一种滚动轴承故障检测方法及装置制造方法及图纸

本发明专利技术涉及故障检测技术领域，具体涉及一种滚动轴承故障检测方法，为解决MFDFA算法对分析参数敏感的技术问题。一种滚动轴承故障检测方法，包括：步骤S1，获取振动信号，得到滚动轴承数据集，步骤S2，获得振动信号频谱，对振动信号快速傅里叶变换，获得振动信号的归一化多普勒频谱；步骤S3，提取振动信号频谱的多重分形谱特征；获得特征数据集，将数据集分成训练集、测试集和验证集；步骤S5，构建卷积神经网络作为故障检测模型，训练优化神经网络模型；步骤S6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；步骤S7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。动轴承是否故障。动轴承是否故障。

【技术实现步骤摘要】
一种滚动轴承故障检测方法及装置


[0001]本专利技术涉及故障检测
，尤其涉及一种滚动轴承故障检测方法及装置。

技术介绍

[0002]滚动轴承是现代机械中的关键部件，其故障检测和诊断具有重要意义。目前，国内外学者对滚动轴承故障检测技术进行了大量研究。机械振动信号是一种典型的非线性信号。分形理论在处理瞬态、非线性和非平稳信号方面具有独特的优势。基于分形理论研究具有强非线性的瞬态过程中的短期信号，以诊断机械设备的损伤是解决实际问题的新趋势。近年来，分形理论被用于描述机械故障信号复杂的非线性动态行为。振动信号的相关维数被用于滚动轴承故障诊断。然后，容量维和分形维数在故障诊断中的应用。滚动轴承外圈损伤对多重分形谱宽度的影响在文献中很常见。去趋势波动分析MFDFA是一种常用的多重分形分析算法。该方法常用于滚动轴承和齿轮的损伤诊断。采用MFDFA算法对摩擦振动进行分析，其中采用集成经验模态分解EEMD对信号进行去噪。提出了自适应MFDFA算法。MFDFA算法的缺点是对分析参数敏感。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提出一种滚动轴承故障检测方法及装置，以解决MFDFA算法对分析参数敏感的技术问题。
[0004]一种滚动轴承故障检测方法，包括：
[0005]步骤S1，获取振动信号，得到滚动轴承数据集，分析轴承的故障位置和故障程度；
[0006]步骤S2，获得振动信号频谱，对振动信号快速傅里叶变换FFT，获得振动信号的归一化多普勒频谱；
[0007]步骤S3，利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q
‑
阶熵和回归斜率作为振动信号频谱的多重分形谱特征；
[0008]步骤S4，划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q
‑
阶熵和回归斜率作为特征数据集，特征数据集是一个大小为I
×
p
×
1的多维数组，其中I为样本个数，p表示特征数，将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，N；
[0009]步骤S5，构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据训练集训练优化神经网络模型；
[0010]步骤S6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；
[0011]步骤S7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。
[0012]作为本申请的进一步改进，所述获得振动信号频谱，对振动信号快速傅里叶变换FFT，获得振动信号的归一化多普勒频谱，包括：
[0013]将每组获得的振动信号频谱数据x(t)进行FFT变换，计算公式如下：
[0014][0015]其中，X(w)为ECG信号的连续频谱，x(t)为原始时间序列，e为自然对数，j是虚数单位，w为频率；
[0016]将零频分量移到频谱中心，对频谱进行归一化，以获得其归一化多普勒频谱。
[0017]作为本申请的进一步改进，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：
[0018]首先计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q
‑
阶熵F
α(q)
(L(j,k)
q
)和线性回归斜率F
f(α(q))
(L(j,k)
q
)。
[0019]作为本申请的进一步改进，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：
[0020]步骤S31，通过离散小波变换(DWT)计算出信号多普勒频谱X＝{X
i
,i＝1,2,3,...,N}的小波变换系数d
X
(j,k)，其中j和k分别是缩放(扩张)指数和移动(平移)指数；
[0021]步骤S32，计算小波领袖L
X
(j,k)；将二元区间定义为:λ
j,k
＝[k2
j
,(k+1)2
j
)，同时，该区间3λ与其相邻的λ和2个二元区间3λ
j,k
＝λ
j,k
‑1∪λ
j,k
∪λ
j,k+1.
的联合，定义小波领袖为：
[0022][0023]这个定义表示小波领袖L
X
(j,k)由在一个狭窄的时间邻域(k
‑
1)
·2j
′
≤2
j
′
k
′
<(k+2)
·2j
内所有更细的尺度2
j
′
≤2
j
上计算出的最大的小波系数|d
X
(j
′
,k
′
)|组成；
[0024]步骤S33，计算小波领袖的结构函数S
L
(j,q)，对于固定的分析尺度s＝2
j
，形成时间(空间)的平均数(q
‑
阶)，称为结构函数：
[0025][0026]其中，n
j
是第j层小波系数分解的系数的个数；
[0027]若小波领袖结构函数S
L
(j,q)在小尺度的极限中拥有相对于尺度的幂律行为s＝2
j
→
0，那么：
[0028][0029]其中ζ
L
(q)通常被称为质量指数；
[0030]步骤S34，将结构函数S
L
(j,q)进行归一化由此得到质量函数ζ
L
(q)：
[0031][0032][0033]通过Legendre变换得到奇异性强度函数α(q)和多重分形频谱f(α)：
[0034]α(q)＝dζ
L
(q)/dq
[0035][0036]步骤S35，采用改进的熵分析矩阵计算方法得出q
‑
阶熵F
α(q)
(L(j,k)
q
)和线性回归斜率F
f(α(q))
(L(j,k)
q
)：
[0037][0038][0039]作为本申请的进一步改进，所述
[0040]将多重分形谱的左端点奇异指数、顶部奇异指数、q
‑
阶熵和回归斜率作为数据集，包括：
[0041]所述特征数据集为700
×4×
1，表示总样本数为700，每个样本的特征宽度为4
×
1；按照8:2将数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障检测方法，其特征在于，包括：步骤S1，获取振动信号，得到滚动轴承数据集；步骤S2，获得振动信号频谱，对振动信号快速傅里叶变换FFT，获得振动信号的归一化多普勒频谱；步骤S3，利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征；选取多重分形谱的左端点奇异指数、顶部奇异指数、q
‑
阶熵和回归斜率作为振动信号频谱的多重分形谱特征；步骤S4，划分数据集，将多重分形谱的左端点奇异指数、顶部奇异指数、q
‑
阶熵和回归斜率作为特征数据集，特征数据集是一个大小为I
×
p
×
1的多维数组，其中I为样本个数，p表示特征数，将数据集分成训练集、测试集和验证集；标注确定每个样本的具体类别，若为二分类任务，标注为0和1，若为多分类任务，标注为0，1，2，
…
，N；步骤S5，构建卷积神经网络作为故障检测模型，选取多重分形谱特征作为模型输入特征，并根据训练集训练优化神经网络模型；步骤S6，将寻优得到的最好结果输入到测试集当中，实现滚动轴承故障检测；步骤S7，将滚动轴承数据集输入到优化后的神经网络模型中，检测滚动轴承是否故障。2.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述获得振动信号频谱，对振动信号快速傅里叶变换FFT，获得振动信号的归一化多普勒频谱，包括：将每组获得的振动信号频谱数据x(t)进行FFT变换，计算公式如下：其中，X(w)为ECG信号的连续频谱，x(t)为原始时间序列，e为自然对数，j是虚数单位，w为频率；将零频分量移到频谱中心，对频谱进行归一化，以获得其归一化多普勒频谱。3.根据权利要求1所述的滚动轴承故障检测方法，其特征在于，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：首先计算振动信号的离散小波变换系数，其次定义小波领袖，然后计算小波领袖的结构函数和尺度函数，对结构函数进行归一化改进得到归一化质量函数，计算多重分形谱奇异指数和多重分形谱，最后利用改进的熵分析的矩阵方法计算q
‑
阶熵F
α(q)
(L(j,k)
q
)和线性回归斜率F
f(α(q))
(L(j,k)
q
)。4.根据权利要求3所述的滚动轴承故障检测方法，其特征在于，所述利用改进的小波领袖算法提取振动信号频谱的多重分形谱特征，包括：步骤S31，通过离散小波变换计算出信号多普勒频谱X＝{X
i
,i＝1,2,3,...,N}的小波变换系数d
X
(j,k)，其中j和k分别是缩放/扩张指数和移动/平移指数；步骤S32，计算小波领袖L
X
(j,k)；将二元区间定义为:λ
j,k
＝[k2
j
,(k+1)2
j
)，同时，该区间3λ与其相邻的λ和2个二元区间3λ
j,k
＝λ
j,k
‑1∪λ
j,k
∪λ
j,k+1.
的联合，定义小波领袖为：表示小波领袖L
X
(j,k)由在一个狭窄的时间邻域(k
‑
1)
·2j
′
≤2
j
′
k
′
<(k+2)
·2j
内所有更细的尺度2
j
′
≤2
j
上计算出的最大的小波系数|d
X
(j
′
,k
′
)|组成；
步骤S33，计算小波领袖的结构函数S
L
(j,q)，对于固定的分析尺度s＝2
j
，形成时间(空间)的平均数(q
‑
阶)，称为结构函数：其中，n
j
是第j层小波系数分解的系数的个数；若小波领袖结构函数S
L
(j,q)在小尺度的极限中拥有相对于尺度的幂律行为s＝2
j
→
0，那么：其中ζ
L
(q)通常被称为质...

【专利技术属性】
技术研发人员：盖志强，晋春，李垣江，王敏，张正言，邓小乔，张佳，周稳兰，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：