CN108318249A - 一种旋转机械轴承的故障诊断方法 - Google Patents

Abstract

本发明公开了一种旋转机械轴承的故障诊断方法，首先对原始信号进行小波包分解，并提取小波包分解后的前一半小波系数进行重构得到重构信号集；接着分别在时域上和频域上对重构信号提取相应的特征值，利用BP神经网络进行模式识别，获取故障分类的权重值；再利用D‑S证据理论将时域与频域获得的故障分类权重值进行融合，获取最终融合的结果；最后选取融合结果中的最大值作为故障诊断的决策判断结果，得到机组诊断的最终结果。本发明提供的旋转机械轴承的故障诊断方法，不仅故障诊断的准确率得到了很大的提高，而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类，比独自进行时域和频域分析效果都要好，可以提高故障分类的准确率和稳定性。

Description

一种旋转机械轴承的故障诊断方法

技术领域

本发明涉及一种故障诊断方法，特别是涉及一种旋转机械轴承的故障诊断方法，属于工业旋转机械故障诊断技术领域。

背景技术

随着科学技术的不断发展，旋转机械在石化、工业等领域中应用非常广泛，且对企业起到了关键性的作用。然而，由于旋转机械长期的运转，轴承极其容易造成不同程度的损害，产生各种故障类型。当轴承故障达到一定的程度，如果不能及时发现并加以维修，可能会造成机械不必要的停机，不但影响企业的经济效益，重要的会发生安全事故。

因此，为了更好的判定与区分旋转机械轴承的故障类型，提高故障诊断的可靠性、准确性和精确性，提供一种新的故障诊断方法是有益之举。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种旋转机械轴承的故障诊断方法，可有效解决现有机械设备故障诊断存在难分辨、精度不高等问题。

为了达到上述目的，本发明所采用的技术方案是：

一种旋转机械轴承的故障诊断方法，包括以下步骤：

1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号 X_i，并将振动信号X_i采集汇总为原始信号X＝[X₁,X₂,…,X_i]，其中，1≤i≤N，N 为数据点数；

2)对原始信号X进行小波包分解，且分解尺度为n，n≥1；

3)提取原始信号X经小波包分解后的前一半小波系数

将该前一半小波系数Y的2n-1个低频信号采用小波包分解重构算法进行重构，获得重构信号集

4)在时域上利用BP神经网络获取时域分析结果；

4-1)进行时域分析，将重构信号集S进行时域特征值提取；

重构信号集S中的每个重构信号均提取7个时域特征值，7个时域特征值分别为波形指标T₁、脉冲指标T₂、裕度指标T₃、峰值指标T₄、峭度指标T₅、均方根指标T₆和偏度指标T₇；

4-2)将提取的7个时域特征值分别归一化至[-1，1]，归一化后获得时域分析轴承故障特征向量；

4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的时域分析基本概率分布P_Ap，1≤p≤k，A 表示时域分析，k为故障种类数；

4-4)将获取的时域分析基本概率分布P_Ap归一化至[0，1]，归一化后获得时域归一化后概率P_AAp；

5)在频域上利用BP神经网络获取频域分析结果；

5-1)进行频域分析，对重构信号集S进行频域特征值提取；

对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换，得到对应的频谱图；对频谱图的频域信号提取7个频域特征值，7个频域特征值分别为平均信号功率指标F₁、平均频率指标F₂、信号平均能量指标F₃、标准化能量方差指标F₄、频谱最大值指标F₅、方差系数指标F₆和标准化信号功率倒数指标F₇；

5-2)将提取的7个频域特征值分别归一化至[-1，1]，归一化后获得频域分析轴承故障特征向量；

5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的频域分析基本概率分布P_Bp，1≤p≤k，B 表示频域分析；

5-4)将获取的频域分析基本概率分布P_Bp归一化至[0，1]，归一化后获得频域归一化后概率P_BBp；

6)通过D-S证据理论对时域分析结果与频域分析结果进行融合，计算出归一化常数K的结果，并计算出融合分析概率分布P_Zp，1≤p≤k，Z表示融合分析；

7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果，并依据该决策判断结果进行有无故障及故障种类的判断。

本发明进一步设置为：所述振动传感器安装在靠近变速箱进油口的变速箱箱体上。

本发明进一步设置为：所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。

本发明进一步设置为：所述小波包分解重构算法，具体为，

设为小波包族，为小波包的子空间族，j为子空间序列表示小波分析时的尺度变化，j≥1；

则的表达式为

其中，为小波信号，l＝1,2,…,z，z为波形的震荡次数，z≥1，u_n(2^jt-1) 为子空间族，2^j为空间尺度变化，t为时域时间变化；

由公式求出与

则

其中，p_c-2l为低频信号，u_c-2l为高频信号，l为任意自然数；

由公式求出与

则

其中，h_l-2c为高频系数，g_l-2c为低频系数。

本发明进一步设置为：所述7个时域特征值的表达式具体为，

波形指标

脉冲指标

裕度指标

峰值指标T₄＝max|X_i|，

峭度指标

均方根指标

偏度指标

其中，X_m是X的平均值，max|X_i|为时域的峰值指标。

本发明进一步设置为：所述将提取的7个时域特征值分别归一化至[-1，1] 所采用的归一化转换表达式为，y＝2*(x-MinValue)/(MaxValue-MinValue)-1；

其中，x为归一化转换前的时域特征值，y为归一化转换后的值，MaxValue 为7个时域特征值中的最大值，MinValue为7个时域特征值中的最小值。

本发明进一步设置为：所述时域归一化后概率P_AAp的表达式为，

本发明进一步设置为：所述7个频域特征值的表达式具体为，

平均信号功率指标

平均频率指标

信号平均能量指标

标准化能量方差指标

频谱最大值指标F₅＝Max|X_i|，

方差系数指标

标准化信号功率倒数指标

其中，X_m是X的平均值，Max|X_i|为频谱最大值指标。

本发明进一步设置为：所述频域归一化后概率P_BBp的表达式为，

本发明进一步设置为：所述计算出归一化常数K的结果，具体为，

设机械轴承的识别框架为Ω，引入新的信任度函数

对于识别框架Ω上的v个mass函数m₁,m₂,…,m_v的Dempster合成规则为，

则归一化常数K为，

其中，A为命题代表的名称，v为自然数，1≤v≤ψ，ψ为识别框架包含数目，A_v为第v个对应的命题。

与现有技术相比，本发明具有的有益效果是：

首先对原始信号进行小波包分解，并提取小波包分解后的前一半小波系数进行重构得到重构信号集；接着分别在时域上和频域上对重构信号提取相应的特征值，利用BP神经网络进行模式识别，获取故障分类的权重值；再利用D-S 证据理论将时域与频域获得的故障分类权重值进行融合，获取最终融合的结果；最后选取融合结果中的最大值作为故障诊断的决策判断结果，得到机组诊断的最终结果。本发明提供的旋转机械轴承的故障诊断方法，不仅故障诊断的准确率得到了很大的提高，而且可以判定、诊断与预测旋转机械轴承所处的不同故障种类，从而减少企业不必要的损失，避免安全事故的发生。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明一种旋转机械轴承的故障诊断方法的流程图；

图2为本发明一种旋转机械轴承的故障诊断方法中小波分解的示意图；

图3为本发明一种旋转机械轴承的故障诊断方法中BP神经网络结构图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

本发明提供一种旋转机械轴承的故障诊断方法，如图1所示，包括以下步骤：

1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号 X_i，并将振动信号X_i采集汇总为原始信号X＝[X₁,X₂,…,X_i]，其中，1≤i≤N，N 为数据点数。

所述振动传感器优选安装在靠近变速箱进油口的变速箱箱体上，所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。

2)对原始信号X进行小波包分解，且分解尺度为n，n≥1。

小波分解的示意图如图2所示，选择的是db4小波包基，选取分解图中的实线部分，也就是左半部分的低频信号。

3)提取原始信号X经小波包分解后的前一半小波系数

将该前一半小波系数Y的2^n-1个低频信号采用小波包分解重构算法进行重构，获得重构信号集

所述小波包分解重构算法，具体为，

设为小波包族，为小波包的子空间族，j为子空间序列表示小波分析时的尺度变化，j≥1；

则的表达式为

其中，为小波信号，l＝1,2,…,z，z为波形的震荡次数，z≥1，u_n(2^jt-1) 为子空间族，2^j为空间尺度变化，t为时域时间变化；

由公式求出与

则

其中，p_c-2l为低频信号，u_c-2l为高频信号，l为任意自然数；

由公式求出与

则

其中，h_l-2c为高频系数，g_l-2c为低频系数。

4)在时域上利用BP神经网络获取时域分析结果。

4-1)进行时域分析，将重构信号集S进行时域特征值提取；

重构信号集S中的每个重构信号均提取7个时域特征值，7个时域特征值分别为波形指标T₁、脉冲指标T₂、裕度指标T₃、峰值指标T₄、峭度指标T₅、均方根指标T₆和偏度指标T₇。

所述7个时域特征值的表达式具体为，

波形指标

脉冲指标

裕度指标

峰值指标T₄＝max|X_i|，

峭度指标

均方根指标

偏度指标

其中，X_m是X的平均值，max|X_i|为时域峰值指标。

4-2)将提取的7个时域特征值分别归一化至[-1，1]，归一化后获得时域分析轴承故障特征向量。

所述将提取的7个时域特征值分别归一化至[-1，1]所采用的归一化转换表达式为，y＝2*(x-MinValue)/(MaxValue-MinValue)-1；

其中，x为归一化转换前的时域特征值，y为归一化转换后的值，MaxValue 为7个时域特征值中的最大值，MinValue为7个时域特征值中的最小值。

4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的时域分析基本概率分布P_Ap，1≤p≤k，A 表示时域分析，k为故障种类数。

其中，BP神经网络分别由输入层、隐藏层和输出层三大部分组成，如图3 所示，该神经网络通过权重W调整内部神经元之间的连接关系以达到信息处理的目的。

首先将训练数据集送入神经网络中，对比神经网络的实际输出结果和期望值之间的差别来调整权重W，让其误差不超过规定的阈值；然后把测试数据集导入到神经网络，便可以得到预期的输出结果。

BP神经网络的模式识别中，I₁,I₂,…,I_e为神经网络的输入信号，1≤e≤7，e 为时域特征值；W_q1,W_q2,…,W_qe为神经网络各层的连接权向量；θ表示一个阈值； f(x)为激活函数，表示输入信号与输出信号之间的关系；O₁,O₂,…,O_e为神经网络的输出信号，则

若用向量来表示输入信号、连接权和输出信号，则为，

其中，BP神经网络输出层的激活函数选择tansig方法――双曲正切S型(sigmoid)传递函数；学习规则采用traingdx——自适应lr动量梯度下降法。

4-4)将获取的时域分析基本概率分布P_Ap归一化至[0，1]，归一化后获得时域归一化后概率P_AAp。

所述时域归一化后概率P_AAp的表达式为，

在时域上，假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类，有k＝4，而通过BP神经网络模式识别后得到的时域分析基本概率分布分别用P_A1、P_A2、P_A3、P_A4表示，则归一化后获得时域归一化后概率分别为P_AA1、P_AA2、P_AA3、P_AA4表示，即为，

5)在频域上利用BP神经网络获取频域分析结果。

5-1)进行频域分析，对重构信号集S进行频域特征值提取；

对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换，得到对应的频谱图；对频谱图的频域信号提取7个频域特征值，7个频域特征值分别为平均信号功率指标F₁、平均频率指标F₂、信号平均能量指标F₃、标准化能量方差指标F₄、频谱最大值指标F₅、方差系数指标F₆和标准化信号功率倒数指标F₇。

所述7个频域特征值的表达式具体为，

平均信号功率指标

平均频率指标

信号平均能量指标

标准化能量方差指标

频谱最大值指标F₅＝Max|X_i|，

方差系数指标

标准化信号功率倒数指标

其中，X_m是X的平均值，Max|X_i|为频谱最大值指标。

5-2)将提取的7个频域特征值分别归一化至[-1，1]，归一化后获得频域分析轴承故障特征向量。

5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的频域分析基本概率分布P_Bp，1≤p≤k，B 表示频域分析。

5-4)将获取的频域分析基本概率分布P_Bp归一化至[0，1]，归一化后获得频域归一化后概率P_BBp。

所述频域归一化后概率P_BBp的表达式为，

在频域上，假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类，有k＝4，而通过BP神经网络模式识别后得到的频域分析基本概率分布分别用P_B1、P_B2、P_B3、P_B4表示，则归一化后获得时域归一化后概率分别为P_BB1、P_BB2、P_BB3、P_BB4表示，即为，

6)通过D-S证据理论对时域分析结果与频域分析结果进行融合，计算出归一化常数K的结果，并计算出融合分析概率分布P_Zp，1≤p≤k，Z表示融合分析。

基于时域分析结果为P_AA1、P_AA2、P_AA3、P_AA4，频域分析结果为P_BB1、P_BB2、P_BB3、 P_BB4，通过相互融合，计算出融合分析概率分布P_Z1、P_Z2、P_Z3、P_Z4。

设机械轴承的识别框架为Ω，Ω上的基本概率分配函数m为m:2^Ω→[0,1]，且要求满足的条件为其中，m(A)为命题A的基本概率赋值或mass函数，它表示证据支持命题A的信任程度。

有Bel:2^v→[0,1]，其中，Bel(A)为命题A的信任函数，它表示证据对为A真的信任程度。

以及，

其中，PI(A)≥Bel(A)，PI(A)为命题A的似然函数PI，它表示证据对为A非假的信任程度。

本发明引入新的信任度函数对于识别框架Ω上的v个mass函数m₁,m₂,…,m_v的Dempster合成规则为，

则归一化常数K为，

其中，A为命题代表的名称，v为自然数，1≤v≤ψ，ψ为识别框架包含数目，A_v为第v个对应的命题。

若采用2个mass函数m₁,m₂，则其Dempster合成规则为，

则归一化常数K为，

假设旋转机械的故障分类为轴承正常状态、轴承内圈磨损、轴承外圈磨损与轴承滚珠磨损四种故障种类，则可记，识别框架Ω＝{轴承正常状态A，轴承内圈磨损B，轴承外圈磨损C，轴承滚珠磨损D}。

7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果，并依据该决策判断结果进行有无故障及故障种类的判断。

本发明的创新点在于，对原始信号进行小波包分解，并提取小波包分解后的前一半小波系数进行重构得到重构信号集；分别在时域上和频域上对重构信号提取相应的特征值，利用BP神经网络进行模式识别，获取故障分类的权重值；以及利用D-S证据理论将时域与频域获得的故障分类权重值进行融合，获取最终融合的结果，从而选取融合结果中的最大值作为故障诊断的决策判断结果，得到机组诊断的最终结果。融合后的最终结果表明，该方法准确率比独自进行时域和频域分析效果都要好，可以提高故障分类的准确率和稳定性。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种旋转机械轴承的故障诊断方法，其特征在于，包括以下步骤：

1)通过安装在旋转设备变速箱上的振动传感器获取机械轴承的振动信号X_i，并将振动信号X_i采集汇总为原始信号X＝[X₁,X₂,…,X_i]，其中，1≤i≤N，N为数据点数；

2)对原始信号X进行小波包分解，且分解尺度为n，n≥1；

3)提取原始信号X经小波包分解后的前一半小波系数

将该前一半小波系数Y的2^n-1个低频信号采用小波包分解重构算法进行重构，获得重构信号集

4)在时域上利用BP神经网络获取时域分析结果；

4-1)进行时域分析，将重构信号集S进行时域特征值提取；

重构信号集S中的每个重构信号均提取7个时域特征值，7个时域特征值分别为波形指标T₁、脉冲指标T₂、裕度指标T₃、峰值指标T₄、峭度指标T₅、均方根指标T₆和偏度指标T₇；

4-2)将提取的7个时域特征值分别归一化至[-1，1]，归一化后获得时域分析轴承故障特征向量；

4-3)把时域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的时域分析基本概率分布P_Ap，1≤p≤k，A表示时域分析，k为故障种类数；

4-4)将获取的时域分析基本概率分布P_Ap归一化至[0，1]，归一化后获得时域归一化后概率P_AAp；

5)在频域上利用BP神经网络获取频域分析结果；

5-1)进行频域分析，对重构信号集S进行频域特征值提取；

对重构信号集S中的每个重构信号均进行快速傅里叶FFT变换，得到对应的频谱图；对频谱图的频域信号提取7个频域特征值，7个频域特征值分别为平均信号功率指标F₁、平均频率指标F₂、信号平均能量指标F₃、标准化能量方差指标F₄、频谱最大值指标F₅、方差系数指标F₆和标准化信号功率倒数指标F₇；

5-2)将提取的7个频域特征值分别归一化至[-1，1]，归一化后获得频域分析轴承故障特征向量；

5-3)把频域分析轴承故障特征向量作为BP神经网络的输入信号，通过模式识别进行故障分类，获取故障分类的频域分析基本概率分布P_Bp，1≤p≤k，B表示频域分析；

5-4)将获取的频域分析基本概率分布P_Bp归一化至[0，1]，归一化后获得频域归一化后概率P_BBp；

6)通过D-S证据理论对时域分析结果与频域分析结果进行融合，计算出归一化常数K的结果，并计算出融合分析概率分布P_Zp，1≤p≤k，Z表示融合分析；

7)选取融合分析概率分布的最大值作为故障诊断的决策判断结果，并依据该决策判断结果进行有无故障及故障种类的判断。

2.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述振动传感器安装在靠近变速箱进油口的变速箱箱体上。

3.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述原始信号包括轴承正常状态的振动信号、轴承内圈磨损的振动信号、轴承外圈磨损的振动信号与轴承滚珠磨损的振动信号。

4.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述小波包分解重构算法，具体为，

设为小波包族，为小波包的子空间族，j为子空间序列表示小波分析时的尺度变化，j≥1；

则的表达式为

其中，为小波信号，l＝1,2,…,z，z为波形的震荡次数，z≥1，u_n(2^jt-1)为子空间族，2^j为空间尺度变化，t为时域时间变化；

由公式求出与

则

其中，p_c-2l为低频信号，u_c-2l为高频信号，l为任意自然数；

由公式求出与

则

其中，h_l-2c为高频系数，g_l-2c为低频系数。

5.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述7个时域特征值的表达式具体为，

波形指标

脉冲指标

裕度指标

峰值指标T₄＝max|X_i|，

峭度指标

均方根指标

偏度指标

其中，X_m是X的平均值，max|X_i|为时域峰值指标。

6.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述将提取的7个时域特征值分别归一化至[-1，1]所采用的归一化转换表达式为，y＝2*(x-MinValue)/(MaxValue-MinValue)-1；

其中，x为归一化转换前的时域特征值，y为归一化转换后的值，MaxValue为7个时域特征值中的最大值，MinValue为7个时域特征值中的最小值。

7.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述时域归一化后概率P_AAp的表达式为，

8.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述7个频域特征值的表达式具体为，

平均信号功率指标

平均频率指标

信号平均能量指标

标准化能量方差指标

频谱最大值指标F₅＝Max|X_i|，

方差系数指标

标准化信号功率倒数指标

其中，X_m是X的平均值，Max|X_i|为频谱最大值指标。

9.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述频域归一化后概率P_BBp的表达式为，

10.根据权利要求1所述的一种旋转机械轴承的故障诊断方法，其特征在于：所述计算出归一化常数K的结果，具体为，

设机械轴承的识别框架为Ω，引入新的信任度函数

对于识别框架Ω上的v个mass函数m₁,m₂,…,m_v的Dempster合成规则为，

则归一化常数K为，

其中，A为命题代表的名称，v为自然数，1≤v≤ψ，ψ为识别框架包含数目，A_v为第v个对应的命题。