一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法技术

本发明专利技术公开了一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，包括以下步骤：首先依据故障机理与包含待测轴承个性特征的正常状态数据，生成个性化故障时域数据，提出并提取可反映轴承故障类别的频域特征形成虚拟故障样本，最后基于卷积神经网络(Convolutional NeuralNetworks,CNN)构建适用于待测轴承的智能诊断模型。与现有小样本诊断方法相比，具有不依赖待测轴承真实故障数据、计算量小、诊断精度高等优点。本发明专利技术可以在无故障数据的小样本条件下构建诊断模型，准确实现针对滚动轴承的智能诊断。实现针对滚动轴承的智能诊断。实现针对滚动轴承的智能诊断。

【技术实现步骤摘要】
一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法


[0001]本专利技术涉及滚动轴承小样本故障诊断领域，特别涉及一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法。

技术介绍

[0002]滚动轴承是核电、化工、航空等行业机电系统中的重要部件之一，对其进行故障诊断是实现“智能制造2025”的必然要求。故障诊断模型的构建是基于机器学习实现故障诊断关键的关键，不充足、不恰当的训练样本选择将导致诊断模型的适用性与可靠性降低，影响诊断结果准确率。
[0003]充足的各状态数据是诊断模型构建的基础，现有故障诊断方法在具备真实故障数据的条件下能够取得较好诊断效果，但在缺失故障数据的小样本情况下难以实现诊断模型的有效构建。
[0004]公开号为CN114266339A，专利名为《一种基于小样本和GAF
‑
DCGAN的滚动轴承故障诊断方法》的中国专利，利用深度卷积生成对抗网络依据少量故障数据实现样本扩充。公开号为CN113887586A，专利名为《小样本下基于特征融合的FFCNN
‑
>SVM迁移学习故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于，包括以下步骤：步骤1：通过振动采集装置获取健康轴承运行状态振动信号，得到正常状态数据；步骤2：依据轴承结构与转速确定轴承故障特征频率，基于待测设备固有频率确定故障信号的载波频率，并结合正常状态数据生成个性化故障时域数据；步骤3：分别对正常状态数据及步骤2生成的个性化故障时域数据进行包络谱分析，获得频域数据；步骤4：从步骤3获得的频域数据中提取频域特征主频幅值与基准幅值之比α、倍频幅值比β，组成诊断模型训练样本；步骤5：基于CNN与模型训练样本构建轴承个性化故障诊断模型；步骤6：对待测状态数据进行包络谱分析并提取步骤4所述频域特征组成测试样本，输入步骤5所得诊断模型完成故障诊断。2.根据权利要求1所述的一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于：步骤2中依据轴承结构与转速确定轴承故障特征频率，基于待测设备固有频率确定故障信号的载波频带，并结合正常状态数据生成个性化故障时域数据，其具体计算方法如下：依据故障产生、信号传递机理及正常状态时域数据生成个性化故障数据其产生过程如下：其中，x为时域波形；t为时间变量；为故障冲击信号；与分别代表轴承自身干扰振动及设备其他部件振动产生的干扰噪声，设定其幅值与正常状态时域数据幅值相同；h代表高频调制。3.根据权利要求1所述的一种基于故障机理与频域特征的滚动轴承小样本智能诊断方法，其特征在于：步骤4中提取可反映轴承故障类别的频域特征，主频幅值与基准幅值之比α、倍频幅值比β，其具体计算方法如下：首先截取轴承第j类故障k次谐波频率左右各一倍转频范围内的包络谱波形数据s
(j,k)
，其计算公式如下：s
(j,k)
＝s(m),m∈[k
×
f
j
‑
f
n
,k

【专利技术属性】
技术研发人员：马波，于功也，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：