【技术实现步骤摘要】
本专利技术涉及轴承故障诊断，具体涉及一种基于改进bp神经网络的风机发电机轴承故障诊断方法。
技术介绍
1、轴承作为机械设备中至关重要的旋转部件，对于保障设备的平稳运转起着关键作用。然而，随着机械设备长时间运行，轴承往往受到磨损、冲击、腐蚀等因素的影响，易于发生故障，进而使轴承失去原有的支撑和减摩功能，直接影响机械设备的性能和使用寿命。
2、传统的轴承诊断维护方法在很大程度上仰赖人工经验，主要通过振动分析技术获取轴承的振动信号，通过分析频谱图和时域波形来识别轴承的故障类型和程度。然而，这种方法未能充分考虑机械设备实时运行状态的影响，并且在多工况环境中往往难以有效诊断。
3、另一方面，部分传统轴承诊断维护依赖于振动信号分析和传感器检测等技术，却忽略了轴承在工作环境中可能面临的强噪声、高负荷和多工况的耦合效应。这导致了轴承故障诊断在故障类型识别上存在单一化以及判断准确率较低的问题。这种现象容易引发人身安全和财产损失。为此，提出一种基于改进bp神经网络的风机发电机轴承故障诊断方法。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有轴承故障诊断技术中存在的单一化以及判断准确率较低的问题，提供了一种基于改进bp神经网络的风机发电机轴承故障诊断方法。
2、本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
3、s1：利用多个三轴加速度传感器获取发电机轴承在各种工况下的振动信号数据；
4、s2：基于步
5、s3：对特征值重新组合得到表征故障和非故障工况的轴承数据集；
6、s4：针对步骤s3中的轴承数据集，采用小波包分解模型实现特征提取；
7、s5：利用改进的粒子群算法优化bp神经网络参数，将轴承数据集中的训练集数据输入优化后的bp神经网络进行训练，得到改进bp神经网络；
8、s6：将轴承数据集中的测试集数据输入到改进bp神经网络中，实现轴承故障诊断。
9、更进一步地，在所述步骤s1中，具体处理过程如下：
10、s11：利用三轴加速度传感器分别采集在多种缺陷直径下的滚珠故障、内圈故障、外圈故障以及正常状态下轴承振动信号；
11、s12：对采集的轴承振动信号按照不同缺陷直径下的故障类型以及正常状态进行分类，获取多类轴承振动信号。
12、更进一步地，在所述步骤s2中，利用时域和频域分析对振动信号解析，计算如下9个特征值：时域极大值max1、时域极小值min1、频域最大值max2、频域最小值min2、峭度偏度steepness、峰值因子peak、裕度因子margin、脉冲因子pulse、波形因子waveform，并对时域及频域图线进行绘制。
13、更进一步地，在所述步骤s2中，每个特征值均是在2048个点内时间段完成计算，在48khz加速度计采样频率下为0.04秒。
14、更进一步地，在所述步骤s3中，对内圈故障、外圈故障、滚珠故障及正常状态下的轴承振动信号形成的时频域特征值进行重新组合，最终形成大小为2048×9的轴承数据集。
15、更进一步地，在所述步骤s3中，重新组合的方式具体如下：
16、s31：将每个样本的时域特征值和频域特征值进行归一化处理；
17、s32：将归一化后的各个时域特征值和频域特征值水平横向堆叠排列，形成一个长为2048个特征值的一维特征向量；
18、s33：按样本个数纵向排列各个样本的特征向量，最终形成大小为2048×n的轴承数据集，n为样本个数。
19、更进一步地，在所述步骤s4中，具体处理过程如下：
20、s41：加载轴承数据集并进行预处理，将数据分为训练集、测试集，对数据进行归一化操作；
21、s42：将步骤3轴承数据集输入到小波包进行分解和重构操作，计算各节点振动信号的能量；
22、s43：通过对信号各频段的划分，对低频和高频信号及特征图进行分析；
23、s44：将经过小波包分析，由步骤s42小波包分解确定的特征值的向量维数作为bp神经网络的输入个数。
24、更进一步地，在所述步骤s42中，具体过程如下：
25、s421：选择小波基作为分解和重构操作的小波函数；
26、s422：将训练集中的每个样本视为一个一维信号载入；
27、s423：对每一维信号进行小波分解，分解原信号的不同频率成分；
28、s424：对转换系数矩阵进行重构重组，重建近似原信号；
29、s425：重复上述分解和重构过程，得到多尺度的转换系数矩阵；
30、s426：对各尺度的转换系数矩阵的每一行节点，利用公式计算其各节点振动信号的能量。
31、更进一步地，在所述步骤s5中，改进的粒子群算法对经典的粒子群算法中速度更新项进行改进，将自身历史最优项换为新的综合学习因子同时将全局最优项删去，算法公式如下：
32、
33、其中，为粒子i在第k次迭代中第d维的速度向量；w为惯性权重；c为学习因子；rand为区间[0，1]内的随机数，用于增加搜索的随机性；为粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后，第i个粒子搜索得到的最优解；为粒子i在第k次迭代中第d维的位置向量。
34、本专利技术相比现有技术具有以下优点：
35、(1)采集轴承在各种工况下的振动信号，通过时域及频域分析解析振动信号在复杂工况的10种特征值，从而构成轴承数据集作为诊断模型训练输入，克服传统意义上过度依赖人工经验导致的安全事故，通过提取多特征值，提升诊断模型的精度和效率。
36、(2)通过小波包分析提取特征值，减少模型训练时间并提高特征值的关联性，采用遗传算法优化bp神经网络算法，最大化发挥模型诊断效果，实现轴承故障诊断。
本文档来自技高网...【技术保护点】
1.一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S1中，具体处理过程如下：
3.根据权利要求2所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S2中，利用时域和频域分析对振动信号解析，计算如下9个特征值：时域极大值max1、时域极小值min1、频域最大值max2、频域最小值min2、峭度偏度Steepness、峰值因子peak、裕度因子Margin、脉冲因子pulse、波形因子waveform，并对时域及频域图线进行绘制。
4.根据权利要求3所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S2中，每个特征值均是在2048个点内时间段完成计算，在48kHz加速度计采样频率下为0.04秒。
5.根据权利要求3所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S3中，对内圈故障、外圈故障、滚珠故障及正常状
6.根据权利要求5所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S3中，重新组合的方式具体如下：
7.根据权利要求6所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S4中，具体处理过程如下：
8.根据权利要求7所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S42中，具体过程如下：
9.根据权利要求1或8所述的一种基于改进BP神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤S5中，改进的粒子群算法对经典的粒子群算法中速度更新项进行改进，将自身历史最优项换为新的综合学习因子同时将全局最优项删去，算法公式如下：
...【技术特征摘要】
1.一种基于改进bp神经网络的风机发电机轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进bp神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤s1中，具体处理过程如下：
3.根据权利要求2所述的一种基于改进bp神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤s2中，利用时域和频域分析对振动信号解析，计算如下9个特征值：时域极大值max1、时域极小值min1、频域最大值max2、频域最小值min2、峭度偏度steepness、峰值因子peak、裕度因子margin、脉冲因子pulse、波形因子waveform，并对时域及频域图线进行绘制。
4.根据权利要求3所述的一种基于改进bp神经网络的风机发电机轴承故障诊断方法，其特征在于：在所述步骤s2中，每个特征值均是在2048个点内时间段完成计算，在48khz加速度计采样频率下为0.04秒。
5.根据权利要求3所述的一种基于改...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。