System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机械故障识别,尤其是指一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统。
技术介绍
1、滚动轴承是旋转机械的重要组成部分,为了避免灾难性事故的发生,对其开展故障诊断是不可或缺的。当轴承存在故障时,振动信号中会产生周期性故障冲击特征。然而,由于复杂的设备运行环境及机械结构,振动信号中故障冲击特征不可避免地被干扰成分淹没,导致难以精确提取出故障冲击特征,进而无法准确诊断出滚动轴承的潜在故障。
2、稀疏表示是近年来信号处理领域的研究热点,也在故障诊断领域获得广泛的应用。稀疏表示试图找到信号相对于字典的最稀疏或接近最稀疏的表示,从而捕获信号中蕴含的深层次特征,因此稀疏表示提供了一种可行的故障特征提取方案。
3、然而,传统的卷积稀疏表示算法没有考虑故障冲击特征的周期性以及不同尺度下信号特性,同时由于机械加工精度与设备安装精度的限制,即使滚动轴承处于健康状态时振动信号中也不可避免地存在谐波成分及其他干扰成分,这些因素极大降低了卷积稀疏表示算法在冲击特征提取方面的性能,从而可能会导致滚动轴承故障诊断中发生诊断错误。
4、需要说明的是,在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、为此,本专利技术所要解决的技术问题在于克服现有技术中没有考虑故障冲击特征的周期性以及不同尺度下信号特性,同时由于机械加工精度与设备安装精度的限制,即使滚动轴承处于健康状态时
2、为解决上述技术问题,本专利技术的第一方面提供了一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,所述方法包括:
3、对初始振动信号进行预处理,生成振动信号;
4、根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法;
5、根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征;
6、根据所述时域故障冲击特征确定轴承故障类型。
7、在本专利技术的一个实施例中,对初始振动信号进行预处理,生成振动信号的步骤包括:
8、获取初始振动信号;
9、对所述初始振动信号进行截断和去均值处理,生成所述振动信号。
10、在本专利技术的一个实施例中,所述加权多尺度卷积稀疏表示模型的公式如下:
11、
12、
13、其中,at为多尺度变换,(aty)j为第j个尺度下的小波系数,wj为第j个尺度的权重系数,dj,m为第j个尺度自适应学习字典中的第m个原子,xj,m为与原子dj,m对应的稀疏系数,λ为正则参数,⊙为元素点乘操作,bj为周期二进制向量,表示稀疏系数xj,m的第nj个组,该组共包含了kj个元素。
14、在本专利技术的一个实施例中,根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征的步骤包括:
15、根据所述迭代求解算法交替更新初始稀疏系数和初始自适应学习字典,直至达到目标迭代次数,生成稀疏系数和自适应学习字典;
16、根据逆多尺度变换将所述稀疏系数和所述自适应学习字典转化为时域故障冲击特征。
17、在本专利技术的一个实施例中,根据所述时域故障冲击特征确定轴承故障类型的步骤包括:
18、分析所述时域故障冲击特征的时域波形;
19、根据所述时域波形计算包络谱;
20、获取轴承结构参数和轴承转速;
21、根据所述轴承结构参数和所述轴承转速生成轴承理论故障特征频率;
22、将所述包络谱和所述轴承理论故障特征频率进行匹配,生成匹配结果;
23、根据所述匹配结果确定轴承故障类型。
24、在本专利技术的一个实施例中,将所述包络谱和所述轴承理论故障特征频率进行匹配,生成匹配结果的步骤包括:
25、若所述包络谱和所述轴承理论故障特征频率匹配成功,则匹配结果为存在故障,并确定故障类型;
26、若所述包络谱和所述轴承理论故障特征频率匹配失败,则匹配结果为不存在故障。
27、在本专利技术的一个实施例中,所述逆多尺度变换为逆调q因子小波变换。
28、本专利技术的第二方面提供了一种基于加权多尺度卷积稀疏表示的轴承故障诊断系统,应用于上述第一方面中任意一项提出的一种方法,所述系统包括:数据处理模块、计算模块和判断模块;
29、所述数据处理模块被配置为:对初始振动信号进行预处理,生成振动信号;
30、所述计算模块被配置为:根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法;根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征;
31、所述判断模块被配置为:根据所述时域故障冲击特征确定轴承故障类型。
32、本专利技术的第三方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。
33、本专利技术的第四方面提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。
34、本专利技术的上述技术方案相比现有技术具有以下优点:
35、本专利技术所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统,通过加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法得到迭代求解算法,充分利用了不同尺度下振动信号的特性差异,并在不同尺度在下采用不同权重系数达到抑制谐波成分等干扰成分的目的,同时考虑了故障特征稀疏系数的周期性并构建了促进该特性的正则项,因此在多种复杂干扰条件下依然能够准确提取周期性故障冲击特征,实现滚动轴承的准确诊断,确保整个机械系统的运行安全。
本文档来自技高网...【技术保护点】
1.一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,对初始振动信号进行预处理,生成振动信号的步骤包括:
3.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,所述加权多尺度卷积稀疏表示模型的公式如下:
4.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征的步骤包括:
5.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,根据所述时域故障冲击特征确定轴承故障类型的步骤包括:
6.根据权利要求5所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,将所述包络谱和所述轴承理论故障特征频率进行匹配,生成匹配结果的步骤包括:
7.根据权利要求4所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于:所述逆多尺度变换为逆调Q因子小
8.一种基于加权多尺度卷积稀疏表示的轴承故障诊断系统,其特征在于,应用于上述权利要求1至7任一项所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,所述系统包括:数据处理模块、计算模块和判断模块;
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法的步骤。
...【技术特征摘要】
1.一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,对初始振动信号进行预处理,生成振动信号的步骤包括:
3.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,所述加权多尺度卷积稀疏表示模型的公式如下:
4.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征的步骤包括:
5.根据权利要求1所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,根据所述时域故障冲击特征确定轴承故障类型的步骤包括:
6.根据权利要求5所述的一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法,其特征在于,将所述包络谱和所述轴承理...
【专利技术属性】
技术研发人员:丁传仓,王报祥,朱忠奎,石明宽,沈长青,王俊,江星星,黄伟国,杜贵府,石娟娟,韩林轩,
申请(专利权)人:苏州大学,
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。