一种动力学仿真引导的域对抗轴承故障诊断方法技术

本发明专利技术公开了一种动力学仿真引导的域对抗轴承故障诊断方法，包括有以下步骤：采集轴承振动信号数据；确定轴承几何参数和形状参数；构建基于轴承

【技术实现步骤摘要】
一种动力学仿真引导的域对抗轴承故障诊断方法


[0001]本专利技术属于滚动轴承故障诊断领域，尤其涉及一种动力学仿真引导的域对抗轴承故障诊断方法。

技术介绍

[0002]随着机械设备在生产中的广泛应用，生产流程中对机械设备的安全性、可靠度和智能化程度也有了全新要求。轴承常承担支承、传递力和力矩的重要作用，容易在长期高负荷运行下发生疲劳失效，可能导致生产活动被迫中止影响生产效率，甚至引起设备的进一步损伤，造成严重经济损失，甚至重大安全事故。故障导致的停机时间在所有故障的停机时间中占到90％以上。因此，对轴承的状态监测，以及故障的定位、诊断，可以为机械设备的安全、平稳运行提供必要保障，并降低设备的运维成本，同时能够减少生产事故的发生。对机械设备可能故障的人为干预和监测，对保障效率、缩减成本、保护生产环境安全和参与人员人身安全具有重要的现实意义。
[0003]传统故障诊断方法通常遵照以下流程：先搭建模拟实验台进行模拟实验或生产环境中采集多种状态下机械各个相关组件的振动加速度信号，然后使用时域、频域和时频域信号处理方法，实现进行故障诊断的目的。由于人工智能和深度学习领域的不断发展，神经网络优秀的特征拟合和提取能力受到大量关注，智能化诊断的需求也逐渐增加，利用深度学习的故障诊断方法已经成为了热门突破性方向之一，以卷积神经网络CNN为代表，在旋转机械故障诊断领域深度学习方法已经拥有了非常普遍的应用。但在实际工业生产过程中存在故障类型不平衡、少标记的情况，同时有故障发生位置受多种因素的影响、故障信号获取难度较大且数据量稀缺、大量数据需要人为标记等客观条件限制，这带来了进行故障诊断模型训练时样本不足、数据不平衡情况的出现，很多情况下难以训练一个实用可靠的诊断模型。
[0004]跨工况和跨机械诊断是故障诊断算法由理论走向工程应用的关键。为了克服传统机器学习的缺陷，迁移学习被广泛应用于故障诊断，其不需要假设训练样本和测试样本的分布相同。迁移学习可以通过学习映射将源域的一些特征转换到目标域，以满足机器学习模型使用不同训练样本对故障进行分类和预测的需求。尽管迁移学习方法在故障诊断领域取得了良好的进展，但实用场景中的故障诊断方法仍然受到多限制，大多数迁移学习方法在跨机械迁移等域分布差异较大且样本数量少的情况下难以取得良好效果。现实故障诊断场景中能够轻易获取大量健康轴承的振动数据，然而故障数据的样本量很少。实验环境中常采用人为制造故障的方式获取故障数据，在实际生产环境中可能并不适用。为了充分利用健康数据样本，实现对潜在故障的有效识别，将轴承动力学模型仿真结果与真实场景下的健康运行数据结合，利用健康轴承数据，缩小仿真模型与真实数据间的差异，并解决缺少故障数据的问题。

技术实现思路

[0005]本专利技术所要解决的技术问题是：针对实用场景中，在跨机械迁移等域分布差异较大且样本数量少的情况下迁移学习故障诊断效果不佳；大量健康状态样本没有充分利用的问题。提出基于动力学仿真的域对抗轴承故障诊断方法。
[0006]本专利技术包含以下步骤：
[0007]S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；
[0008]S2：根据轴承型号确定轴承几何参数和形状参数；
[0009]S3：构建基于轴承
‑
转子动力学理论多自由度故障动力学模型；
[0010]优选地，步骤S3具体包括：
[0011]S31：构建多自由度故障动力学模型公式如下：
[0012][0013]m是轴承内圈和主轴的集中质量，X、Y表示内圈和主轴在X和Y方向上的位移，C表示等效阻尼，W
X
、W
Y
分别表示内圈滚道和主轴在X和Y方向上承受的径向载荷力，ω表示主轴转速，t表示过程已用时间，表示f
X
和f
Y
表示Z个滚动体总接触力在X方向和Y方向上的分力
[0014][0015]K指表面接触刚度，δ表示滚动体的接触变形，j表示第j个滚动体，f
u
表示轴承不平衡质量引起的不平衡力：
[0016]f
u
＝meω2(4)
[0017]e表示转子不平衡量。
[0018]f
m
表示不对中量影响下的激振力：
[0019]f
m
＝
‑
2m
c
ΔEω2(5)
[0020]m
c
表示联轴器质量，ΔE表示不对中量。
[0021]S32：向动力学模型中引入轴承缺陷，模拟轴承滚道存在单点缺陷的情况。定义缺陷宽度为L，深度为H。缺陷轴承滚动体接触变形表示为
[0022]δ
j
＝xcosθ
j
+ysinθ
j
‑
γ
‑
H'(6)
[0023]其中H'表示滚动体附加位移。
[0024]设置开关函数判断滚动体是否滚进缺陷中，当缺陷位于轴承外圈时，附加位移的开关函数如下：
[0025][0026]表示轴承外圈缺陷的角位置，ζ指外圈缺陷对应的圆弧大小，ζ＝L/r
o
，r
o
表示轴承外圈半径。
[0027]轴承外圈缺陷的位移激励函数H
o
定义为
[0028][0029]ΔH
o
表示外圈故障下滚动体的最大附加位移：
[0030][0031]当缺陷位于轴承内圈时，附加位移的开关函数如下：
[0032][0033]表示轴承外圈缺陷的角位置，ζ＝L/r
i
，r
i
指轴承内圈半径。
[0034]轴承内圈缺陷的位移激励函数H
i
表示为
[0035][0036]ΔH
i
表示滚动体的最大附加位移：
[0037][0038]S4：引入轴承的几何参数和形状参数，采用龙格库塔法计算动力学模型的仿真结果；
[0039]S5：通过TLCC时滞互相关算法，将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；
[0040]优选地，步骤S5具体包括：
[0041]S51：按不同比例对仿真信号进行缩放，然后再与真实样本的正常信号进行叠加，生成信号的表达式为：
[0042][0043][0044]其中，分别表示所构建的源域内的外圈故障、内圈故障信号，表示真实轴承信号，分别表示数值模拟的外圈故障和内圈故障信号，TLCC(
·
)表示使用时滞互相关算法计算互相关并作滑移处理，a、b表示比例系数。
[0045]S6：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果。
[0046]优选地，步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动力学仿真引导的域对抗轴承故障诊断方法，其特征在于，包含以下几个步骤：S1：通过轴承故障试验台采集滚动轴承在正常状态以及内圈、外圈故障状态下来自振动传感器的轴承故障数据，构造轴承故障诊断样本集；S2：根据轴承型号确定轴承几何参数和形状参数；S3：构建基于轴承
‑
转子动力学理论的多自由度故障动力学模型；S4：引入轴承的几何参数和形状参数，采用龙格库塔法计算动力学模型的仿真结果；S5：通过TLCC时滞互相关算法，将仿真信号与真实信号进行相位对齐，然后通过仿真信号叠加真实数据中的健康轴承样本，引入真实场景中的工况和背景噪声信息，生成具有真实样本场景特征的源域故障数据集；S6：通过少样本域对抗迁移学习故障诊断模型对包含真实故障的目标域数据集进行故障识别，输出诊断结果。2.根据权利要求1所述的诊断方法，其特征在于，所述步骤S3中的轴承
‑
转子动力学模型中引入滚动轴承和转子的不平衡、不对中误差等故障类型。3.根据权利要求1所述的诊断方法，其特征在于，所述步骤S5选取仿真信号和真实信号的正常样本，采用TLCC时滞互相关算法计算信号之间的相位差，然后通过滑移的方法消除两信号的相位差，并将对齐相位的正常信号与数值仿真得到的故障信号进行线性叠加，生成包含实际工况和实际背景噪声信息的轴承故障信号，以获得用于诊断模型训练的源域数据。4.根据权利要求3所述的数据生成方法，其特征在于，按不同比例对仿真信号进行缩放，然后再与真实样本的正常信号进行叠加，生成信号的表达式为：生成信号的表达式为：其中，分别表示所构建的源域内的外圈故障、内圈故障信号，表示真实轴承信号，分别表示数值模拟的外圈故障和内圈故障信号，TLCC(
·
)表示使用时滞互相关算法计算互相关并作滑移...

【专利技术属性】
技术研发人员：唐刚，余蒙，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：