轴承故障特征识别方法及系统、电子设备、存储介质技术方案

本发明专利技术公开了一种轴承故障识别方法及系统、电子设备、存储介质，所述轴承故障识别方法在采集轴承故障时的振动信号后，先对振动信号进行去躁处理，以消除振动信号中包含的噪声信号，消除了噪声信号对于故障特征提取的干扰，提高了后续特征提取和故障类型识别的准确性。然后，通过对振动信号的信号类型和平稳性进行分析，根据振动信号是时域信号或者频域信号、是平稳信号或者非平稳信号，对应地从数据库中选择匹配的故障识别模型进行故障类型识别，根据振动信号的不同特性选择最适配的故障识别模型，大大提高了故障特征提取和故障类型识别的准确度。的准确度。的准确度。

【技术实现步骤摘要】
轴承故障特征识别方法及系统、电子设备、存储介质


[0001]本专利技术涉及叶片安装角测量
，特别地，涉及一种轴承故障特征识别方法及系统、电子设备、计算机可读取的存储介质。

技术介绍

[0002]轴承的状态监测和故障诊断意义重大，其中，国产轴承故障特征提取及知识库研究对于国产轴承质量的提高和新质量评价标准的形成更为重要。机械设备运行时，由于磨损、过载、润滑不良等原因都会造成滚动轴承发生局部损伤，轴承损坏是导致机械设备故障的主要因素之一，而轴承故障特征的有效提取对轴承运行状态监测和故障诊断至关重要。但在实际环境中，由于受周围复杂环境的影响，采集的振动信号往往含有强噪声并伴有故障信号微弱，从而导致故障特征难以提取。例如，当轴承某一元件表面出现局部损伤时，在受载运行过程中会撞击与之相互接触的其他元件表面，产生周期性的冲击脉冲力，其振动信号往往表现出非平稳性。同时，故障产生的冲击振动会激起轴承系统各部件的高频固有振动，从而导致幅值调制现象，而其调制信号的频率与轴承发生局部故障的类型有关。因此如何有效地提取相应的调制信息，即故障频率等信息，是判断滚动轴承故障类型的关键。

技术实现思路

[0003]本专利技术提供了一种轴承故障特征识别方法及系统、电子设备、计算机可读取的存储介质，以解决难以从采集的振动信号中提取出故障特征，从而导致难以识别故障类型的技术问题。
[0004]根据本专利技术的一个方面，提供一种轴承故障识别方法，包括以下内容：
[0005]采集轴承故障时的振动信号；
[0006]对振动信号进行去躁处理；
[0007]分析振动信号的信号类型和平稳性，并根据分析结果选择匹配的故障识别模型对去躁后的振动信号进行故障类型识别。
[0008]进一步地，所述分析振动信号的信号类型和平稳性，并根据分析结果选择匹配的故障识别模型对去躁后的振动信号进行故障类型识别的过程具体为：
[0009]若振动信号为平稳信号且为时域信号，选择基于时域分析方法的故障识别模型识别故障类型；
[0010]若振动信号为平稳信号且为频域信号，选择基于频域分析方法的故障识别模型识别故障分类；
[0011]若振动信号为非平稳信号，选择基于时频域分析方法的故障识别模型识别故障类型。
[0012]进一步地，时域分析方法包括时域统计特征提取法、相关度分析法和概率密度分析法，频域分析方法包括快速傅里叶变换法、阶比谱分析法、倒谱分析法、功率谱分析法，时频域分析方法包括短时傅里叶变换法、小波分析法、希尔伯特
‑
黄变换法。
[0013]进一步地，若振动信号为频域信号且为单一振动信号，选择稀疏滤波故障诊断模型；若振动信号为频域信号且为复合振动信号，选择自编码故障诊断模型；若振动信号为非平稳信号，选择正则化稀疏故障诊断模型识别故障类型。
[0014]进一步地，所述稀疏滤波故障诊断模型的训练过程为：
[0015]采集原始振动信号的频谱作为训练样本，并组成训练样本集其中，M表示样本个数，表示包含N
in
个数据点的第i个样本，l
i
表示第i个样本的标签；
[0016]将训练样本集组成一个样本矩阵然后将其输入到稀疏滤波模型中进行训练，直至稀疏滤波模型的目标函数最小化，获得此时的权重矩阵W，其中，目标函数为：其中，表示样本矩阵中第i个样本的归一化特征，表示第i个样本的L1范数，表示第i个样本的L2范数；
[0017]基于权重矩阵W和x
i
计算得到学习特征集计算公式为：其中，表示第i个样本的第j个特征值，ReLU()表示激活函数，表示权重矩阵中第j个特征的权重值；
[0018]将学习特征集与标签集组合输入到softmax分类器中进行训练，直至模型收敛；
[0019]采用测试集验证稀疏滤波故障诊断模型的诊断准确率。
[0020]进一步地，所述自编码故障诊断模型的训练过程为：
[0021]将不同健康状况下采集的振动信号的频谱样本组成训练集其中，M表示样本个数，表示包含N个傅里叶系数的第i个样本，l
i
表示第i个样本的健康状况标签；
[0022]采用无标签训练集对自编码故障诊断模型进行逐层预训练，预训练过程中将n个自动编码器叠加成n个隐层，前一层学习到的特征作为下一层的输入；
[0023]利用BP算法结合训练集实现DNN模型的权值更新和参数微调，通过最小化提取特征和健康状况标签之间的误差进行反向传播训练；
[0024]采用测试集验证自编码故障诊断模型的诊断准确率。
[0025]进一步地，所述正则化稀疏故障诊断模型的训练过程为：
[0026]采用原始振动信号作为训练样本，组成训练样本集其中，M表示样本个数，表示包含N
in
个数据点的第i个样本，l
i
表示第i个样本的标签；
[0027]通过重叠取样法从训练样本中采集Z段信号，这些分段组成训练集其中，是包含N
in
个数据点的第j个分段，N
in
用于表示稀疏滤波的输入维数；
[0028]将数据集写作矩阵形式并进行白化预处理；
[0029]将白化处理后的训练集输入到正则化稀疏滤波模型中进行训练，获得权值矩阵W；
[0030]训练样本x
i
被依次划分为K个分段，K为整数，且K＝N/N
in
，N表示原始振动信号包含的数据点个数，K个分段组成数据集且采用训练好的正则化稀疏滤波模型计算每个样本的局部特征N
out
表示输出维数；
[0031]采用平均法组合局部特征计算得到每个样本的学习特征f
i
，计算公式为：
[0032]将所有样本的学习特征集与标签集组合输入到softmax分类器中进行训练，直至模型收敛；
[0033]采用测试样本验证正则化稀疏故障诊断模型的诊断准确率。
[0034]另外，本专利技术还提供一种轴承故障识别系统，采用如上所述的方法，包括：
[0035]数据采集模块，用于采集轴承故障时的振动信号；
[0036]信号去躁模块，用于对振动信号进行去躁处理；
[0037]故障识别模块，用于分析振动信号的信号类型和平稳性，并根据分析结果选择匹配的故障识别模型对去躁后的振动信号进行故障类型识别。
[0038]另外，本专利技术还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
[0039]另外，本专利技术还提供一种计算机可读取的存储介质，用于存储进行轴承故障识别的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
[0040]本专利技术具有以下效果：
[0041]本专利技术的轴承故障识别方法，在采集轴承故障时的振动信号后，先对振动信号进行去躁处理，以消除振动信号中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障识别方法，其特征在于，包括以下内容：采集轴承故障时的振动信号；对振动信号进行去躁处理；分析振动信号的信号类型和平稳性，并根据分析结果选择匹配的故障识别模型对去躁后的振动信号进行故障类型识别。2.如权利要求1所述的轴承故障识别方法，其特征在于，所述分析振动信号的信号类型和平稳性，并根据分析结果选择匹配的故障识别模型对去躁后的振动信号进行故障类型识别的过程具体为：若振动信号为平稳信号且为时域信号，选择基于时域分析方法的故障识别模型识别故障类型；若振动信号为平稳信号且为频域信号，选择基于频域分析方法的故障识别模型识别故障分类；若振动信号为非平稳信号，选择基于时频域分析方法的故障识别模型识别故障类型。3.如权利要求2所述的轴承故障识别方法，其特征在于，时域分析方法包括时域统计特征提取法、相关度分析法和概率密度分析法，频域分析方法包括快速傅里叶变换法、阶比谱分析法、倒谱分析法、功率谱分析法，时频域分析方法包括短时傅里叶变换法、小波分析法、希尔伯特
‑
黄变换法。4.如权利要求2所述的轴承故障识别方法，其特征在于，若振动信号为频域信号且为单一振动信号，选择稀疏滤波故障诊断模型；若振动信号为频域信号且为复合振动信号，选择自编码故障诊断模型；若振动信号为非平稳信号，选择正则化稀疏故障诊断模型识别故障类型。5.如权利要求4所述的轴承故障识别方法，其特征在于，所述稀疏滤波故障诊断模型的训练过程为：采集原始振动信号的频谱作为训练样本，并组成训练样本集其中，M表示样本个数，表示包含N
in
个数据点的第i个样本，l
i
表示第i个样本的标签；将训练样本集组成一个样本矩阵然后将其输入到稀疏滤波模型中进行训练，直至稀疏滤波模型的目标函数最小化，获得此时的权重矩阵W，其中，目标函数为：其中，表示样本矩阵中第i个样本的归一化特征，表示第i个样本的L1范数，表示第i个样本的L2范数；基于权重矩阵W和x
i
计算得到学习特征集计算公式为：其中，表示第i个样本的第j个特征值，ReLU()表示激活函数，表示权重矩阵中第j个特征的权重值；将学习特征集与标签集组合输入到softmax分类器中进行训练，直至模型收敛；
采用测试集验证稀疏滤波故障诊断模型的诊断准确率。6.如权利要求4所述的轴承故障识别方法，其特征在于，所述自编码故障诊断模型的训练过程为：将不同健康状况下采集的振动信号的频谱样本组成训练集其中，M表示样本个数...

【专利技术属性】
技术研发人员：谷新宇，喻承恩，吴笃华，周莉芳，王魁，徐莉萍，徐春花，杨鹏，王凯伦，
申请(专利权)人：中国航发南方工业有限公司，
类型：发明
国别省市：