一种异步电机滚动轴承故障方法技术

一种异步电机滚动轴承故障方法，1、通过振动传感器采集轴承的振动加速度信号；2、对原始信号进行经验模态分解后，进行滤波重构获取后续处理的目标信号；3、对分解出的一系列本征模态函数进行筛选；4、对目标信号进行滑动窗口分段后获取目标信号的时频域能量特征；5、希尔伯特变换处理得到的本征模态函数；6、定位特征频率；7、故障特征区间定位；8、区间内故障特征信息提取；9、故障特征集；10、故障特征集优化；11、卷积神经网络模型搭建；12、训练集调整；13、模型训练；14、模型分类性能测试，设计了基于卷积网络的故障诊断方案实现了对轴承故障的跨工况状态分类。具有人工干预少、适用于多场景和诊断准确率高等特点。诊断准确率高等特点。诊断准确率高等特点。

【技术实现步骤摘要】
一种异步电机滚动轴承故障方法


[0001]本专利技术属于电机故障诊断领域，具体为一种异步电机轴承故障诊断方法。

技术介绍

[0002]异步电机被广泛运用于国防、交通和生产生活等领域中。异步电机轴承不可避免的会出现故障，尤其是当电机在恶劣的环境下长期高负荷运行时，轴承会出现磨损、金属疲劳甚至断裂等故障。而导致轴承故障的因素还有很多，例如加工、安装、润滑等环节的不当操作会引起轴承工作面的损坏。在电机运行过程中，过载运行也会导致轴承出现胶合故障。在实际生产环境中，轴承故障会导致其性能急剧下降，运行可靠性降低。因此对轴承进行故障诊断，及时维护或更换轴承可以降低故障扩大的可能性，避免发生严重性事故。如果电机发生故障，会影响整个系统的运行，甚至造成经济损失和人员伤亡。而在异步电机诸多故障中，轴承故障占比最高，及时发现并更换故障轴承能够有效避免发生级联故障。
[0003]电机轴承故障诊断主要有人为观测、基于信号处理的诊断以及基于深度学习的诊断。其中人为观测的方法指工作人员直接观测设备的声和热等特性并与自身积累的经验对比，对轴承的运行状态进行判断。该方法在实际操作时，误差大且耗时长，同时受到主观因素的影响，因此无法对故障诊断进行精确的诊断。
[0004]基于信号处理的诊断主要包括傅里叶变换、小波变换、模态分解以及希尔伯特
‑
黄变换等。而在待处理的诸多检测信号中，振动信号是最常用的，因为故障的基本特征是轴承在转动时会产生冲击脉冲，在振动信号中则表现出对应的周期性脉冲和振幅的调制。傅里叶变换获取目标信号的频谱，通过分析频谱成分实现故障诊断，但是当对象为非平稳非线性信号时，该变换的应用效果不佳。原因在于该方法对时间变化不敏感，在时域上无法刻画信号的局部特征。因此小波变换被用于提升频域特征的提取能力。小波变换通过对目标信号进行分解和重构获取能量谱，分析其时频域上的特征后判断是否故障，需要时可以引入其他指标进行辅助判断，但是小波变换在使用时需要选取基底，导致在变换过程中引入了人为干扰，对结果产生影响。同时当小波变换被用于处理噪声和信号频带混叠的环境中时，难以取的良好的效果，因此将经验模态分解运用到信号处理的领域进行自适应的分解。经验模态分解不需要先验基函数，直接根据信号极值分解信号，是一种完全自适应的信号处理方式，经验模态分解将信号分解为一组按频率降序排列的包含原始信号不同频率成分的本征模态函数。但是经验模态分解的分解结果中可能会伴随模态混叠的现象，得到的成分中可能有虚假部分，经验模态分解容易受噪声干扰、理论支撑不够坚固，因此变分模态分解被用于克服EMD的缺陷。希尔伯特变换处理本征模态函数，就组合出了一种新的处理方式，即希尔伯特
‑
黄变换，在多种实验环境下验证后，对非平稳信号进行时频域分析时，HHT可以同时获取信号的时频域信息。虽然通过对信号的时频域特征进行分析能够实现对故障的诊断，但是传统的依靠信号分析结果进行故障诊断的方法要求人员具备较高的专业知识，使得在实际运用中遇到不少阻碍。
[0005]伴随着人工智能的发展，深度学习现在已经被广泛的应用于故障诊断中。深度学
习的一般定义是通过训练多层次的网络结构以实现对未知数据的分类或者回归的方式，基本思路为构建多层网络对目标进行多层次的表现，最终用高层次特征表达数据信息。卷积神经网络则是一类包含卷积计算的深度前馈神经网络。使用卷积神经网络进行故障诊断一般有两种途径，一种是直接用时序信号训练模型；另一种则是先将信号转换为二维图像，然后利用二维网络进行图像分类。在对比了多种模型和多种信号特征的轴承故障分类效果后，得到的结论是直接使用原始信号作为输入时的模型训练效果不佳，而提取时频域特征进行训练的效果优于单一域特征。因此，在更多的情况下，进行深度学习之前都会进行信号的预处理，而特征提取一般是以信号处理方式为支撑的。
[0006]现有技术如下
[0007]与专利CN110672327A“一种基于基于多层降噪技术的异步电机轴承故障诊断方法”的技术对比；
[0008]一、专利CN110672327A中的诊断范围为轴承的内外圈故障，而我们的诊断范围包括内外圈故障以及滚动体故障和正常状态4种情况。
[0009]二、专利CN110672327A中信号预处理阶段使用了小波变换，并没有描述具体采用何种小波函数能获取最佳诊断效果，最终计算出的特征频率收到人为因素的影响。
[0010]三、专利CN110672327A中对本征模态函数进行筛选时直接舍弃高频分量，随后使用方差贡献度是否大于阈值进行取舍；而我们则是将其高频信号视为信号特征的一部分，继续参与后续步骤，使用的筛序标准为本征函数能量占整体信号能量的比值是否大于阈值。
[0011]四、专利CN110672327A中并没有考虑经验模态分解中可能出现的模态混叠、端点效应等缺陷。
[0012]五、专利CN110672327A中计算实际特征频率和理论特征频率进行比较实现故障诊断，而我们是使用特征频率进行故障信息定位以提取特征信息训练神经网络。
[0013]从以上分析可以看出基于信号处理的方式需要人为的对特征进行评判标准的设定。基于深度学习的方式则是在特征提取阶段对信号的时频域信息进行了二次处理，如各种熵运算或者其他数据分析方式。在故障诊断阶段则很少专注于模型对不同对象的诊断性能。因此，对异步电机滚动轴承故障诊断记性深入研究很有必要。

技术实现思路

[0014]为解决上述技术问题，本专利技术提出了一种异步电机滚动轴承故障方法，设计了基于卷积网络的故障诊断方案实现了对轴承故障的跨工况状态分类。具有人工干预少、适用于多场景和诊断准确率高等特点。
[0015]为实现上述目的，本专利技术采取的技术方案是：
[0016]一种异步电机滚动轴承故障方法，具体步骤如下；
[0017]1)通过振动传感器采集轴承的振动加速度信号；
[0018]2)对原始信号进行经验模态分解后，进行滤波重构获取后续处理的目标信号；
[0019]识别出信号x(t)中的所有极值点，采用三次样条函数构成上下包络线，建立上下包络曲线的平均曲线m(t)，使用原始信号减去平均曲线得到的部分便是本征模态函数；
[0020]h1(t)＝x(t)
‑
m(t)
[0021]如果h1(t)满足本征模态函数条件，h1(t)便作为第一个本征模态函数，否则以h1(t)为输入重复上述步骤，直到h
k
(t)满足条件时作为第一个本征模态函数，即C1(t)和信号的剩余部分r1(t)，两者的表达式为：
[0022]C1(t)＝h
k
(t)
[0023]r1(t)＝x(t)
‑
C1(t)
[0024]对剩余部分的r1(t)继续进行经验模态分解，直到r
n
(t)的值小于预设值或者为单调信号或者只有一个极点时结束。因此原始信号与本征模态函数分量和余量之间的关系为：
[0025][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异步电机滚动轴承故障方法，其特征在于：具体步骤如下；1)通过振动传感器采集轴承的振动加速度信号；2)对原始信号进行经验模态分解后，进行滤波重构获取后续处理的目标信号；识别出信号x(t)中的所有极值点，采用三次样条函数构成上下包络线，建立上下包络曲线的平均曲线m(t)，使用原始信号减去平均曲线得到的部分便是本征模态函数；h1(t)＝x(t)
‑
m(t)如果h1(t)满足本征模态函数条件，h1(t)便作为第一个本征模态函数，否则以h1(t)为输入重复上述步骤，直到h
k
(t)满足条件时作为第一个本征模态函数，即C1(t)和信号的剩余部分r1(t)，两者的表达式为：C1(t)＝h
k
(t)r1(t)＝x(t)
‑
C1(t)对剩余部分的r1(t)继续进行经验模态分解，直到r
n
(t)的值小于预设值或者为单调信号或者只有一个极点时结束。因此原始信号与本征模态函数分量和余量之间的关系为：使分解信号满足第二个条件，定义了每一个本征模态函数迭代步骤的终止准则为限制标准差；根据实际应用效果，将标准差限制在0.2～0.3之间；3)对分解出的一系列本征模态函数进行筛选；依据为使用各个函数的能量占目标信号能量的比值是否高于阈值，计算方式为：式中，p
k
表示能量占比，μ
k
(t)表示不同本征模态函数，将阈值设置为0.01，删除本征模态函数中能量占比低于该值的成分，然后将剩余信号进行叠加，得到的新信号即后续处理的目标信号；4)对目标信号进行滑动窗口分段后获取目标信号的时频域能量特征，使用方式为经由变分模态分解获取本征模态函数；对得到目标信号进行如下处理，假设有k个具有有限带宽的模态分量v
k
(t)共同组成一个多分量信号，每个本征模态函数的中心频率为ω(t)，则有：通过希尔伯特变换得到模态分量的解析信号，计算单边谱后，利用指数进行修正，将每个模态函数的频谱调制到对应的基频带；通过高斯平滑，即引入L2范数梯度平方根对信号解调，得到各模态函数带宽描述为：
对变分模型添加的约束条件为模态和为输入信号；为了解决上述过程中方程的约束最优化问题，引入拉格朗日乘子λ和二阶惩罚因子α，将其转化为无约束变分问题；利用交替方向乘子法对分量及中心频率进行连续更新，直到得到原问题的最佳解，更新步骤为：更新模态函数v
k
(t)更新中心频率ω(t)对所有大于零的频率进行提升：重复直到参数满足约束条件时停止迭代：5)希尔伯特变换处理得到的本征模态函数，方程如下：反变换为
希尔伯特变换的表达式是将实输入信号x(t)与单位冲击响应h(t)＝1/πt进行了卷积运算，视作将实信号进行了一次滤波操作，而该滤波器的傅里叶变换为：该滤波器保持实信号x(t)振幅不变的情况下，在频谱上将其正频率部分移相
‑
π/2，将负频率部分移相π/2，在希尔伯特黄变换中，希尔伯特变换被用来处理的到一组本征模态函数，以得到原始实信号的时频域能量谱，因此假设其中一个本征模态函数为m(t)，对其进行希尔伯特变换则有：需要构建的关于输入信号m(t)的复信号为：其中幅值a
m
、相位θ
m
(t)、瞬时频率f
k
(t)分别为：(t)分别为：(t)分别为：得出原始输入的实信号与IMFs的关系式为本征模态函数包含的原始信号的频率成分随着阶数增加而逐渐减少，在满足分解的收敛条件后，余量r(t)所包含的频率成分是所有输出信号中最低的，同时r(t)是一个周期大于信号记录长度的单调函数，对重构原始信号的贡献度很低，因此一般不将其代入后续的变换处理，因此得到的原始信号的解析式表达为：而将其振幅在时频面上进行标记，就能够得到希尔伯特时频域谱的表达式为6)定位特征频率；7)故障特征区间定位；8)区间内故障特征信息提取；使用步骤3)所述方法对区域内所有频率成分进行筛选，去除其中能量占比低于阈值的频率成分后，按照时间顺序提取出每一个频率成分的能量值和频率，构建规模为2*L的特征矩阵，其中L为短信号长度，特征区域中保留的成分数量即矩阵特征数量，将其全体进行平
均后一个短信号对应一个故障特征矩阵；9)故障特征集：对不同故障位置的振动信号重复步骤1)～步骤8)完成分类对象的训练集制作L；10)故障特征集优化：在训练神经网络前，对故障特征集进行预处理，将其中偶数行即能量值所在的行进行放大；11)卷积神经网络模型搭建：选取使用卷积神经网络，为应对梯度消失、过拟...

【专利技术属性】
技术研发人员：付彦伟，田若朝，余建生，
申请(专利权)人：国能大渡河枕头坝发电有限公司，
类型：发明
国别省市：