【技术实现步骤摘要】
本专利技术涉及一种利用特征信号进行建模与推理的故障诊断方法,具体涉及。
技术介绍
滚动轴承是旋转机械中最为重要的机械零件之一,广泛应用于化工、冶金、电力、航空等各个重要部门,同时它也是最易损坏的元件之一。轴承性能与工况的好坏直接影响到与之相关联的轴以及安装在转轴上的齿轮乃至整台机器设备的性能,其缺陷会导致设备产生异常振动和噪声,甚至造成设备损坏。因此,对滚动轴承故障进行诊断,尤其是对于早初期故障的分析,避免事故的发生,在生产实际中尤为重要。目前常见的滚动轴承故障诊断方法有故障机理分析法、基于信号和人工智能的诊断方法。基于故障机理分析的诊断方法,往往需要建立复杂的非线性动力学数学模型,而且对于局部缺陷,尤其是对故障的初期的诊断不甚理想;基于信号的诊断方法,如基于小波变换的时频域分析方法也被提出,小波基函数的选取对故障诊断的效果影响较大,而如何选择小波基函数的问题尚未得到有效解决;基于人工智能的故障诊断方法中,目前主要是利用人工神经网络,通过不断的学习和对系统进行信息的反馈,完成对诊断目标的分类。但其缺点是推理过程解释性差,而且当待诊断样本不完备(数据有缺失)时,神经网络不能进行有效的推理工作,无法利用故障的早期特征对轴承进行相应诊断。滚动轴承运行出现异常时,会直接反映到振动信号上,导致信号幅值域上特征参数的变化。每个待诊断目标都有其与众不同的特征表象。然而,在嘈杂、不确定性、动态的环境下利用信号特征进行快速、准确的故障的诊断,是一个复杂而艰巨的任务。贝叶斯网络(Bayesian network,简称BN)作为解决不确定性和不完备信息问题处理的有效方法,由于 ...
【技术保护点】
一种基于贝叶斯网络的滚动轴承故障诊断方法,其特征在于:由以下步骤实现:第1步:设置故障诊断信度阈值参数θ*和故障样本初始参数;设置样本数据组m初值大小;设置故障类型Bearing取值事件q的个数;设置故障类型初值参数s={1,…,q},类型标签tag_s={1,…,q};第2步:对不同故障引起的轴承的振动信号进行采样,获取样本数据data_s={tag_s?fs(n)|?L=mN;m、N为正自然数;n=0,…,L?1};其中采集信号fs(n)分为m组长度各为N的数据,设j为组别号,则;第3步:对fs,j(n’)进行N点快速Fourier变换处理,可将时域信号转成频域信号,计算公式如下:;???????????????第4步:计算故障特征向量:根据信号离散Fourier变换的性质,频谱沿N/2点呈对称;按频率信号用等距切分法将分成v段(其中k’=0,1,?…,(N/2)?1),并分段求和得到Ws,j,u,其中u=1,…,v;第5步:用等距切分法对故障特征向量进行离散化,以加快模型推理速度:将连续型变量Ws,j,u的数值按变量取值范围均匀划成r等份,属性值分别采用数字1至r代表;第6步:建 ...
【技术特征摘要】
1.一种基于贝叶斯网络的滚动轴承故障诊断方法,其特征在于由以下步骤实现第I步设置故障诊断信度阈值参数Θ *和故障样本初始参数;设置样本数据组m初值大小;设置故障类型Bearing取值事件q的个数;设置故障类型初值参数s={l,…,q},类型标签 tag_s={l, .··, q};第2步对不同故障引起的轴承的振动信号进行采样,获取样本数据data_s={tag_s fs (η) I L=mN;m、N为正自然数;η=0,…,L_l};其中采集信号fs (η)分为m组长度各为N的数据,设j为组别号,则2.根据权利要求1所述的一种基于贝叶斯网络的滚动轴承故障诊断方法,其特征在于第I步中,所述的Θ*范围一般取O. 7至O. 8 (即70%至80%);m值常取80至100…常取值为3或4。3.根据权利要求1或2所述的一种基于贝叶斯网络的滚动轴承故障诊断方法,其特征在于 第2步中,N值取1024...
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。