【技术实现步骤摘要】
本专利技术属于轴承故障诊断，涉及一种基于自适应降噪与双向门控循环单元的轴承故障诊断方法。
技术介绍
1、在石油与石化行业中，电动机设备的运转安全性、稳定性和高效性对于生产过程的顺利进行至关重要。滚动轴承作为电动机的关键零部件，其状态监测和故障诊断变得尤为关键。其健康状况直接关系到设备的正常运行，因此通过实现滚动轴承的智能化故障诊断和状态检测，能够有效提升设备管理水平，从而提高企业效益。由于石油化工行业电动机通常在重负载、变转速等恶劣条件下运行，滚动轴承长期承受较大的载荷，容易导致其运行状态逐渐劣化。因此，实现滚动轴承的智能化诊断对于在不同工况下获取准确的运行状态特征信息至关重要。这一点对于确保设备的稳定性和长寿命具有重要意义。同时，由于轴承原始数据在不同工况下采集，且采集过程中存在较强的背景噪声，因此，滚动轴承的智能诊断方法必须具备一定的通用性，以适应复杂多变的工作环境。
2、中国期刊论文“基于ssa-vmd-mckd的强背景噪声环境下滚动轴承故障诊断”通过应用ssa算法，将故障信号分解，并利用时域互相关准则对分解信号进行筛选和重构；通过鲸鱼优化算法(woa)对变分模态分解(vmd)的参数以及最大相关峭度解卷积(mckd)的参数进行优化；参数优化后的vmd用于对重构信号进行分解，从所得的本征模态函数(imf)中提取故障特征信号，而参数优化的mckd算法则用于增强故障特征；通过频谱包络进行滚动轴承故障诊断。该方法综合运用三种方法，以及鲸鱼优化算法进行参数优化，可能使整个方法变得复杂且计算成本较高；方法中的各个步骤都需要
3、中国期刊论文“采用深度迁移学习与自适应加权的滚动轴承故障诊断”通过将轴承样本映射到高维特征空间，对振动信号中冲击故障特征的高效提取；借鉴迁移学习思想，设计加权领域鉴别器，对样本进行自适应加权；通过在特征空间进行对抗训练，增大目标域与源域共有健康状态样本的领域相似性，同时抑制了目标域额外故障状态样本与源域样本的领域相似性增强。根据样本权重，度量目标域与源域样本的相似性，并设定了阈值，将目标域额外故障状态样本标记为未知故障。通过将源域故障诊断知识迁移到目标域共有健康状态样本的故障识别中，实现强背景噪声干扰下轴承故障特征的有效提取与诊断。深度学习方法通常对大量标记样本的需求较高，尤其是在迁移学习中，需要源域和目标域之间有足够的相似性，否则可能导致模型的泛化性能不佳。深度学习模型和迁移学习中的参数需要仔细调整和优化，对于非专业用户来说，这可能是一项具有挑战性的任务。在面对未见过的数据时可能存在泛化能力不足的问题，特别是在目标域有较大差异的情况下，可能需要更多的针对性优化。
技术实现思路
1、为解决上述技术问题，本专利技术的目的是提供一种基于自适应降噪与双向门控循环单元的轴承故障诊断方法。
2、本专利技术提供一种基于自适应降噪与双向门控循环单元的轴承故障诊断方法，包括：
3、步骤1：通过在电动机驱动端的轴承座上安装x，y，z三个方向的icp型压电式加速度传感器，对处于不同工况下的电动机轴承振动信号进行采集；
4、步骤2：对采集的电动机轴承振动信号进行降噪处理；
5、步骤3：对降噪后的电动机轴承振动信号进行数据划分，以滑移的方式每次截取2048个数据点作为一组数据，构造数据集，并划分测试集与训练集；
6、步骤4：建立bigru滚动轴承故障识别网络，使用训练集数据对bigru滚动轴承故障识别网络进行训练；
7、步骤5：将测试集数据输入到训练好的bigru滚动轴承故障识别网络中，验证模型并获取诊断结果。
8、进一步的，其特征在于，所述步骤2具体为：
9、步骤2.1：利用相空间重构理论将一维电动机轴承振动信号x(t)＝[x1,x2,…xi,…,xn]转化为二维矩阵y，表达式如下：
10、
11、其中，y表示j×i阶矩阵，2≤i≤n，j＝(n-i+1)/τ，τ表示延时步长，xi为第i个电动机轴承振动信号数值，n为电动机轴承振动信号的总数据量；
12、步骤2.2：将矩阵y进行奇异值分解，将矩阵y分解为两个正交矩阵与一个对角矩阵相乘的形式，表达式如下：
13、y＝uwvt
14、其中，u，v为正交矩阵，分别名为左奇异矩阵与右奇异矩阵，w为对角矩阵；
15、将上述矩阵展开表达式如下：
16、
17、步骤2.3：采用自适应相关分析法自适应的确定信号合适的τ，对于振动信号，自相关函数序列表达式为：
18、
19、其中，rk为自相关函数，xk为第k个电动机轴承振动信号数值，xg为第g个电动机轴承振动信号数值；
20、对于延时步长τ，表达式为：
21、
22、步骤2.4：根据上述公式，自适应选取最优的延时步长τ，根据步骤2.2构造二维矩阵，将矩阵进行奇异值分解，并且将对角矩阵中的奇异值按照降序排列，选取奇异值序列中的部分奇异值置零，获得多个奇异值分解的对角矩阵w＇的表达式为：
23、
24、其中，ω为非零奇异值的个数，1≤ω≤j-1；
25、步骤2.5：利用更新后的对角矩阵w＇更新二维矩阵y，得到矩阵y＇，进而重构信号；重构信号后，利用相关峭度法计算峭度最大的重构信号，此时峭度最大的重构信号即为最优重构信号，最终完成对原始含噪声的电动机振动数据进行降噪处理，相关峭度的表达式为：
26、
27、其中，m为与时间滞后有关的参数，xa为第a个电动机轴承振动信号数值，t为电动机轴承振动信号步长。
28、进一步的，其特征在于，所述步骤3具体为：
29、步骤3.1：对降噪后的电动机轴承振动信号按照滑移步长s进行滑移分割，滑移步长s计算公式为：
30、
31、其中，n为电动机轴承振动信号的总数据量，p为截取的一组数据的数据点数，取值2048，n为划分的样本数；
32、步骤3.2：通过s变换，将分割后的每组数据进行时频变换，转化为二维图谱的形式；
33、步骤3.3：通过重塑图像尺寸，对二维图谱进行重塑，以便于后续利用图像进行诊断；
34、步骤3.4：对于重塑后的图片，随机选取80％作为训练集，剩下20％的图片作为测试集。
35、进一步的，其特征在于，所述步骤4具体为：
36、步骤4.1：设计包含多个特征提取模块的gru神经网络模型，特征提取模块采用门控循环单元形式，由更新门和重置门组成；所述gru神经网络模型的本文档来自技高网...
【技术保护点】
1.基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，所述步骤2具体为：
3.如权利要求1所述的基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，所述步骤3具体为：
4.如权利要求1所述的基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，所述步骤4具体为：
【技术特征摘要】
1.基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，包括：
2.如权利要求1所述的基于自适应降噪与双向门控循环单元的轴承故障诊断方法，其特征在于，所述步骤2具体为：
3.如权...
【专利技术属性】
技术研发人员：王蓬，史宗辉，赵磊，白晓天，王虎成，李凤丹，毕鉴首，
申请(专利权)人：丹东华通测控有限公司，
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。