一种基于短时希尔伯特变换的滚动轴承故障诊断方法技术

本发明专利技术涉及轴承故障检测技术领域，公开了一种基于短时希尔伯特变换的滚动轴承故障诊断方法，包括：A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；B)利用最优滤波器对轴承振动信号进行滤波处理；C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像；D)构建卷积神经网络模型；E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。本发明专利技术利用最小熵解卷积对采集到的信号进行滤波处理，再通过短时希尔伯特变换方法获取特征图像，能够最大限度地保留振动信号特征，再通过卷积神经网络实现了轴承故障类型以及故障严重程度的分类，提高了故障分类的准确性。

A fault diagnosis method of rolling bearing based on short time Hilbert transform

【技术实现步骤摘要】
一种基于短时希尔伯特变换的滚动轴承故障诊断方法
本专利技术涉及轴承故障检测
，尤其是涉及一种基于短时希尔伯特变换的滚动轴承故障诊断方法。
技术介绍
滚动轴承是旋转机器中的关键零件之一，起到支撑旋转体，保证回转精度的功能，在各个领域中广泛应用。在旋转机器故障中，轴承损坏故障约占30％，且轴承损坏严重影响旋转机器的工作性能。因此，对滚动轴承状态进行故障监测，及时诊断出轴承存在故障，可对设备维修给出指导建议，具有一定的实际意义。旋转机器现场工艺复杂，受信号传递衰减和背景噪声的干扰，滚动轴承故障信息淹没于噪声信号中，因此需要找出合适的处理方法从信号中提取出滚动轴承微弱故障特征。现常结合信号处理方法和机器学习方法实现故障模式识别，通过信号处理方法对信号进行分解，然后提取各频带的特征参数，构成特征矩阵，通过机器学习分类方法对轴承故障进行分类。常提取的特征参数有：峭度、阈值指标、方差、偏斜度指标、均方根值和能量熵等。滚动轴承在不同工况环境下，特征敏感度差异明显，而通过选择通用特征来进行故障分类的准确性比较低。例如，一种在中国专利文献上公开的“一种滚动轴承早期故障诊断方法”，其公告号CN108444704A，该专利技术公开了一种滚动轴承早期故障诊断方法，包括：采集到的故障信号预处理；提取预处理后的故障信号特征频率；将提取到的特征频率与已知故障特征频率相比较，识别故障类型。其中，预处理包括两个方面：降噪和减少干扰振动分量；在特征提取步骤中，首先将预处理后的故障信号作分段处理，再将预处理后的分段故障信号与无故障轴承信号作相关性分析，根据互相关系数的大小选取包含故障信息较多的信号段用于频率特征提取。该专利技术将信号处理成若干个分量信号，没有办法确定故障频带，因此需要找到一种方法实现自适应故障频带滤波方法，通过对处理后的信号进行通用特征提取，进一步地利用深度学习方法实现轴承未知故障分类。
技术实现思路
本专利技术是为了解决现有技术中故障频带定位不准和特征参数的提取具有局限性的问题，提供一种基于短时希尔伯特变换的滚动轴承故障诊断方法，本专利技术利用最小熵解卷积对采集到的信号进行滤波处理，再通过短时希尔伯特变换方法获取特征图像，能够最大限度地保留振动信号特征，再通过卷积神经网络实现轴承故障类型以及故障严重程度的分类。为了实现上述目的，本专利技术采用以下技术方案：一种基于短时希尔伯特变换的滚动轴承故障诊断方法，包括：A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；B)利用最优滤波器对轴承振动信号进行滤波处理，获得滤波处理后的轴承振动信号；C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，对特征图像进行预处理，获得预处理后的图像样本；D)构建卷积神经网络模型，将预处理后的图像样本分为训练集、验证集和测试集，利用训练集训练卷积神经网络模型，利用验证集对卷积神经网络模型的超参数进行调整，利用测试集测试网络模型；E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。实际情况中轴承振动故障信号十分微弱，并且在采集时存在大量背景噪声以及信号在传递过程中有变形和失真，这使得传统分析方法运用变得十分困难。本专利技术利用最小熵解卷积的方法滤除背景噪声和传递路径对信号的干扰，凸显出故障脉冲，达到对故障信号最大程度的还原，最小熵卷积滤波器具有强的自适应性和鲁棒特性，能够自适应地找到滤波器的中心频率，解决了传统轴承共振解调方法中带通滤波器参数难以选择的难题。再对滤波处理后的轴承振动信号进行短时希尔伯特变换，希尔伯特变换用于时频分析，与信号分析其它变换不同，希尔伯特变换不是把信号从时域变换到另一个域，而是把信号从时域仍然变换到时域。一般情况下的希尔伯特变换方法在对信号进行处理时，着眼于整个时域范围，在一段较长时间区间内对信号进行变换处理，以此来降低截断误差对于整体变换结果的影响。但当发生故障后，故障信号的数据窗很短，实际工程中需要在较短时间段内对非平稳信号特征进行提取和分析，短时希尔伯特变换能够根据故障信号的局部时变特性对其进行自适应地时频分解，减少人为提取特征的影响，具有快速捕捉信号瞬时特征的优良性质，同时在处理非平稳信号中具有优势，有很好的时频聚集性和自适应性。再将短时希尔伯特变换后的特征图像作为数据样本，通过构建卷积神经网络模型实现轴承故障类别分类。进一步地，步骤A)中，采集轴承振动信号y(n)＝h(n)*x(n)+e(n)，其中h(n)为传递函数，x(n)为轴承振动信号冲击序列，e(n)为噪声。进一步地，步骤A)中，利用最小熵解卷积设计最优滤波器，步骤包括：A1)选取滤波器ω(n)的阶数L；A2)构建滤波器ω(n)使其中l表示滤波器ω(n)第l个点；A3)构造目标函数其中x(i)为轴承振动信号冲击序列x(n)的第i个值；A4)对目标函数F(ω(n))求一阶偏导，令获得使目标函数F(ω(n))值最大的最优滤波器ω(n)，获得最优滤波器ω(n)的系数。轴承振动故障信号的主要特点就是周期性的冲击成分突出，最小熵解卷积能将信号的熵降到最小，去除随机噪声和周期成分的影响，有利于后续轴承振动故障信号的处理和诊断，最小熵卷积滤波器能够自适应地找到滤波器的中心频率，具有强的自适应性和鲁棒特性。进一步地，步骤A1)中，根据选择滤波器ω(n)的阶数L，其中fs为采样频率，fc为滤波器的中心频率，fd为故障频率。进一步地，步骤B)中利用最优滤波器对轴承振动信号进行滤波处理的方法包括：将轴承振动信号与最优滤波器ω(n)进行卷积运算。滤波器ω(n)的阶数L的选取会影响到滤波效果，滤波器设计的参数有滤波器的阶数、中心频率和滤波带宽，最小熵解卷积方法只需确定滤波器的阶数，其他参数便能够根据滤波器的阶数确定出来。设置k个滤波器，令每个滤波器的阶数互不相同，依次重复步骤A1)至A4)，获得每个最优滤波器的系数，再将轴承振动信号与每个最优滤波器进行卷积运算，分析在不同阶数下的滤波器的滤波效果，再选取出滤波效果最好的最优滤波器，将滤波效果最好的最优滤波器的阶数作为最终选取的阶数。进一步地，步骤C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，步骤包括：C1)设置截断周期，根据截断周期对滤波后的轴承振动信号进行滑动截断处理，获得处理后的截断信号；C2)设置窗函数，对截断周期内的截断信号添加窗函数；C3)对添加窗函数后的截断信号进行希尔伯特变换，获得希尔伯特变换后的解析信号，通过解析信号获得各个时刻对应的频率和幅值信息；C4)对幅值进行归一化处理；C5)利用各个时刻对应的频率和归一化处理后的幅值信息获得时频图像；C6)将时频图像设置为特征图像，对特征图像进行图像变换，图像变换包括随机伸缩、切换或旋转中的至少一种，获得更多的特征图像，将特征图像保存成预设格式文件。运用时域希尔伯特变换方法在短时间内能够给出信号较为准确的希尔伯特变换表达式，具有快速捕捉信号瞬时特征的本文档来自技高网...

【技术保护点】
1.一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，包括：/nA)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；/nB)利用最优滤波器对轴承振动信号进行滤波处理，获得滤波处理后的轴承振动信号；/nC)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，对特征图像进行预处理，获得预处理后的图像样本；/nD)构建卷积神经网络模型，将预处理后的图像样本分为训练集、验证集和测试集，利用训练集训练神经网络模型，利用验证集对神经网络模型的超参数进行调整，利用测试集测试神经网络模型；/nE)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。/n

【技术特征摘要】
1.一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，包括：
A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；
B)利用最优滤波器对轴承振动信号进行滤波处理，获得滤波处理后的轴承振动信号；
C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，对特征图像进行预处理，获得预处理后的图像样本；
D)构建卷积神经网络模型，将预处理后的图像样本分为训练集、验证集和测试集，利用训练集训练神经网络模型，利用验证集对神经网络模型的超参数进行调整，利用测试集测试神经网络模型；
E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。


2.根据权利要求1所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A)中，采集轴承振动信号y(n)＝h(n)*x(n)+e(n)，n＝1,2,...,N，其中h(n)为传递函数，x(n)为轴承振动信号冲击序列，e(n)为噪声。


3.根据权利要求2所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A)中，利用最小熵解卷积设计最优滤波器，步骤包括：
A1)选取滤波器ω(n)的阶数L；
A2)构建滤波器ω(n)使其中l表示滤波器ω(n)第l个点；
A3)构造目标函数
其中x(i)为轴承振动信号冲击序列x(n)的第i个值；
A4)对目标函数F(ω(n))求一阶偏导，令获得使目标函数F(ω(n))值最大的最优滤波器ω(n)，获得最优滤波器ω(n)的系数。


4.根据权利要求3所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A1)中，根据选取滤波器ω(n)的阶数L，其中fs为采样频率，fc为滤波器的中心频率，fd为故障频率。


5.根据权利要求3或4所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤B)中利用最优滤波器对轴承振动信号进行滤波处理的方法包括：
将轴承振动信号与最优滤波器ω(n)进行卷积运算。


6.根据权利要求1或5所述的一种基于短时希尔伯特变换的滚动轴承故障诊...

【专利技术属性】
技术研发人员：李倩，柳树林，杨皓杰，孙丰诚，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：浙江;33