【技術實現步驟摘要】
本專利技術涉及滾動軸承故障診斷，是一種滾動軸承故障診斷方法。
技術介紹
1、隨著科學技術的發展，工業設備逐漸向智能化、精密化的方向發展，機器設備的狀態監測與維護受到了廣泛的重視。旋轉機械是最常見的機械設備類別之一，在工業設備中發揮著重要作用。滾動軸承作為旋轉機械設備的關鍵零部件，由于長期工作在高速、重載等惡劣工況條件下，不可避免的會發生磨損、點蝕、裂紋等故障。根據數據統計，旋轉機械設備的30％的故障的是由滾動軸承故障造成的。若不能有效識別軸承故障，可能導致加工質量下降、機器設備意外停機等事故，由此將會造成經濟損失甚至安全事故的發生。因此，研究滾動軸承的故障診斷方法，實現對運行過程中的滾動軸承的健康狀態的智能監測，從而合理安排設備的維護時機和使用壽命，確保機器設備的正常運行，具有重要意義。
2、基于傳統機器學習的故障診斷方法需要進行復雜的故障特征向量提取，故障特征提取方法直接影響診斷結果準確率。深度學習是機器學習領域的新研究方向，近十幾年來，隨著計算機技術的快速發展，深度學習的模型復雜度和數據容量不斷增加，其分類準確率不斷提高。深度學習無需手動進行特征提取，提取復雜非線性特征的能力優異，這適合于機械設備故障情況復雜的特點。深度學習中的二維卷積神經網絡(2d-cnn)具有較強的圖像特征提取能力，具有強大的預測和分類功能，是故障診斷領域中廣泛采用的方法?；?d-cnn的故障診斷方法的輸入圖像有時頻圖、極坐標對稱圖像、時域灰度圖等，其中使用時頻分析方法生成的時頻圖被應用的尤為廣泛。常用的時頻分析工具有：短時傅里葉變換、連續
技術實現思路
1、針對現有技術存在的不足，本專利技術提供了一種基于峰值包絡譜傅里葉分解包絡譜灰度圖與卷積神經網絡的滾動軸承故障診斷方法，該方法克服了傳統的機器學習的故障診斷方法需要進行復雜的故障特征向量提取的問題，并且故障診斷精度更高，抗噪聲干擾能力更強，優于傳統的基于機器學習和2d-cnn的滾動軸承的故障診斷方法。
2、本專利技術提供了一種滾動軸承故障診斷方法，本專利技術提供了以下技術方案：
3、一種滾動軸承故障診斷方法，所述方法基于峰值包絡譜傅里葉分解包絡譜灰度圖與卷積神經網絡，包括以下步驟；
4、步驟1：采集滾動軸承正常狀態、不同故障類型及其不同損傷程度的振動信號；
5、步驟2：對采集的滾動軸承的振動信號進行分割，形成帶標簽的數據樣本，并將數據樣本劃分為訓練集和測試集；
6、步驟3：利用峰值包絡譜傅里葉分解對數據樣本x(k)進行分解，獲得一系列分量信號{xl(k)}；
7、步驟4：對所有分量信號進行包絡譜分析，得到分量的包絡譜esl(n)；
8、步驟5：將所有分量的包絡譜轉換為數據增強的灰度圖；
9、步驟6：設計用于滾動軸承故障特征學習的2d-cnn；
10、步驟7：將訓練集輸入2d-cnn中訓練網絡，保存訓練好的網絡模型，將測試集數據輸入到訓練好的2d-cnn中完成故障診斷。
11、優選地，步驟3，利用pesfdm對信號進行分解，pesfdm分量個數在6-10范圍內選取。
12、優選地，步驟4的具體步驟為：
13、對信號xl(k)做希爾伯特變換得到xl'(k)，xl(k)的解析信號為ql(k)，如式(1)所示，xl(k)的包絡信號|ql(k)|如式(2)所示：
14、ql(k)＝xl(k)+i·xl'(k)?k＝0,2,3…n-1???(1)
15、
16、對|ql(k)|進行fft得到包絡信號的復數ql(n)，如式(3)所示，其中，fft變換長度為信號長度，|ql(n)|的前半部分的二倍即為xl(k)的包絡譜，用esl(n)表示，如式(4)所示：
17、
18、優選地，步驟5的具體步驟為：
19、步驟5.1：將所選分量的一維的包絡譜幅值序列轉換為灰度圖的方式為：為增強灰度圖中的故障特征，將每個分量信號的前1/10部分的幅值序列首先形成3行和n/20列的矩陣，即將所選的包絡譜幅值序列重復排列成三行；
20、步驟5.2：將所有分量的所選的包絡譜的矩陣按照分量序號順序組合成為一個大小為3m行和n/20列的矩陣，該矩陣即為灰度圖所使用的灰度圖矩陣，將灰度圖矩陣中單個元素按照由左到右，從上到下依次編號，共有3×m×n/20個元素，再將灰度圖矩陣使用式(5)歸一化到0-255：
21、
22、其中a表示矩陣全部元素，ai為矩陣中第i個元素，min(a)和max(a)分別表示a中的最小和最大值，a′i為歸一化后的元素值，歸一化后每個元素的值即為灰度圖中一個色塊的灰度值，最后，按照從0到255對應灰度從暗到亮的規律，將矩陣轉換為灰度圖。
23、優選地，設計包含兩個卷積-池化對和兩個全連接層的2d-cnn，為加快網絡訓練速度，在卷積層和激活函數之間以及全連接層和激活函數間添加批量歸一化層，隨機失活的比率采用推薦值：0.5。
24、優選地，卷積核的移動步長固定為1，第一個卷積層的卷積核的數量為16，第二層為32，卷積核的數量以倍數增加來提高特征提取能力；
25、兩層卷積層均使用大小為3×3的小感受野來捕獲細節信息，填充方式為“same”，在卷積核移動步長為1的情況下，使卷積操作后的輸出特征映射邊長保持不變，有助于保留有關輸入的信息。
26、優選地，池化層采用大多數模型采用的2×2大小的池化核，移動步長為2，不進行填充，經過池化操作后，特征圖的長和寬減小一半，提高了模型的計算速度；
27、對卷積和池化對后是兩層全連接層，第一層全連接神經元數量為128，第二層全連接層的神經元數量是分類模式數。
28、一種滾動軸承故障診斷系統，所述系統包括：
29、采集模塊，所述采集模塊采集滾動軸承正常狀態、不同故障類型及其不同損傷程度的振動信號；
30、分割模塊，所述分割模塊對采集的滾動軸承的振動信號進行分割，形成帶標簽的數據樣本，并將數據樣本劃分為訓練集和測試集；
31、分解模塊，所述分解模塊利用峰值包絡譜傅里葉分解對數據樣本x(k)進行分解，獲得一系列分量信號{xl(k)}；
32、分析模塊，所述分析模塊對所有分量信號進行包絡譜分析，得到分量的包絡譜esl(n)；
33、轉換模塊，所述轉換模塊將所有分量的包絡譜轉換為數據增強的灰度圖；
34、設計模塊，所述設計模塊設計用于滾動軸承故障特征學習的2d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，其特征是：所述方法基于峰值包絡譜傅里葉分解包絡譜灰度圖與卷積神經網絡，包括以下步驟；
2.根據權利要求1所述的方法，其特征是：
3.根據權利要求2所述的方法，其特征是：步驟4的具體步驟為：
4.根據權利要求3所述的方法，其特征是：步驟5的具體步驟為：
5.根據權利要求4所述的方法，其特征是：
6.根據權利要求5所述的方法，其特征是：
7.根據權利要求6所述的方法，其特征是：
8.一種滾動軸承故障診斷系統，其特征是：所述系統包括：
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行，以用于實現如權利要求1-7的方法。
10.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征是：所述處理器執行所述計算機程序時實現權利要求1-7的方法。
【技術特征摘要】
1.一種滾動軸承故障診斷方法，其特征是：所述方法基于峰值包絡譜傅里葉分解包絡譜灰度圖與卷積神經網絡，包括以下步驟；
2.根據權利要求1所述的方法，其特征是：
3.根據權利要求2所述的方法，其特征是：步驟4的具體步驟為：
4.根據權利要求3所述的方法，其特征是：步驟5的具體步驟為：
5.根據權利要求4所述的方法，其特征是：
6.根據權利要求5所述的方法，...
【專利技術屬性】
技術研發人員：解志杰，王宇，張凱亮，呂景亮，劉九慶，
申請(專利權)人：東北林業大學，
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。