【技术实现步骤摘要】
基于分布式边缘感知的设备在线智能诊断方法及系统
[0001]本专利技术属于滚动轴承
，涉及一种基于分布式边缘感知的设备在线智能诊断方法及系统
。
技术介绍
[0002]滚动轴承是旋转部件的重要组成部分，主要起到支撑重量和稳定旋转的作用
。
由于长期处于交变应力的复杂条件下，轴承很容易出现疲劳和裂纹等故障
。
故障的发生轻则引起设备损坏，严重则会引发重大事故，造成人员伤亡，所以及时发现并排除轴承故障成为工业领域中尤为重要的部分
。
大部分故障的发生通常十分隐蔽，不被人们所直接察觉
。
因此，为了能够有效的察觉故障和隐患的产生，需要对机械设备进行实时状态监测
。
[0003]振动诊断是目前经常使用的轴承故障诊断方法，即在轴承座上安装振动加速度传感器采集轴承的加速度信号，然后使用频域方法获得振动加速度频谱
。
通过时域和频域分析来提取相应的故障特征，得到可靠的识别故障结果
。
振动诊断方法适用于轴承的各种工...
【技术保护点】
【技术特征摘要】
1.
一种基于分布式边缘感知的设备在线智能诊断方法，其特征在于，包括如下步骤：采集轴承上多个位置的振动信号及轴承基座的振动信号，将轴承基座的振动信号作为参考信号对轴承振动信号进行预处理；计算预处理后的轴承振动信号的特征指标，并进行融合，得到特征数据集；利用特征数据集，计算数据状态指标；预设多个状态等级和状态等级对应的阈值范围，将数据状态指标与阈值范围进行对比，判断数据状态指标所述的状态等级
。2.
如权利要求1所述的基于分布式边缘感知的设备在线智能诊断方法，其特征在于，对轴承振动信号进行预处理的方法如下：设轴承振动信号
x
i
作为期望信号，
i∈[1,m]
，基座振动信号
x0作为参考信号，输入信号长度为
n
，去噪信号为
x
i
’
，
m
为正整数；令滤波器初始迭代步数为
m
，从
x0中取出
x0(k),x0(k
‑
1),,x0(k
‑
m+1)
组成列向量当前步长的滤波器系数组成的列向量为前步长的滤波器系数组成的列向量为前步长的滤波器系数组成的列向量为其中，
k
为当前迭代步数；当前步长的滤波器系数根据确定
,
其中期望信号
x
i
(k)
减去滤波器系数与参考信号向量的乘积，得到误差信号
e
i
(k)
：其中，
y(k)
为滤波器输出信号，即滤波器系数与参考信号的乘积；利用泰勒展开式和梯度下降公式使得误差信号均方值
E[e
i2
(k)]
无限接近于最小值：其中，
f(x)
为目标函数，令为
f(x)
在
x
处的导数，
μ
为步长因子；计算误差信号均方值的梯度计算误差信号均方值的梯度其中，
e
i
(k)
表示第
i
个轴承振动误差信号，
w
k
为滤波器系数；更新步长为
k+1
时的滤波器系数时的滤波器系数
其中，
μ
为步长因子，
λ
max
为期望信号
x
i
自相关矩阵的最大特征值；步长大于输入信号长度
n
后，滤波器的全部系数均已确定，计算得到的
e
i
即为去噪后的信号
x
i
’
：
x
i
′
＝
e
i
其中，
e
i
为经过迭代运算后得到的误差信号
。3.
如权利要求1所述的基于分布式边缘感知的设备在线智能诊断方法，其特征在于，得到特征数据集的方法如下：对轴承的
m
个测点的振动信号的时域特征均方根值
RMS、
峭度因子
K
v
、
波形因子
S
f
、
脉冲因子
I
f
进行特征融合，共有
4*m
＝
M
个特征数据；取
b
个正常运转数据样本，构成矩阵形式：其中，
x
bM
为特征数据；使用标准差标准化法，对矩阵进行标准化处理：其中，
x
*ij
为标准值，
x
ij
为原始样本，为样本均值，为样本标准偏差，
x
j
为样本矩阵中第
j
列数据；计算样本相关系数矩阵
R
：其中，
Cov(x
*i
,x
*j
)
为
x
*i
与
x
*j
之间的协方差；由于样本相关系数矩阵为半正定矩阵，所以特征值和特征向量的个数为
M,
由
(
λ
i
E
‑
R)a
i
＝0计算
R
的特征值从大到小排列为
λ
i
＝
λ1,
λ2,
…
,
λ
M
，特征向量为
a
i
＝
(a
i1
,a
i2
,
…
,a
iM
),i
＝
1,2,
…
,M,
构成的特征向量矩阵
H
M
×
M
＝
(a1,a2,
…
a
M
)
；
E
为单位矩阵；计算各特征值的累计贡献率
C
，选取
C≥90
％的前
s
个特征向量构成特征向量矩阵
H
...
【专利技术属性】
技术研发人员：丁晓喜，陈文豪，刘胜兰，王浩，吴启航，黄文彬，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。