一种滚动轴承故障的诊断方法技术

本发明专利技术公开了一种滚动轴承故障的诊断方法，包括以下步骤：S1：采集所述滚动轴承的加速度信号；S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。本发明专利技术提出的滚动轴承故障的诊断方法，大大提高了故障诊断的准确率。

【技术实现步骤摘要】

本专利技术涉及机械自动化领域，尤其涉及一种滚动轴承故障的诊断方法。
技术介绍
滚动轴承一直是机械设备中的核心部件，同时又是最容易发生故障的部件之一；滚动轴承一旦发生故障，会对整个机械设备造成不利的影响。因此，设计准确、高效的滚动轴承故障诊断方法，快速准确地诊断出轴承故障发生的位置、幅度大小，并对故障采取有效的处理方式，对于保障机械设备的正常安全运行具有重要意义。目前滚动轴承故障的诊断方法有很多，主要可以分为基于声信号处理方法、振动信号检测的方法、加速度信号处理方法等等，这些方法的效果很大程度上取决于对采集的真实数据的预处理能力和特征提取的能力；但是现有技术中对采集的数据的处理能力有限导致最终的故障的诊断结果的准确率大大降低。
技术实现思路
为解决上述技术问题，本专利技术提出一种滚动轴承故障的诊断方法，不仅大大提高了故障诊断的准确率，而且方法简单、易于操作。为达到上述目的，本专利技术采用以下技术方案：本专利技术公开了一种滚动轴承故障的诊断方法，包括以下步骤：S1：采集所述滚动轴承的加速度信号；S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。优选地，步骤S6具体包括：将所述滚动轴承执行步骤S1～S5训练的至少一个所述BP神经网络分类器，与采用已知故障数据的所述滚动轴承执行步骤S1～S5训练至少一个所述BP神经网络分类器以建立的故障诊断模型进行对比，确定所述滚动轴承的故障信息。优选地，建立所述故障诊断模型中的步骤S1中的所述滚动轴承包括带负载和不带负载的已知故障数据的滚动轴承。优选地，步骤S2具体包括：S21：采用db5小波对随时间变化的加速度信号序列f(t)进行小波变换，分别得到2-j分辨率下的粗糙像系数Cj,k和细节系数Dj,k；S22：保留所述粗糙像系数Cj,k，对于所述细节系数Dj,k，采用软阈值方法进行处理，所述软阈值方法的计算公式为： D ^ j , k = sgn ( D j , k ) ( | D j , k | - λ ) | D j , k | ≥ λ 0 | D j , k | < λ ]]>其中，sgn()是符号函数，阈值λ的取值为δ为信号的标准差，N为信号的长度；S23：再采用小波逆变换将频域信号转换回时域的时间序列信号，以完成对所述加速度信号的去噪处理，其中小波逆变换的计算公式为： C j , k = Σ m = - ∞ ∞ h ( k - 2 m ) C j + 1 , m + Σ m = - ∞ ∞ g ( k - 2 m ) D j + 1 , m . ]]>优选地，步骤S3具体包括：以A个时间点作为一个单位样本，以B的重叠率，对M个加速度信号点进行分割，提取到n个所述样本，其中A、M、n为正整数。优选地，B的取值范围为0<B<100％。优选地，A、B、M、n的取值满足A+(n-1)A*(1-B)＝M关系式的要求。优选地，步骤S4中是通过两个自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息，具体包括：S41：第一个自编码网络采用[A E A]的结构，其中E&本文档来自技高网...

【技术保护点】
一种滚动轴承故障的诊断方法，其特征在于，包括以下步骤：S1：采集所述滚动轴承的加速度信号；S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。

【技术特征摘要】
1.一种滚动轴承故障的诊断方法，其特征在于，包括以下步骤：S1：采集所述滚动轴承的加速度信号；S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。2.根据权利要求1所述的诊断方法，其特征在于，步骤S6具体包括：将所述滚动轴承执行步骤S1～S5训练的至少一个所述BP神经网络分类器，与采用已知故障数据的所述滚动轴承执行步骤S1～S5训练至少一个所述BP神经网络分类器以建立的故障诊断模型进行对比，确定所述滚动轴承的故障信息。3.根据权利要求2所述的诊断方法，其特征在于，建立所述故障诊断模型中的步骤S1中的所述滚动轴承包括带负载和不带负载的已知故障数据的滚动轴承。4.根据权利要求1所述的诊断方法，其特征在于，步骤S2具体包括：S21：采用db5小波对随时间变化的加速度信号序列f(t)进行小波变换，分别得到2-j分辨率下的粗糙像系数Cj,k和细节系数Dj,k；S22：保留所述粗糙像系数Cj,k，对于所述细节系数Dj,k，采用软阈值方法进行处理，所述软阈值方法的计算公式为： D ^ j , k = sgn ( D j , k ) ( | D j , k | - λ ) | D j , k | ≥ λ ...

【专利技术属性】
技术研发人员：王学谦，谭俊波，赵泽奇，梁斌，徐峰，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东;44