【技术实现步骤摘要】
本专利技术涉及一种轴承故障诊断方法，具体为一种低速重载工况下的轴承故障诊断方法，属于轴承故障识别。
技术介绍
1、在机械设备中，滚动轴承是关键且常见的零件，其对旋转机械的可靠和高效运行极其重要。滚动轴承的健康状态直接影响机械设备的性能。在复杂的工作条件下，滚动轴承容易受到损坏，如果不能及时检测和维修，可能会造成更大面积的机械故障，极大影响了设备的安全运行和工作效率、缩短机械的使用寿命、造成经济损失。因此，研究滚动轴承的故障诊断技术对于保证旋转机械的稳定性和性能是至关重要的。
2、轴承往往应用在封闭式的机械设备中，对轴承振动信号进行分析是轴承故障诊断中最常见的方法。但是在低速重载的工况中，轴承故障冲击虽然具有一定的能量，但由于其低速转动导致单位时间内的冲击次数相对较少，进而使其产生的故障特征信号容易被复杂的环境噪声干扰，导致提取故障特征信号相对于常规工况更加困难，最终无法精确识别轴承故障情况。因此如何能提供一种新的方法，能提取低速重载工况下轴承的故障特征信号，从而能精准判断轴承故障情况，是本行业的研究方向之一。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提供一种低速重载工况下的轴承故障诊断方法，能提取低速重载工况下轴承的故障特征信号，从而能精准判断轴承故障情况。
2、为了实现上述目的，本专利技术采用的技术方案是：一种低速重载工况下的轴承故障诊断方法，具体步骤为：
3、步骤一、采集低速重载工况下的混合振动信号，基于信号频谱分布特性确定信
4、步骤二、通过sae(即堆叠式自编码器)挖掘步骤一提取信号的内部信息，从各信号分量中充分提取高阶特征，增强不同信号分量之间的差异特性；
5、步骤三、采用rf(即随机森林)构建高阶特征与故障类别标签之间的映射关系，根据映射关系并结合步骤二获取的各信号分量的高阶特征，从而得到当前信号对应的故障类别标签，最终实现低速重载工况下的轴承故障的精确诊断。
6、进一步，所述步骤一具体过程为：
7、步骤①、确定分解次数t；
8、步骤②、计算信号频谱的粗粒化能量分布谱；
9、步骤③、基于能量分布谱确定分量初始化中心频率；
10、步骤④、基于上述初始化中心频率对原始信号进行第一次单分量vmd分解，分解出一个信号分量，然后将这一信号分量从原始信号中移除，将剩余信号作为一个新的原始信号继续处理；
11、步骤⑤、重复步骤①至④进行下一次单分量vmd分解，如此重复，直至到达确定的分解次数t。
12、进一步，所述步骤二中采用sae方法通过多层编码和解码有效地提取信号的高阶特征，扩大不同信号分量之间的差异性，为后续故障类型识别提供更好的基础，其具体步骤如下：
13、步骤a、通过权重wx和偏置bx对信号s＝[s1,s2,...sn]进行编码，得到隐藏层向量h，n为单个样本的长度；
14、h＝f(ws·s+bs) (1)
15、式中f(*)为激活函数；
16、步骤b、通过权重wx和偏置bx对隐藏层进行解码，得到原始信号；
17、s'＝f(wh·h+bh) (2)
18、步骤c、定义重构损失函数；
19、单样本重构误差：
20、
21、数据集s＝[s1,s2,...sm]重构误差：
22、
23、步骤d、使用随机梯度下降算法优化模型，并使用反向传播算法获得所需梯度，更新权重wx和偏置bx；
24、步骤e、重复步骤a至d，直到满足误差要求或达到迭代次数；
25、步骤f、将隐藏层向量h作为新的信号进行解码编码，得到新的隐藏层向量，如此持续，直到达到设定的堆叠层数，从而完成各个信号分量的高阶特征提取过程。
26、进一步，所述步骤三中rf采用基于bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，保证了rf分类的准确性，其具体步骤如下：
27、步骤ⅰ、使用bagging方法生成p个训练集，对每个训练集使用dropout方法从原始特征集中提取n个特征；
28、步骤ⅱ、对于每个训练集，生成一棵不需要剪枝的决策树，根据训练集的个数p生成t棵决策树；
29、步骤ⅲ、对样本进行分类，输出类别名称通过森林中树木的多数投票来确定；
30、
31、其中，i(*)为示性函数其中，c为树hi对预测类c的分类结果，为叶子中的节点数；通过上述过程构建高阶特征与故障类别标签之间的映射关系。
32、与现有技术相比，本专利技术采用改进vmd(即ivmd)能够有效避免模态混叠和端点效应，具有较好的鲁棒性，分解效果受噪声干扰较小，从而有效分离出低速重载工况下轴承振动信号中包含主要故障成分的信号分量，并形成重构信号；接着对重构信号采用sae(即堆叠式自编码器)，通过多层编码和解码有效地提取信号的高阶特征，扩大不同信号分量之间的差异性，为后续故障类型识别提供更好的基础；然后rf采用基于bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，保证了rf分类的准确性，构建高阶特征与故障类别标签之间的映射关系；最终根据映射关系结合提取的高阶特征信号，从而实现低速重载工况下的轴承故障的精确诊断。
本文档来自技高网...【技术保护点】
1.一种低速重载工况下的轴承故障诊断方法，其特征在于，具体步骤为：
2.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤一具体过程为：
3.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤二中采用SAE方法通过多层编码和解码有效地提取信号的高阶特征，扩大不同信号分量之间的差异性，为后续故障类型识别提供更好的基础，其具体步骤如下：
4.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤三中RF采用基于Bagging随机选择属性的方法，有效降低了树与树之间的相关性，同时建立的单棵非剪枝决策树能达到较低的误差，保证了RF分类的准确性，其具体步骤如下：
【技术特征摘要】
1.一种低速重载工况下的轴承故障诊断方法，其特征在于，具体步骤为：
2.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤一具体过程为：
3.根据权利要求1所述低速重载工况下的轴承故障诊断方法，其特征在于，所述步骤二中采用sae方法通过多层编码和解码有效地提取信号的高阶特征，扩大不...
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。