【技術實現步驟摘要】
本專利技術屬于旋轉部件故障診斷，尤其涉及一種滾動軸承故障診斷方法。
技術介紹
1、無人船作為新興的海上交通工具，在海洋探索、環境監測和貨物運輸等領域展現出巨大的潛力，船尾螺旋槳是無人船動力系統的核心部件，其性能直接影響到船舶的航行速度、穩定性和安全性，而滾動軸承又是螺旋槳軸上的關鍵支撐元件，其重要性同樣不言而喻，因此，研究船尾螺旋槳滾動軸承的故障診斷方法具有重要意義。
2、專利技術專利號一種滾動軸承故障診斷方法（公開號cn117030268a，公開日20231110），公開以下步驟：采用小波閾值降噪預處理方法對振動信號進行降噪預處理，其中，小波閾值降噪預處理方法是基于小波包算法和互相關系數濾波的改進的小波閾值降噪預處理方法；采用改進的互補集合高頻諧波加入的經驗模態分解方法對降噪預處理后的信號進行故障特征提取，實現滾動軸承早期故障的診斷。
3、上述滾動軸承故障診斷方法需要對每一個滾動軸承數據進行處理后才能進行故障診斷，數據處理量大，較為費時費力。
技術實現思路
1、為克服相關技術中存在的問題，本專利技術公開實施例提供了一種滾動軸承故障診斷方法。本專利技術目的在于利用同類型的數據預測結果，避免數據重復輸入，減少數據處理量，省時省力的特點。
2、所述技術方案如下：種滾動軸承故障診斷方法，包括：
3、s1：進行多種工況下的滾動軸承振動信號測試；
4、s2：基于實驗平臺獲取不同工況下滾動軸承的振動信號數據，不同工況包括：不同轉速、特
5、s3：對采集到的振動信號數據進行分析，根據不同約束條件判定滾動軸承的振動變化情況，獲取不同約束條件下的振動變化數據；
6、s4：基于不同工況下的振動變化數據，分析滾動軸承的損耗程度；
7、s5：構建多個第一lstm模型，將獲取的不同工況下的振動信號數據及對應的損耗程度輸入第一lstm模型進行訓練，生成針對各單一因素的預測故障模型，得到多個單因素lstm模型；
8、s6：基于多個單因素lstm模型，構建一個包括多輸入層、融合層和輸出層的第二lstm模型，通過融合不同工況下的預測結果，生成綜合故障預測模型，并輸出綜合故障診斷結果；
9、s7：在進行故障診斷之前，對無人船船尾螺旋槳所使用的若干個滾動軸承進行編號，并依據不同工況進行分類保存；
10、s8：采集當前運行的滾動軸承工況數據，基于分類保存結果，將當前工況數據分別輸入到對應的單因素lstm模型中進行預測，并將各個單因素模型的預測結果輸入第二lstm模型進行綜合故障預測，輸出滾動軸承的故障診斷結果。
11、在步驟s2中，基于實驗平臺獲取不同工況下滾動軸承的振動信號數據，包括：不同轉速下的滾動軸承振動信號數據、特定轉速下的滾動軸承振動信號數據、不同負載條件下的滾動軸承振動信號數據、不同濕度條件下的滾動軸承振動信號數據、不同溫度條件下的滾動軸承振動信號數據、不同潔凈度條件下的滾動軸承振動信號數據、不同酸堿度條件下的滾動軸承振動信號數據。
12、在步驟s3中，獲取不同約束條件下的振動變化數據，包括：
13、（1）基于特定轉速下的滾動軸承的振動信號數據和特定轉速但不同負載下的滾動軸承的振動信號數據，判定不同負載下的滾動軸承的振動信號數據；
14、（2）基于特定轉速下的滾動軸承的振動信號數據和特定轉速但不同溫度下的滾動軸承的振動信號數據，判定不同溫度下的滾動軸承的振動信號數據；
15、（3）基于特定轉速下的滾動軸承的振動信號數據和特定轉速但不同濕度下的滾動軸承的振動信號數據，判定不同濕度下的滾動軸承的振動信號數據；
16、（4）基于特定轉速下的滾動軸承的振動信號數據和特定轉速但不同潔凈度下的滾動軸承的振動信號數據，判定不同潔凈度下的滾動軸承的振動信號數據；
17、（5）基于特定轉速下的滾動軸承的振動信號數據和特定轉速但不同酸堿度下的滾動軸承的振動信號數據，判定不同酸堿度下的滾動軸承的振動信號數據。
18、在步驟s4中，分析滾動軸承的損耗程度，包括：
19、第一種方式，綜合使用時域和頻域特征分析；
20、第二種方式，小波包分解技術用于損耗判定；
21、第三種方式，改進的互相關分析用于損耗趨勢檢測；
22、第四種方式，深度學習模型lstm用于滾動軸承損耗的預測；
23、第五種方式，加權評分模型用于綜合評估損耗，所述加權評分模型將多個特征的值結合在一起，生成一個綜合評分；加權評分公式為：
24、；
25、式中，為綜合評分，用于評估滾動軸承的損耗程度或故障狀態，通過多個特征的加權求和得到的結果，為特征權重，通過歷史數據或機器學習進行優化，為均方根值，反映振動信號的整體強度，為峭度，衡量振動信號中尖銳沖擊的強度，為峰值，信號的最大值，用于檢測沖擊性損壞或嚴重磨損，為高頻能量，為小波包能量。
26、在步驟s5中，多個單因素lstm模型包括：基于轉速預測故障的模型、基于負載預測故障的模型、基于溫度預測故障的模型、基于濕度預測故障的模型、基于潔凈度預測故障的模型、基于酸堿度預測故障的模型；
27、將不同轉速下的滾動軸承的振動信號數據中的轉速和滾動軸承損耗程度輸入至第一lstm模型中進行訓練包括：
28、（a）數據預處理與增強；
29、歸一化與標準化：將振動信號和轉速數據進行標準化或歸一化，表達式為：
30、；
31、式中，為歸一化后的數據值，為原始數據值，為原始數據中的最大值，為原始數據中的最小值；
32、歸一化將數據縮放到0和1之間，應用滑動窗口技術，將振動信號和轉速數據分割成固定長度的時間窗；
33、（b）使用雙向lstm，通過兩個并行lstm單元，同時學習前向和后向的時間依賴關系；
34、（c）多輸入特征的融合，對輸入的振動信號和轉速，通過特征工程或神經網絡中的融合層，將振動信號和轉速數據結合，使用注意力機制對轉速和振動信號之間的關鍵時刻進行加權處理，捕捉振動信號和轉速數據之間的關系；
35、（d）動態學習率調整，使用學習率調度器根據訓練進度動態調整學習率，動態調整學習率中使用余弦退火調整學習率，余弦退火學習率調整通過余弦函數來逐步減小學習率，從初始值下降到接近零；具體過程如下：
36、學習率的計算公式為：
37、；
38、式中，為第步時的學習率，為最小學習率，為初始的最大學習率，為當前的訓練步數，為整個退火過程的最大步數，為余弦函數；
39、學習率隨著訓練步數逐步減小，遵循余弦函數的變化曲線，最終接近0；通過余弦退火學習率調整，模型在早期階段能夠快速收斂，而在后期階段通過較小的學習率進行微調，從而穩定收斂；余弦退火與學習率重啟機制相結合，在周期本文檔來自技高網...
【技術保護點】
1.一種滾動軸承故障診斷方法，其特征在于，該方法包括：
2.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S2中，基于實驗平臺獲取不同工況下滾動軸承的振動信號數據，包括：不同轉速下的滾動軸承振動信號數據、特定轉速下的滾動軸承振動信號數據、不同負載條件下的滾動軸承振動信號數據、不同濕度條件下的滾動軸承振動信號數據、不同溫度條件下的滾動軸承振動信號數據、不同潔凈度條件下的滾動軸承振動信號數據、不同酸堿度條件下的滾動軸承振動信號數據。
3.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S3中，獲取不同約束條件下的振動變化數據，包括：
4.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S4中，分析滾動軸承的損耗程度，包括：
5.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S5中，多個單因素LSTM模型包括：基于轉速預測故障的模型、基于負載預測故障的模型、基于溫度預測故障的模型、基于濕度預測故障的模型、基于潔凈度預測故障的模型、基于酸堿度預測故障的模型；
6.根據權利要求5
7.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S6中，第二LSTM模型包括：多輸入層、融合層和輸出層，多輸入層接收來自多個單因素LSTM模型的預測結果；融合層將來自不同輸入源的特征融合在一起，產生一個多維的表示，用于預測故障狀態；
8.根據權利要求7所述的滾動軸承故障診斷方法，其特征在于，加權融合，包括：
9.根據權利要求8所述的滾動軸承故障診斷方法，其特征在于，損失函數通過權重調整每個因素對模型的貢獻，反應不同工況下對損耗影響的不同程度；
10.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟S7中，對無人船船尾螺旋槳所使用的若干個滾動軸承進行編號，包括：采用分層編碼的方法進行編碼，編碼結構為：
...【技術特征摘要】
1.一種滾動軸承故障診斷方法，其特征在于，該方法包括：
2.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟s2中，基于實驗平臺獲取不同工況下滾動軸承的振動信號數據，包括：不同轉速下的滾動軸承振動信號數據、特定轉速下的滾動軸承振動信號數據、不同負載條件下的滾動軸承振動信號數據、不同濕度條件下的滾動軸承振動信號數據、不同溫度條件下的滾動軸承振動信號數據、不同潔凈度條件下的滾動軸承振動信號數據、不同酸堿度條件下的滾動軸承振動信號數據。
3.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟s3中，獲取不同約束條件下的振動變化數據，包括：
4.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟s4中，分析滾動軸承的損耗程度，包括：
5.根據權利要求1所述的滾動軸承故障診斷方法，其特征在于，在步驟s5中，多個單因素lstm模型包括：基于轉速預測故障的模型、基于負載預測故障的模型、基于溫度預測...
【專利技術屬性】
技術研發人員：劉明杲，張曉瑩，周業勝，張嘉琦，
申請(專利權)人：山東科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。