通过轴承噪声检测进行故障诊断的方法及系统技术方案

本公开提供一种通过轴承噪声检测来进行故障诊断的方法和系统。该方法包括：采集轴承检测中的噪声，该噪声包括轴承噪声和工况噪声；对采集的噪声进行预处理，以获得第一时域信号和第二频域信号；以及将所述第一时域信号和第二频域信号输入轴承故障诊断模型。其中，轴承故障诊断模型包括特征提取模型和故障判别模型，特征提取模型分别对第一时域信号和第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征。并且其中故障判别模型将第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。判别。判别。

【技术实现步骤摘要】
通过轴承噪声检测进行故障诊断的方法及系统


[0001]本专利技术涉及轴承噪声检测领域，尤其涉及用于通过轴承噪声检测进行故障诊断的方法及系统。

技术介绍

[0002]轴承噪声是轴承质量控制中的关键参数之一，可以通过生产线中的轴承噪声检测来检测某些轴承早期缺陷。但是，噪声与轴承类型有着很强的相关性，例如不同轴承类型的轴承尺寸、材料、油脂等各有不同，噪声也因此不同。因此，针对某种类型的轴承的训练好的检测模型不能直接用于其他新类型的轴承。
[0003]典型轴承噪声检测模型的另一个问题是检测要完全取决于轴承的一些关键参数，例如故障频率(BPFI，BPFO等)以及相对稳定和准确的转速信息。但是在某些情况下，这些参数信息很难收集，例如缺少有关轴承类型的信息或缺少轴承速度信息。
[0004]目前的轴承检测算法需要收集大量有关轴承信息的轴承数据才能为新型轴承重新训练模型。这不但浪费时间和成本，而且无法支持在越来越多的新应用中的快速扩展。此外，对于没有轴承类型和速度信息的情况，只能由专业人员进行人工诊断，或者只能基于非常简单的诊断逻辑(例如RMS阈值或趋势)进行诊断，因此检测效率和检测精度相对较低。
[0005]因此，需要开发一种能够无需轴承信息就能通过自动轴承噪声检测进行故障判断的通用的方法和系统，从而通过提高轴承噪声自动检测模型的泛化能力来提高轴承噪声检测的效率。

技术实现思路

[0006]本专利技术的一个或多个实施例提供了一种用于通过轴承噪声检测来进行故障诊断的方法。该方法包括：采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声；对采集的噪声进行预处理，以获得第一时域信号和第二频域信号；以及将所述第一时域信号和第二频域信号输入轴承故障诊断模型以进行故障诊断。其中，轴承故障诊断模型包括特征提取模型和故障判别模型，特征提取模型分别对第一时域信号和第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征。并且其中故障判别模型将第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。
[0007]其中，对采集的轴承振动信号进行预处理可以包括：对采集的轴承振动信号进行带通滤波。对采集的噪声进行预处理还可以包括获取滤波后的信号的时域波形数据作为第一时域信号，以及对滤波后的信号进行傅里叶变换并获取傅里叶变换后的信号的包络频谱数据作为第二频域信号。可选地，该预处理还可以进一步包括对所述第一时域信号和第二频域信号分别进行归一化处理。可选地，该预处理还可以进一步包括对归一化处理后的第一时域信号和第二频域信号进行重采样。
[0008]其中，所述特征提取模型可以包括分别对时域信号和频域信号进行处理的模型，例如，对所述第一时域信号进行处理的第一子模型和对所述第二频域信号进行处理的第二
子模型。
[0009]该方法还可以进一步包括基于所述第一时域信号，所述第一子模型利用卷积核分别提取第一峰值数据和第一平均值数据；以及基于所述第二频域信号，所述第二子模型利用卷积核提取第二峰值数据和第二平均值数据。其中，所述第一峰值数据代表时域中特定时间上的噪声冲击，所述第一平均值数据代表时域中的平均工况噪声。其中，所述第二峰值数据代表频域中特定频谱上的噪声冲击，所述第二平均值数据代表频域中的平均工况噪声。
[0010]该方法还可以进一步包括：将所述第一峰值数据和第一平均值数据合并，以获得所述第一特征；以及将所述第二峰值数据和第二平均值数据合并，以获得所述第二特征。
[0011]其中，所述特征提取模型可以是基于卷积神经网络(CNN)的模型并且所述故障判别模型可以是基于全连接网络的模型。
[0012]其中，所述第一时域信号可以是时域包络，所述第二频域信号可以是频谱包络。
[0013]所述方法还可以包括基于历史故障模式建立故障模式数据集，以及存储判别出的故障模式以更新故障模式数据集。
[0014]本专利技术的一个或多个实施例提供了一种通过轴承噪声检测来进行故障诊断的系统。该系统包括数据采集器，处理器以及存储器。数据采集器被配置来采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声。所述处理器与所述数据采集器连接并且被配置为执行对采集的噪声的预处理，以获得第一时域信号以及第二频域信号。所述处理器还被配置成将所述第一时域信号以及第二频域信号输入轴承故障诊断模型以对轴承故障进行判别。其中，所述轴承故障诊断模型包括特征提取模型和故障判别模型。所述处理器被配置为使得通过所述特征提取模型分别对所述第一时域信号以及第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征；并且通过所述故障判别模型将所述第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。所述存储器被配置为与处理器连接并且存储获得的故障识别结果以更新原始故障数据库。
[0015]本专利技术的一个或多个实施例提供一种包括指令的计算机可读存储介质，所述指令被计算机执行以实现上述通过轴承噪声检测来进行故障诊断的方法。
[0016]有利地，本专利技术所公开的通过轴承噪声检测进行故障诊断的方法及系统可以在无需轴承信息的情况下实现通过自动轴承噪声检测进行故障判断，从而通过提高轴承噪声自动检测模型的泛化能力来提高轴承噪声检测的精度及效率。
附图说明
[0017]所述系统参照下列描述并结合附图可被更好地理解。图中的部件不是按比例的，而是将重点放在说明本专利技术的原理。此外，在图中，相似或相同参考数字代表相似或相同元件。
[0018]图1示意性示出了根据本专利技术的一个或多个实施例的对用于通过对轴承噪声的检测来进行故障识别的方法流程图。
[0019]图2示意性示出了根据本专利技术的一个或多个实施例的对采集的轴承噪声进行预处理的方法流程图。
[0020]图3示意性示出了根据本专利技术的一个或多个实施例的轴承故障诊断模型简图。
[0021]图4示意性示出了根据本专利技术的轴承故障诊断模型的一个网络模型示例。
具体实施方式
[0022]应当理解，给出实施例的以下描述仅仅是为了说明的目的，而不是限制性的。在附图中示出的功能块、模块或单元中的示例的划分不应被解释为表示这些功能块、模块或单元必须实现为物理上分离的单元。示出或描述的功能块、模块或单元可以实现为单独的单元、电路、芯片、功能、模块或电路元件。一个或多个功能块或单元也可以在公共电路、芯片、电路元件或单元中实现。
[0023]图1示意性示出了根据本专利技术的一个或多个实施例的对用于通过对轴承噪声的检测来进行故障识别的方法流程图。
[0024]参考图1，在S101处，可以通过传感器，例如一个或多个振动传感器，来采集轴承检测中的噪声，该噪声包括由轴承故障引起的轴承噪声，并且该噪声还包括工况噪声。在S102处，可以执行对通过传感器采集到的噪声信号进行预处理。在S103处，将预处理后的信号输入到轴承故障诊断模型进行诊断。可选地，在S104处，存储和/或输出故障诊断结果。例如，输出的故障诊断结果可以通过显本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于通过轴承噪声检测来进行故障诊断的方法，包括：采集轴承检测中的噪声，所述噪声包括轴承噪声和工况噪声；对采集的噪声进行预处理，以获得第一时域信号以及第二频域信号；以及将所述第一时域信号以及第二频域信号输入轴承故障诊断模型；其中，所述轴承故障诊断模型包括特征提取模型和故障判别模型，所述特征提取模型分别对所述第一时域信号以及第二频域信号进行特征提取，以获得与时域冲击峰相关联的第一特征和与故障频率峰相关联的第二特征；以及所述故障判别模型将所述第一特征和第二特征合并，并且基于合并后的特征对故障进行判别。2.根据权利要求1所述的方法，其中，所述特征提取模型包括用于对所述第一时域信号进行处理以获得所述第一特征的第一子模型和对所述第二频域信号进行处理以获得所述第二特征的第二子模型。3.根据权利要求2所述的方法，其中，基于所述第一时域信号，通过所述第一子模型分别提取第一峰值数据和第一平均值数据，其中，所述第一峰值数据代表时域中特定时间上的噪声冲击，所述第一平均值数据代表时域中的平均工况噪声；以及基于所述第二频域信号，通过所述第二子模型分别提取第二峰值数据和第二平均值数据，其中，所述第二峰值数据代表频域中特定频谱上的噪声冲击，所述第二平均值数据代表频域中的平均工况噪声。4.根据权利要求3所述的方法，还包括：将所述第一峰值数据和第一平均值数据合并，以获得所述第一特征；以及将所述第二峰值数据和第二平均值数据合并，以获得所述第二特征。5.根据权利要求1-4中任一项所述的方法，其中，所述特征提取模型是基于卷积神经网络CNN的模型并且所述故障判别模型是基于全连接网...

【专利技术属性】
技术研发人员：程刚，刘林辉，
申请(专利权)人：斯凯孚公司，
类型：发明
国别省市：