一种滚动轴承故障诊断方法技术

本发明专利技术公开了一种滚动轴承故障诊断方法，涉及机械故障诊断技术领域。本发明专利技术采用小波阈值降噪有效消除振动信号中的噪音；并基于经验小波变换(EWT)分解降噪信号，提取IMF分量的注意熵作为特征向量；针对深度核极限学习机(DK

【技术实现步骤摘要】
一种滚动轴承故障诊断方法


[0001]本专利技术涉及机械故障诊断
，更具体的说是涉及一种滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承是旋转机械的关键零部件，对其进行定期的轴承故障识别是保证旋转机械安全稳定运行的重要条件。考虑到振动信号是故障信息的载体，因而利用振动信号进行故障诊断已成为一种重要途径，如何从复杂的振动信号中提取有价值的特征信息用来评估设备的健康状况一直是故障诊断领域研究的重点。
[0003]现有技术中的机器学习方法虽然能够根据人工提取的特征识别轴承故障类型，但大多数神经网络为浅层结构，限制了从输入中学习更高级，更抽象信息的能力，而且需要大量的试验数据对网络进行训练，效率较低，并且浅层结构的局限性会降低故障诊断的准确率。
[0004]因此，如何提供一种高效、诊断准确率高的轴承故障诊断方法，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种滚动轴承故障诊断方法，本专利技术目的在于提供一种高效、诊断准确率高的轴承故障诊断方法。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种滚动轴承故障诊断方法，包括以下步骤：
[0008]S1、获取滚动轴承的原始振动信号，采用小波阈值降噪消除所述原始振动信号中的噪音得到降噪信号，利用经验小波变换将所述降噪信号分解为不同的IMF分量，提取所述IMF分量的注意熵作为特征向量；
[0009]S2、将所述特征向量划分为训练集、验证集和测试集；
[0010]S3、设置深度极限核学习机的核函数和隐含层层数，构建深度极限核学习机模型；所述深度极限核学习机模型是以核极限学习机为基础，结合多个自动编码器的深度模型，通过多个所述深度模型堆叠，构建多个隐含层的神经网络；
[0011]S4、利用训练集通过海洋捕食者算法求解所述深度极限核学习机模型，得到最优参数组合；
[0012]S5、将步骤S4中得到的最优参数组合代入所述深度极限核学习机模型，输入测试集，输出最优诊断率。
[0013]可选的，所述利用经验小波变换将降噪信号分解为不同的IMF分量具体为：
[0014]将信号支撑[0，π]划分出N个连续部分，以相邻极大值点的中点ω
n
作为分割区间的边界，第n个区间表示为：
[0015][0016]其中，Λ
n
表示第n个分割频带，ω0＝0，ω
N
＝π；
[0017]在分割好的所述分割频带Λ
n
基础上，构建带通滤波器；
[0018]通过公式(2)和(3)得到经验小波函数和经验尺度函数
[0019][0020][0021]式中，τ
n
＝γω
n
；其中β(x)＝x4(35
‑
84x+70x2‑
20x3)；
[0022]信号x(t)经验小波变换的细节系数由公式(4)得到：
[0023][0024]其中，代表细节系数；<
·
>代表内积；F
‑1[
·
]表示逆傅里叶变换；表示ψ
n
(ω)的傅里叶变换；是ψ
n
(t)的复共轭；
[0025]经验小波变换的近似系数计算方法如公式(5)：
[0026][0027]式中，是近似系数；表示φ
n
(ω)的傅里叶变换；是φ
n
(t)的复共轭；
[0028]原始信号x(t)的重构信号如公式(6)：
[0029][0030]式中，*表示卷积符号；根据所述公式(6)可以得到经验小波分解得到的经验模态x
k
(t)：
[0031][0032]可选的，提取IMF分量的注意熵包括如下步骤：
[0033]S11、定义关键模式；将振动信号中的峰值点定义为关键模式点；
[0034]S12、计算两个相邻关键模式之间的间隔；所述两个相邻关键模式包括局部最大值到局部最大值、局部最大值到局部最小值、局部最小值到局部最大值以及局部最小值到局部最小值四种情况；
[0035]S13、计算间隔的香农熵；
[0036]利用香农熵公式(8)计算关键模式点间隔分布的熵：
[0037][0038]其中，H(x)代表信号的香农熵，p(x
i
)代表间隔分布的概率，其表达式为x
i
表示第i个关键模式之间的间隔数；
[0039]S14、取步骤S12中四种情况下熵的均值作为注意熵；
[0040][0041]式中AE(x)表示信号的注意熵；H
j
(x)表示第j种情况下信号的香农熵。
[0042]可选的，所述设置深度极限核学习机的核函数和隐含层层数，构建深度极限核学习机模型。
[0043]深度极限核学习机模型是一个以核极限学习机(KELM)为基础，结合多个自动编码器(AE
‑
ELM)的深度模型，通过多个AE
‑
ELM模型堆叠，构建多个隐含层的神经网络。通过将初始特征映射到新的特征空间，高效地提取样本的有效特征。为增加样本的稳定性，引入核函数来消除随机映射的缺点。
[0044]其中，核极限学习机即把核方法引入极限学习机中，下面直接对极限学习机进行推导。
[0045]1、极限学习机(ELM)
[0046]极限学习机(ELM)作为一种前馈神经网络，不同于BP神经网络需要反复调整输入层与隐藏层权重和偏置，ELM任意选定输入层与隐藏层权重和偏置，并根据最小二乘法原则，直接确定隐藏层与输出层之间的权重β。将样本数据集{X
N
，Y
N
}输入到ELM中去，其中X
n
＝[x
n1
，x
n2
，
…
，x
ns
]是输入向量，Y
n
＝[x
n1
，x
n2
，
…
，x
nm
]是输出向量，通过(10)式得到ELM输出：
[0047][0048]其中，β
j
为第j个隐藏节点的输出权重；g()代表激活函数；W
j
为输入权重；b
j
为输入偏置；ELM算法的训练目标是实际输出和期望输出误差最小，即存在W
j
、b
j
以及β
j
让实际输出和期望输出相等。
[0049][0050]将公式(11)改写成矩阵表示形式：
[0051]Hβ＝Y(12)
[0052]其中H表示隐藏层节点的输出矩阵；输出权重矩阵β为期望输出矩阵Y为
[0053]通过求解式(12)得到输出权重矩阵β为：
[0054][0055]其中，为输出矩阵H的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚动轴承故障诊断方法，其特征在于，包括以下步骤：S1、获取滚动轴承的原始振动信号，采用小波阈值降噪消除所述原始振动信号中的噪音得到降噪信号，利用经验小波变换将所述降噪信号分解为不同的IMF分量，提取所述IMF分量的注意熵作为特征向量；S2、将所述特征向量划分为训练集、验证集和测试集；S3、设置深度极限核学习机的核函数和隐含层层数，构建深度极限核学习机模型；所述深度极限核学习机模型是以核极限学习机为基础，结合多个自动编码器的深度模型，通过多个所述深度模型堆叠，构建多个隐含层的神经网络；S4、利用训练集通过海洋捕食者算法求解所述深度极限核学习机模型，得到最优参数组合；S5、将步骤S4中得到的所述最优参数组合代入所述深度极限核学习机模型，输入测试集，输出最优诊断率。2.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述利用经验小波变换将降噪信号分解为不同的IMF分量具体为：将信号支撑[0,π]划分出N个连续部分，以相邻极大值点的中点ω
n
作为分割区间的边界，第n个区间表示为:其中，Λ
n
表示第n个分割频带，ω0＝0,ω
N
＝π；在分割好的所述分割频带Λ
n
基础上，构建带通滤波器；通过公式(2)和(3)得到经验小波函数和经验尺度函数和经验尺度函数和经验尺度函数式中，τ
n
＝γω
n
；其中β(x)＝x4(35
‑
84x+70x2‑
20x3)；
信号x(t)经验小波变换的细节系数由公式(4)得到：其中，代表细节系数；<
·
>代表内积；F
‑1[
·
]表示逆傅里叶变换；表示ψ
n
(ω)的傅里叶变换；是ψ
n
(t)的复共轭；经验小波变换的近似系数计算方法如公式(5)：式中，是近似系数；表示φ
n
(ω)的傅里叶变换；是φ
n
(t)的复共轭；原始信号x(t)的重构信号如公式(6)：式中，*表示卷积符号；根据所述公式(6)可以得到经验小波分解得到的经验模态x
k
(t)：3.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述提取IMF分量的注意熵包括如下步骤：S11、定义关键模式；将振动信号中的峰值点定义为关键模式点；S12、计算两个相邻关键模式之间的间隔；所述两个相邻关键模式包括局部最大值到局部最大值、局部最大值到局部最小值、局部最小值到局部最大值以及局部最小值到局部最小值四种情况；S13、计算间隔的香农熵，利用香农熵公式计算关键模式点间隔分布的熵：S14取步骤S12中四种情况下熵的均值作为注意熵。4.如权利要求1所述的一种滚动轴承故障诊断方法，其特征在于，所述深度极限核学习机模型是以核极限学习机为基础，结合多个自动编码器的深度模型，通过多个所述深度模型堆叠，构建多个隐含层的神经网络；其中，所述核极限学习机是将核方法引入极限学习机当中；所述极限学习机任意选定输入层与隐藏层权重和偏置，根据最小二乘法原则，直接确定隐藏层与输出层之间的权重β；将样本数据集{X
N
,Y
N
}输入到ELM中去，其中X
n
＝[x
n1
,x
n2
,
…
,x
ns
]是输入向量，Y
n
＝[x
n1
,x
n2

【专利技术属性】
技术研发人员：王斌，陈飞，张婷婷，吴凤娇，陈帝伊，王坤，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：