滚动轴承故障诊断方法、系统、电子设备以及存储介质技术方案

本发明专利技术实施例公开了滚动轴承故障诊断方法、系统、电子设备以及存储介质，通过采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号时域和频域特征进行融合通过主成分筛选提取降维后的敏感特征；通过网格搜索和粒子群对故障诊断模型中参数进行寻优，修正模型的残差，将降维后的敏感特征信号通过以改进故障诊断模型采用序列向前和浮动向后对特征进行筛选得到最优特征将特征进行故障分类进行故障诊断。提高了故障诊断效率，能多类型故障诊断。减少设备噪音的产生率，降低设备损伤程度，减少经济的损失和人员伤亡几率，延长设备使用寿命，可以提前及时预警机械故障、减少机器维护成本。减少机器维护成本。减少机器维护成本。

【技术实现步骤摘要】
滚动轴承故障诊断方法、系统、电子设备以及存储介质


[0001]本公开涉及滚动轴承故障诊断领域，尤其涉及一种滚动轴承故障诊断方法、系统、电子设备以及存储介质。

技术介绍

[0002]进入21世纪以来，我国工业高速发展，极大地促进了我国各行业的发展。其中，工业的高速发展离不开工业设备的大量使用，滚动轴承作为工业旋转设备的关键部件之一，其健康状态极大地影响着整个工业设备的正常运行。在复杂的工作环境下，轴承极易产生各种故障，进而发展为整个设备的故障，轻则产生噪音、振动异常，重则损伤设备、造成经济损失、人员伤亡。合理分析轴承振动信号，对滚动轴承进行诊断对保证整个机器的安全运行、提前预警机械故障、减少机器维护成本等均具有重要意义。
[0003]近年来，智能故障诊断在机械领域得以广泛应用，但现有的轴承故障诊断方法不能对不同信号来源的信号进行信号分离进行多维故障特征提取，面向海量故障数据时诊断准确度低的问题，难以实际应用。

技术实现思路

[0004]本公开实施例提供了一种滚动轴承故障诊断方法、系统、电子设备以及存储介质，解决了不能对不同信号来源的信号进行信号分离进行多维故障特征提取，面向海量故障数据时诊断准确度低的问题。提高了故障诊断效率，能多类型故障诊断。减少设备噪音的产生率，降低设备损伤程度，减少经济的损失和人员伤亡几率，延长设备使用寿命，可以提前及时预警机械故障、减少机器维护成本。
[0005]第一方面，本公开实施例提供了滚动轴承故障诊断方法，包括：采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号；对去噪后的信号的时域和频域特征进行融合通过主成分筛选提取降维后的敏感特征；通过网格搜索和粒子群对故障诊断模型中误差惩罚参数和核函数参数进行寻优，决策树思想修正模型的残差提升模型分类精度，将降维后的敏感特征信号通过以改进故障诊断模型采用序列向前和浮动向后对特征进行筛选得到最优特征将特征进行故障分类进行故障诊断。
[0006]结合第一方面的实施例，在一些实施例中，所述采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号，包括：
[0007]采集轴承信号n(z)计算全部局部极值序列，并计算极值序列的上包络Y
r
(z)和下包络Y
k
(z)；根据Y
r
(z)和Y
k
(z)计算局部均值函数v
11
(z)和局部包络估计函数f
11
(z)
[0008][0009]f
11
(z)＝k|Y
r
(z)为Y
k
(z)|/2
[0010]采集轴承信号n(z)减去局部平均函数v
11
(z)，并用t
11
(z)除以包络估计函数f
11
(z)
[0011]h
11
(z)＝(n(z)
‑
v
11
(z))/f
11
(z)
[0012]纯调频信号为
[0013]式中
[0014]包络信号f1(z)为
[0015]f1(z)＝f
11
(z)f
12
(z)
…
f
1s
(z)
[0016]分量XA1(z)为
[0017]XA1(z)＝f1(z)h
1s
(z)
[0018]新的信号r1(z)迭代循环过程为
[0019][0020]所有的XA分量和残余分量r
v
(z)均被分解得到原始信号
[0021][0022]将计算所有分量的相关系数确定评定标准关系程度最大的信号进行观测信号重构；通过重构的虚拟观测信号和原始信号n(z)进行构建二维混合信号关系矩阵通过固定点算法分析分解达成滤波得到去噪后信号。
[0023]结合第一方面的实施例，在一些实施例中，所述对去噪后的信号的时域和频域特征进行融合通过主成分筛选提取降维后的敏感特征，包括：
[0024]对去噪后的信号数据由低维空间变换到高维空间的同时，并计算高维空间F的协方差矩阵C
[0025][0026][0027][0028]特征向量为
[0029][0030]通过D
oc
＝D(n
o
,n
c
)＝Ξ(n
o
)Ξ(n
c
)得到
[0031][0032]数据样本在空间A中的主元成分Ξ(n)上的投影为
[0033][0034]其中，A为高维特征空间，n
o
为低维空间样本，Ξ(n
o
)为高维特征空间F样本点，δ为D
的特征向量，U为矩阵G的特征向量，v为低维输入空间样本个数，Ξ(n
c
)为非线性函数，D为核矩阵，G为协方差矩阵，为矩阵G的特征值；单个主元成分的方差贡献率
[0035][0036]累计前h个主元的CPV为
[0037][0038]将通过核函数进行筛选提取降维后的敏感特征，其中核函数为
[0039][0040]其中，τ
d
为第d个主元的方差贡献率，v为输入空间原始样本个数，h为主元数量，为第d个特征值，CPV为累计前h个主元的方差贡献率。
[0041]结合第一方面的实施例，在一些实施例中，所述通过网格搜索和粒子群对故障诊断模型中误差惩罚参数和核函数参数进行寻优，决策树思想修正模型的残差提升模型分类精度，将降维后的敏感特征信号通过以改进故障诊断模型采用序列向前和浮动向后对特征进行筛选得到最优特征将特征进行故障分类进行故障诊断，包括：
[0042]将提取的故障特征进行集合，通过网格搜索算法和粒子群算法联合寻优确定故障诊断模型的误差惩罚参数和核函数参数；
[0043]决策树的目标函数和正则项函数为
[0044][0045][0046]带有学习敏感度的新损失函数的改进为
[0047][0048][0049]其中，B
qc
为目标函数，p
o
为o轮真实值，p
o
为o轮预测值，a
d
为第d棵CART树预测输出，Θ为为正则惩罚项，o为o＝1，2，
……
s，s为一求解次数，d为d＝1，2，
……
D，D为CART树数量，为为叶子节点数，p为一正则项系数，e为一为叶子向量(叶子节点分数)，c为c＝1，2，
……
Z，Z为一叶子节点数量，K
NEW
为改进的目标函数，为轮真实平均值，H为学习权重，N为样本集合N，P为样本集合P，X(P|N)为概率值；对改进后决策树的根据将降维后的敏感特征信号集合利用决策树对所有特征集合进行分类，数据集合对决策树进行训练，训练之后的决策树故障诊断本文档来自技高网...

【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，所述方法包括：采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号；对去噪后的信号的时域和频域特征进行融合通过主成分筛选提取降维后的敏感特征；通过网格搜索和粒子群对故障诊断模型中误差惩罚参数和核函数参数进行寻优，决策树思想修正模型的残差提升模型分类精度，将降维后的敏感特征信号通过以改进故障诊断模型采用序列向前和浮动向后对特征进行筛选得到最优特征将特征进行故障分类进行故障诊断。2.根据权利要求1所述的方法，其特征在于，所述采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号，包括：采集轴承信号n(z)计算全部局部极值序列，并计算极值序列的上包络Y
r
(z)和下包络Y
k
(z)；根据Y
r
(z)和Y
k
(z)计算局部均值函数v
11
(z)和局部包络估计函数f
11
(z)f
11
(z)＝k|Y
r
(z)为Y
k
(z)|/2采集轴承信号n(z)减去局部平均函数v
11
(z)，并用t
11
(z)除以包络估计函数f
11
(z)h
11
(z)＝(n(z)
‑
v
11
(z))/f
11
(z)纯调频信号为式中包络信号f1(z)为f1(z)＝f
11
(z)f
12
(z)
…
f
1s
(z)分量XA1(z)为XA1(z)＝f1(z)h
1s
(z)新的信号r1(z)迭代循环为所有的XA分量和残余分量r
v
(z)均被分解得到原始信号将计算所有分量的相关系数确定评定标准关系程度最大的信号进行观测信号重构；通过重构的虚拟观测信号和原始信号n(z)进行构建二维混合信号关系矩阵通过固定
点算法分析分解达成滤波得到去噪后信号。3.根据权利要求2所述的方法，其特征在于，所述对去噪后的信号的时域和频域特征进行融合通过主成分筛选提取降维后的敏感特征，包括：对去噪后的信号数据由低维空间变换到高维空间的同时，并计算高维空间F的协方差矩阵C矩阵C矩阵C特征向量为通过D
oc
＝D(n
o
,n
c
)＝Ξ(n
o
)Ξ(n
c
)得到数据样本在空间A中的主元成分Ξ(n)上的投影为其中，A为高维特征空间，n
o
为低维空间样本，Ξ(n
o
)为高维特征空间F样本点，δ为D的特征向量，U为矩阵G的特征向量，v为低维输入空间样本个数，Ξ(n
c
)为非线性函数，D为核矩阵，G为协方差矩阵，为矩阵G的特征值；单个主元成分的方差贡献率累计前h个主元的CPV为将通过核函数进行筛选提取降维后的敏感特征，其中核函数为其中，τ
d
为第d个主元的方差贡献率，v为输入空间原始样本个数，h为主元数量，为第d个特征值，CPV为累计前h个主元的方差贡献率。4.根据权利要求3所述的方法，其特征在于，所述通过网格搜索和粒子群对故障诊断模型中误差惩罚参数和核函数参数进行寻优，决策树思想修正模型的残差提升模型分类精度，将降维后的敏感特征信号通过以改进故障诊断模型采用序列向前和浮动向后对特征进行筛选得到最优特征将特征进行故障分类进行故障诊断，包括：将提取的故障特征进行集合，通过网格搜索算法和粒子群算法联合寻优确定故障诊断模型的误差惩罚参数和核函数参数；
决策树的目标函数和正则项函数为决策树的目标函数和正则项函数为带有学习敏感度的新损失函数的改进为带有学习敏感度的新损失函数的改进为其中，B
qc
为目标函数，p
o
为o轮真实值，p
o
为o轮预测值，a
d
为第d棵CART树预测输出，Θ为为正则惩罚项，o为o＝1，2，
……
s，s为一求解次数，d为d＝1，2，
……
D，D为CART树数量，为为叶子节点数，p为一正则项系数，e为一为叶子向量(叶子节点分数)，c为c＝1，2，
……
Z，Z为一叶子节点数量，K
NEW
为改进的目标函数，为轮真实平均值，H为学习权重，N为样本集合N，P为样本集合P，X(P|N)为概率值；对改进后决策树的根据将降维后的敏感特征信号集合利用决策树对所有特征集合进行分类，数据集合对决策树进行训练，训练之后的决策树故障诊断模型需要计算特征值的重要性，根据特征重要性的大小进行特征集合的排序，其中重要性指数δ排序计算算重要性排序最差的特征和未选特征的相关系数，删除相关系数绝对值最大的特征，其中各特征间的相关程度为J借助故障分类器计算所有子集的特征得分，得分最高的即为最优特征集合，若有两个或两个以上的特征子集分类精度相同且最高，则选择特征数量较少的作为最优特征集合进行故障分类进行故障诊断。5.一种滚动轴承故障诊断系统，其特征在于，所述系统包括：预处理单元，采集轴承信号计算极值序列进行调频得到分量和残余分通过固定点进行分析滤波得到去噪后信号；特征筛选单元，对去噪后的信号的时域和频域特征进行融合通过主成分筛选提...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：合肥铥莱信息科技有限公司，
类型：发明
国别省市：