(专利权)人：天津智能轨道交通研究院有限公司，
类型：发明
国别省市：