【技術實現步驟摘要】
本專利技術涉及軸承故障診斷，具體而言，涉及一種基于多源共振分量特征融合cnn的軸承故障診斷方法。
技術介紹
1、軸承作為一種重要的零部件被廣泛應用于現代旋轉機械中，其較為惡劣的工作環境常導致故障的發生，在實際生產中超過40％的旋轉機械故障與軸承故障有關，這大大降低了設備運行的穩定性和安全性；且由于現場噪聲繁雜，表征故障信息的沖擊成分極易被噪聲淹沒，影響識別精度，所以，在復雜環境下實現精確、快速的軸承故障診斷具有十分重要的意義。
2、針對強噪聲背景下呈現非平穩性的軸承振動信號，部分研究人員通過信號特征提取來區分故障，如小波分析、包絡分析、經驗模態分解及其變體等，單純通過這些方法雖在一定程度上可提取故障信息，但易受人為經驗與主觀因素制約，導致診斷效率低下。
3、近年來，隨著機械診斷技術不斷朝智能化的方向發展，利用人工神經網絡(artificial?neural?networks，ann)、支持向量機(support?vector?machine，svm)、決策樹(decision?tree，dt)等機器學習模型與傳統信號處理技術相結合，實現了軸承故障的自動識別。
4、soualhi等人采用hilbert-huang變換從振動信號中提取故障信息并利用svm實現軸承故障分類；han等人提出一種改進的隨機森林(rf)算法，實現了小樣本下的軸承故障診斷。然而，實際工作時，電機轉速和工況經常發生變化，且許多信號特征提取方法無法在現場強噪聲、多源干擾下分離并捕捉故障沖擊特征，同時淺層機器學習模型學習深度不足，
5、深度學習(deep?learning)的出現解決了信號處理方法特征提取能力有限和淺層機器學習中學習深度的問題。
6、由于滾動軸承原始振動信號是一維時間序列，故有學者采用一維卷積神經網絡1d-cnn來實現端到端的滾動軸承故障診斷工作。然而，1d-cn?n只能通過訓練不同的卷積核來辨別與故障相關的振動成分，未經過處理的原始軸承信號特征往往不明顯，故障沖擊特征容易被齒輪諧波、轉頻等成分掩蓋，這將給模型增加識別難度。使用適當的信號處理方法充分提取故障特征并使之圖像化，作為cnn的輸入，最終實現準確分類，也是當下的研究熱點。han等人采用多小波變換(mwt)對振動信號分析，提取多小波系數矩陣造特征圖作為cnn的輸入，有效識別了滾動軸承的復合故障。zhang等人采用短時傅里葉變換將振動信號轉化為時頻圖，作為cnn的輸入，實現了滾動軸承的故障診斷。
7、另外，分析單一傳感器測得的信號難以得到設備全面的故障特征，會影響故障識別的準確率，多個傳感器捕獲的信號包含系統運行的更多信息。
8、在過去幾年里，基于cnn的多傳感器數據信息的融合策略也被廣泛應用于全面描述設備狀態，利用多傳感器數據所具有的同步關聯性，有助于提高模型診斷準確率和抗噪聲干擾能力，合理利用多傳感器信息且實現準確、快速診斷是需要重點關注的。
技術實現思路
1、本專利技術的目的在于提供一種基于多源共振分量特征融合cnn的軸承故障診斷方法，以軸承的三個加速度傳感器為信號源，對原始數據小波閾值降噪處理后，通過共振稀疏分解得到高、低共振分量，有效地實現周期諧波成分與瞬態沖擊的分離，凸顯軸承故障特征，然后使用對稱點模式對來自多個傳感器的高、低共振分量同時進行整體特征融合，得到多源共振分量特征融合圖像，最后通過cnn對多源共振分量特征融合圖像進行學習，綜合學習設備狀態，有效地提高了整體的分類性能，由此可充分融合多個傳感器記錄的信息，增強了不同狀態特征的表征差異，進而提高了識別效果和識別精度，以解決現有無法合理利用多傳感器信息進行軸承故障準確、快速診斷，而分析單一傳感器測得的信號難以得到設備全面的故障特征，會影響故障識別的準確率的問題。
2、本專利技術的實施例通過以下技術方案實現：基于多源共振分量特征融合cnn的軸承故障診斷方法，包括以下步驟：
3、獲取多傳感器的原始振動數據；
4、對各傳感器的原始振動數據進行降噪處理，以消除原始振動數據中的干擾噪聲，獲得降噪后的振動信號；
5、對所述降噪后的振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量；
6、對各傳感器的高共振分量以及低共振分量同時進行對稱點模式分析，得到多源共振分量特征融合圖像；
7、構建卷積神經網絡故障診斷模型，以不同故障狀態下的所述多源共振分量特征融合圖像作為輸入對卷積神經網絡故障診斷模型進行訓練，根據訓練好的卷積神經網絡故障診斷模型進行軸承故障診斷。
8、根據一種優選實施方式，所述獲取多傳感器的原始振動數據，包括：
9、通過多個加速度傳感器對應采集目標軸承不同位置的振動數據。
10、根據一種優選實施方式，所述對各傳感器的原始振動數據進行降噪處理，以消除原始振動數據中的干擾噪聲，獲得降噪后的振動信號，包括：
11、對各傳感器的原始振動數據進行小波閾值降噪處理，以剔除所述原始振動數據中的環境噪聲，獲得降噪后的振動信號。
12、根據一種優選實施方式，所述對降噪后的振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量，包括：
13、基于高品質因子、低品質因子、冗余因子以及分解層數，生成小波基函數庫s1和s2；
14、利用可調品質因子小波變換對振動信號進行雙通道濾波，得到對應子帶的初始系數矩陣w1和w2，生成初始高共振分量s1w1和初始低共振分量s2w2，分解過程表達式如下：
15、x′＝s1w1+s2w2+res
16、上式中，x′表示振動信號，w1和w2為對應的系數矩陣，res表示分解后的殘余分量。
17、根據一種優選實施方式，所述對所述振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量，還包括：
18、基于所述初始高共振分量s1w1、初始低共振分量s2w2以及預設權重系數建立耗散函數；
19、采用分裂增廣拉格朗日收縮算法對耗散函數進行迭代，得到耗散函數最小時的最優系數矩陣和完成信號重構，得到振動信號中高共振分量和低共振分量
20、所述耗散函數的表達式如下：
21、
22、上式中，x表示原始振動數據，λ1表示高共振分量的正則化參數，λ2表示低共振分量的正則化參數。
23、根據一種優選實施方式，所述對各傳感器的高共振分量以及低共振分量進行對稱點模式分析，得到多源共振分量特征融合圖像包括：
24、通過對稱點模式分析將振動信號以散點的形式映射在極坐標中；
25、在時域波形中，xi為i時刻的幅值，xi+l為i+l時刻的幅值，振動信號通過對稱點模式分析變為極坐標空間s[r(i),θ(i),φ(i)]中的點；
26、其中，r(i)的計算公式為：
27、<本文檔來自技高網...
【技術保護點】
1.基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，所述獲取多傳感器的原始振動數據，包括：
3.如權利要求2所述的基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，所述對各傳感器的原始振動數據進行降噪處理，以消除原始振動數據中的干擾噪聲，獲得降噪后的振動信號，包括：
4.如權利要求3所述的基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，所述對降噪后的振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量，包括：
5.如權利要求4所述的基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，所述對所述振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量，還包括：
6.如權利要求5所述的基于多源共振分量特征融合CNN的軸承故障診斷方法，其特征在于，所述對各傳感器的高共振分量以及低共振分量同時進行對稱點模式分析，得到多源共振分量特征融合圖像包括：
7
...【技術特征摘要】
1.基于多源共振分量特征融合cnn的軸承故障診斷方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于多源共振分量特征融合cnn的軸承故障診斷方法，其特征在于，所述獲取多傳感器的原始振動數據，包括：
3.如權利要求2所述的基于多源共振分量特征融合cnn的軸承故障診斷方法，其特征在于，所述對各傳感器的原始振動數據進行降噪處理，以消除原始振動數據中的干擾噪聲，獲得降噪后的振動信號，包括：
4.如權利要求3所述的基于多源共振分量特征融合cnn的軸承故障診斷方法，其特征在于，所述對降噪后的振動信號進行共振稀疏分解，得到各傳感器的高共振分量以及低共振分量，包括：...
【專利技術屬性】
技術研發人員：朱琳，楊凌瑞，賈啟彤，孫強，朱霄珣，楊燕，楊盼盼，
申請(專利權)人：云南電投綠能科技有限公司，
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。