一种轴承故障检测方法及装置制造方法及图纸

本发明专利技术公开了一种轴承故障检测方法及装置，属于轴承故障检测技术领域，方法包括：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号；对轴承振动信号进行增强处理；采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；将多个二维时频图进行划分，得到多个数据集；构建包括分类器和多层卷积网络的轴承故障检测器；结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；利用训练好的轴承故障检测器对轴承进行故障检测。提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。率。率。

【技术实现步骤摘要】
一种轴承故障检测方法及装置


[0001]本专利技术属于轴承故障检测
，具体涉及一种轴承故障检测方法及装置。

技术介绍

[0002]轴承作为机械系统中的重要组件之一，其状态的准确评估和故障的及时诊断对于机械设备的安全运行和可靠性至关重要，因此基于振动信号的轴承故障诊断技术成为研究的热点领域。振动信号包含了轴承在运行过程中的机械振动信息，可以反映轴承的健康状态和故障特征。通过对振动信号进行分析和处理，可以提取特征参数，并利用模式识别和机器学习算法进行故障诊断。然而，振动信号的特征提取和诊断算法仍然面临着信号复杂性、噪声干扰、特征提取的准确性等挑战。
[0003]传统的轴承故障诊断方法通常依赖于人工经验和有限的特征参数，难以满足实时、准确和可靠的故障诊断需求。

技术实现思路

[0004]为了解决现有技术存在的传统的轴承故障诊断方法通常依赖于人工经验和有限的特征参数，难以满足实时、准确和可靠的故障诊断需求的技术问题，本专利技术提供一种轴承故障检测方法及装置。
[0005]第一方面
[0006]本专利技术提供一种轴承故障检测方法，应用于轴承故障检测装置，包括：
[0007]S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
[0008]S102：对轴承振动信号进行增强处理，得到多组轴承振动增强信号；
[0009]S103：采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；
[0010]S104：将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集，其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型；
[0011]S105：构建包括分类器和多层卷积网络的轴承故障检测器；
[0012]S106：结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；
[0013]S107：利用训练好的轴承故障检测器对轴承进行故障检测。
[0014]第二方面
[0015]本专利技术提供一种轴承故障检测装置，包括：
[0016]采集模块，用于以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；
[0017]第一处理模块，用于对轴承振动信号进行增强处理，得到多组轴承振动增强信号；
[0018]转换模块，用于采用连续小波变换分别将各组轴承振动增强信号转换为二维时频图；
[0019]划分模块，用于将多个二维时频图进行划分，得到多个数据集，其中，数据集包括训练集，验证集和测试集，其中，每个数据集包括轴承振动信号和与轴承振动信号相对应的故障类型；
[0020]构建模块，用于构建包括分类器和多层卷积网络的轴承故障检测器；
[0021]训练模块，用于结合轴承振动信号相对应的故障类型，利用训练集、验证集和测试集中的二维时频图对轴承故障检测器进行优化和训练；
[0022]检测模块，用于利用训练好的轴承故障检测器对轴承进行故障检测。
[0023]与现有技术相比，本专利技术至少具有以下有益效果：
[0024]在本专利技术中，通过提取包括多种故障类型的样本轴承振动信号，将一维振动信号通过连续小波变换生成二维时频图像，再将这些时频输入到多列卷积网络中，结合卷积网络对二维图像数据优秀的特征提取能力，对轴承进行故障诊断，训练数据完整可靠，大大提高了故障预测准确率。对二维时频图增强后对构建包括多层卷积网络的轴承故障检测器进行训练和优化，不断提升故障检测精度，之后利用训练好的轴承故障检测器对轴承进行故障检测，因为卷积层能够权值共享，可以减少网络参数数量达到加快训练速度，以快速准确的提取特征图，提升轴承故障诊断准确性，减少了对人工经验的依赖，能够实现实时检测和预警，从而提高机械设备的可靠性和运行效率。
附图说明
[0025]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0026]图1是本专利技术提供的一种轴承故障检测方法的流程示意图；
[0027]图2是本专利技术提供的一种包括多层卷积网络的神经网络模型结构示意图；
[0028]图3是本专利技术提供的一种轴承故障检测装置的结构示意图。
具体实施方式
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0030]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0031]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0032]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中
的具体含义。
[0033]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0034]在一个实施例中，参考说明书附图1，本专利技术提供的一种轴承故障检测方法的流程示意图。
[0035]本专利技术提供的一种轴承故障检测方法，应用于轴承故障检测装置，包括：
[0036]S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号。
[0037]其中，样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤。
[0038]具体地，对于振动信号的获取，通过振动信号采集设备获取机械设备上的驱动端轴承的振动信号，有故障的轴承由电火花加工制作而成，系统的采样频率为12kHz，被诊断的轴承一共有3种故障类型，每种故障类型在不同的位置，故障类型分别是滚动体损伤，外圈损伤与内圈损伤，采集到的振动信号经处理后可以作为训练所需的数据。具体可以在不同的地方设置加速度计收集。
[0039]在一种可能的实施方式中，预设采集频率为12kHz，轴承振动信号包括1种正常信号和9种故障信号。
[0040]在实际使用过程中，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轴承故障检测方法，其特征在于，包括：S101：以预设采集频率，间隔设置加速度计，采集样本轴承在多个时间点的轴承振动信号，其中，所述样本轴承的故障类型包括滚动体损伤、外圈损伤和内圈损伤；S102：对所述轴承振动信号进行增强处理，得到多组轴承振动增强信号；S103：采用连续小波变换分别将各组所述轴承振动增强信号转换为二维时频图；S104：将多个所述二维时频图进行划分，得到多个数据集，其中，所述数据集包括训练集，验证集和测试集，其中，每个所述数据集包括轴承振动信号和与所述轴承振动信号相对应的故障类型；S105：构建包括分类器和多层卷积网络的轴承故障检测器；S106：结合所述轴承振动信号相对应的故障类型，利用所述训练集、所述验证集和所述测试集中的二维时频图对所述轴承故障检测器进行优化和训练；S107：利用训练好的轴承故障检测器对轴承进行故障检测。2.根据权利要求1所述的轴承故障检测方法，其特征在于，在所述S101之后，还包括：S101A：使用降噪算法对所述轴承振动信号进行降噪处理，利用归一化算法对所述轴承振动信号进行归一化，以消除所述轴承振动信号之间的差异，其中，所述降噪算法包括小波去噪算法，信号平均算法和自适应滤波算法，所述归一化算法包括最大最小归一化算法和零均值归一化算法。3.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S103具体包括：S1031：利用连续小波变换公式对各组所述轴承振动增强信号进行转换：其中，其中，x(t)表示平方可积的所述轴承振动增强信号，a∈R且a>0表示小波尺度，τ∈R表示平移因子；S1032：调整所述小波尺度和所述平移因子的大小，提取所述轴承振动增强信号在不同尺度和不同时间上的时频信号，构建得到二维时频图。4.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S106具体包括：S1061：将所述训练集中的二维时频图输入至所述轴承故障检测器，对所述轴承故障检测器的卷积网络进行训练；S1062：结合所述分类器，利用所述验证集或者交叉验证方式监控训练后的轴承故障检测器的性能，利用反向传播算法对所述轴承故障检测器进行参数优化，更新轴承故障检测器的权重参数和偏置参数，寻找待选取参数，其中，所述待选取参数包括学习率、批量大小和正则化参数；S1063：将所述测试集输入至以所述待选取参数作为模型参数的轴承故障检测器，将所述轴承故障检测器的输出与所述故障类型进行比较，评估所述轴承故障检测器的准确性和泛化能力；
S1064：在所述轴承故障检测器的准确性达到预设准确率的情况下，将所述待选取参数作为所述轴承故障检测器的优化参数，结束所述轴承故障检测器的训练。5.根据权利要求1所述的轴承故障检测方法，其特征在于，所述S1061具体包括：S1061A：将所述训练集中的二维时频图输入至所述多层卷积网络中，提取各所述二维时频图中的故障特征，并对所述故障特征进行加权融合，得到故障数据点分布密度图，提取方式具体为：其中，表示第l+1层卷积网络的第j个神经元的输入，f表示激活函数，表示第l层卷积网络第i个神经元处的输出，表示卷积运算，表示第l层卷积网络第i个神经元与第l+1层卷...

【专利技术属性】
技术研发人员：李辅乐，赵新龙，
申请(专利权)人：浙江理工大学常山研究院有限公司，
类型：发明
国别省市：