一种滚动轴承故障智能诊断方法技术

本发明专利技术公开了一种滚动轴承故障智能诊断方法，属于机械故障诊断技术领域，有效解决了实际工况中滚动轴承受负载复杂多变、数据集较小的影响，使得轴承故障诊断难以获得较高识别准确率的问题，本发明专利技术首先通过马尔科夫转移场(MTF)将原始信号转化为包含故障特征的二维图像，然后将特征图像作为卷积神经网络(CNN)的输入进行特征提取，最后实现对不同滚动轴承故障类型的识别分类，本发明专利技术创建的MTF

【技术实现步骤摘要】
一种滚动轴承故障智能诊断方法


[0001]本专利技术属于机械故障诊断
，涉及一种滚动轴承故障智能诊断方法。

技术介绍

[0002]滚动轴承是现代旋转机械中的重要零部件，其主要功能为支撑旋转部件，减少旋转体之间的摩擦损失。然而，轴承也是最容易损坏的部件，据统计，旋转机械失效案例中45％
‑
55％是由滚动轴承失效引起的。滚动轴承的故障可能会导致整个机械系统的损坏，造成大量的经济损失。因此，为了保证设备运行时的安全性和可靠性，对滚动轴承进行故障诊断和在线监测是很有必要的。传统的机械系统健康监测方法需要手动提取故障特征，在面对故障信息丰富多变、实际工况交替复杂时往往会导致诊断效果不理想和泛化性能欠佳的问题。因此，研究既能避免人工提取特征方法的不足又具有强大适应能力的智能故障诊断方法具有重要意义。
[0003]传统智能故障诊断方法通过对原始振动信号的时频域分析来完成对信号特征的提取和故障识别。不少学者作出了大量的研究。乔志城等采用改进经验小波变换(IEWT)获取信号的模态分量并完成重要分量的重构，再通过最小熵解卷积(MED)对重构信号进行滤波，最后完成轴承的故障诊断。何勇等通过遗传算法(GA)优化变分模态分解(VMD)，之后通过模态分量的包络谱判断轴承故障类型。Saidi等利用经验模态分解(EMD)将信号分解为本征模态函数(IMFs)，再对IMF信号进行双谱分析，最后提取轴承故障特征频率实现故障诊断。这些方法虽然能有效诊断轴承故障，但需根据经验人工提取故障特征，往往存在鲁棒性差，泛化性能不强，技术人员难以胜任故障诊断任务等问题。
[0004]传统智能故障诊断方法适应能力较弱，在复杂多变的工况下表现较差，且过分依赖于诊断专家的经验，因此，需要研究出一种适应能力强、受人工提取特征影响较小的故障诊断方法来解决传统方法的不足。2006年，Hinton等正式提出了深度学习的概念，克服了人工提取特征的困难，在计算机视觉、语音识别、自然语言处理、图像识别等领域已取得了丰硕的成果。随着深度学习的发展，越来越多的学者将其引用到故障诊断领域中。李巍华等将深度信念网络(DBN)直接应用于轴承振动原始信号的处理，实现轴承故障的分类识别。Verma等利用堆叠式稀疏自编码器(SAE)提取稀疏特征，对轴承以及阀门进行故障诊断。
[0005]卷积神经网络(Convolutional Neural Network，CNN)是深度学习的代表算法之一，因其具有强大的自动特征提取功能而被广泛应用于图像识别。近年来，CNN被故障诊断领域的部分学者应用于故障分类任务中。2016年，Janssens等首次利用CNN对齿轮箱中的轴承、齿轮等进行故障诊断，将常规算法故障诊断率提高了6％。宫文峰等通过实验全面地分析了CNN中比较有效的深度学习技巧、模型超参数对滚动轴承故障诊断结果的影响，但并未考虑负载改变时的诊断效果。Udmale等将包含时频能量的谱峭度图输入到CNN中进行故障诊断，提高了轴承在变工况下的识别精度，但并未考虑数据集规模大小对模型的影响。Liang等提出了一种并行卷积神经网络(P
‑
CNN)，融合了时域特征和频域特征，在不同负载和少量故障数据时均获得了较高的识别准确率，但该模型结构复杂，不利于故障的快速诊
断。Wen等将原始振动信号转化为二维灰度图像，输入CNN中进行故障诊断取得了较好的诊断效果，但该方法并未考虑信号的时间相关性且存在故障信号信息丢失的问题。

技术实现思路

[0006]本专利技术的目的在于针对现有技术中的缺陷，提供了一种滚动轴承故障诊断方法，能够顾在数据集较小、负载改变的环境下对滚动轴承轻微故障诊断具有更好的泛化性能和识别效果。
[0007]为了实现上述目的，本专利技术采用的技术方案是：
[0008]一种滚动轴承故障智能诊断方法，包括如下步骤：
[0009]S1：获取滚动轴承原始振动信号，用于CNN模型的训练；
[0010]S2：对采集到的信号按设置的样本长度进行随机分割；
[0011]S3：将分割后的每段信号按马尔科夫转移场(MTF)编码方式转换为二维特征图像；
[0012]S4：将二维特征图像数据集按比例划分为训练集和测试集；
[0013]S5：搭建CNN网络模型，初始化参数；
[0014]S6：把训练集输入CNN模型进行预训练，利用优化算法反复对模型参数进行优化，若达到最优值则进行步骤S7，否则跳转到步骤S5，修改模型参数，直到获得最优参数为止，并保存最佳模型；
[0015]S7：将测试集输入到训练好的CNN模型中进行滚动轴承故障诊断，最终获得轴承故障分类结果及测试准确率。
[0016]所述步骤S1中通过轴承实验数据中心获取滚动轴承原始振动信号，所述轴承数据实验中心包括依次连接的三相异步电机、扭矩传感器和负载，所述三相异步电机的底座外壳上安装有用于采集故障轴承振动型号的加速度传感器。
[0017]所述步骤S1中驱动端轴承在载荷为1
‑
3hp三种工况下工作时采集的故障振动信号，振动信号的采样频率为12kHz，采样时间为10s。
[0018]所述步骤S1中轴承的最低转速为1772r/min，通过公式
[0019]N＝f
s
×
60/n
s
[0020]计算出一个周期内的采样点数。
[0021]所述步骤S2中采用重叠采样的方式对数据进行随机分割。
[0022]所述步骤S3中通过马尔科夫转移概率来实现动态转移信息的编码，具体操作步骤为：
[0023]S301：给定一个时间序列X＝{x1,x2,x
i
,
…
x
n
}，首先将X离散化为Q个分位数单元，用分位数q
j
(j∈[1,Q])量化时间序列的每一个值，通过识别分位数Q，将每个数值x
i
映射到相应的分位数q
i
上，并构造一个Q
×
Q的马尔科夫转移矩阵W，通过沿时间轴以一阶马尔可夫链的方式将分位数转换成矩阵W，其表达式如下式所示：
[0024][0025]式中：w
ij
表示分位数q
i
位于点分位数q
j
后的概率，即
[0026]w
ij
＝P(x
t
∈q
i
|x
t
‑1∈q
j
)；
[0027]S302：由于马尔科夫转移矩阵忽略了时间序列X的分布与时间步长t
i
之间的时间依赖关系，故构造MTF来弥补这一不足，MTF通过沿时间顺序排列每个概率来扩展矩阵W，即为矩阵M，表达式如下式所示，矩阵M包含了每个分位数与时间步长之间的时间相关性：
[0028][0029]式中：m
ij
表示分位数q
i
转移到分位数q
j
的转移本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障智能诊断方法，其特征在于，包括如下步骤：S1：获取滚动轴承原始振动信号，用于CNN模型的训练；S2：对采集到的信号按设置的样本长度进行随机分割；S3：将分割后的每段信号按MTF编码方式转换为二维特征图像；S4：将二维特征图像数据集按比例划分为训练集和测试集；S5：搭建CNN网络模型，初始化参数；S6：把训练集输入CNN模型进行预训练，利用优化算法反复对模型参数进行优化，若达到最优值则进行步骤S7，否则跳转到步骤S5，修改模型参数，直到获得最优参数为止，并保存最佳模型；S7：将测试集输入到训练好的CNN模型中进行滚动轴承故障诊断，最终获得轴承故障分类结果及测试准确率。2.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S1中通过轴承实验数据中心获取滚动轴承原始振动信号，所述轴承数据实验中心包括依次连接的三相异步电机、扭矩传感器和负载，且所述三相异步电机的底座外壳上安装有用于采集故障轴承振动型号的加速度传感器。3.根据权利要求2所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S1中驱动端轴承在载荷为1
‑
3hp三种工况下工作时采集的故障振动信号，振动信号的采样频率为12kHz，采样时间为10s。4.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S2中采用重叠采样的方式对数据进行随机分割。5.根据权利要求1所述的一种滚动轴承故障智能诊断方法，其特征在于，所述步骤S3中通过马尔科夫转移概率来实现动态转移信息的编码，具体操作步骤为：S301：给定一个时间序列X＝{x1,x2,x
i
,
…
x
n
}，首先将X离散化为Q个分位数单元，用分位数q
j
(j∈[1,Q])量化时间序列的每一个值，通过识别分位数Q，将每个数值x
i
映射到相应的分位数q
i
上，并构造一个Q
×
Q的马...

【专利技术属性】
技术研发人员：雷春丽，夏奔锋，薛林林，焦孟萱，张护强，史佳硕，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：