CN108709744A - 一种变负载工况下电机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种变负载工况下电机轴承故障诊断方法，本发明创新性的将轴承实时负载和传统的统计特征同时作为BP神经网络的输入参数，消除了负载对传统统计特征的影响，实现了在变负载工况下对轴承的故障类型及严重程度的综合判断，提高了轴承故障诊断的准确性和可靠性。同时，在BP网络的训练阶段，本发明引入了带有动量项的随机梯度算法，减小了训练过程中误差曲面的振荡趋势，提高了收敛速率。

Description

一种变负载工况下电机轴承故障诊断方法

技术领域

本发明属于机械设备故障诊断领域，具体涉及一种变负载工况下电机轴承故障诊断方法。

背景技术

电机是工业现代化建设中重要的驱动设备，轴承作为电机运转的关键部件之一，若不能及时发现并处理早期故障，将会使故障程度进一步扩大，进而影响整个机械系统的运转，甚至给国民经济和人民生命造成巨大的损失。因而对轴承进行故障诊断具有重要意义。然而，现有电机轴承故障诊断方法都是在轴承空载或者某一固定负载的背景下进行的。研究发现，同一工况的轴承在不同负载下其峰值因子、均方根值、波形因子等传统故障特征的特征值均会发生不同程度的改变。因此，传统通过故障特征进行轴承故障类型及严重程度分类的方法容易出现误诊断。且传统方法大都只能定性分析轴承的故障类型，很难对故障程度进行定量分析。所以，要解决上述问题，必须考虑轴承在不同负载下给传统故障特征带来的影响，这就要求我们使用一种新的方法来消除这种影响。

发明内容

针对上述问题，人们使用了不同的方法来消除此影响，传统的基于BP神经网络的轴承故障诊断方法是计算轴承振动信号的峭度、裕度因子、波形因子等统计特征，作为BP神经网络的输入参数进行训练建立模型。但轴承在不同负载下其均方根值、峭度、裕度因子等统计特征值均会发生不同程度的改变，导致同一故障类型在不同负载下会得到不同的诊断结果。传统方法由于没有考虑到负载的变化，容易发生误诊断。本发明提供了一种变负载工况下电机轴承故障诊断方法。

本发明采用的技术方案为：一种变负载工况下电机轴承故障诊断方法，包括以下4个步骤：

(1)信号采集：利用加速度传感器获取电机不同故障类型的轴承在不同负载下的振动信号。

(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征，其计算公式如下：

(a)峰值因子：

(b)均方根值：

(c)波形因子：

(d)方差：

(e)峭度：

(f)脉冲因子：

(g)裕度因子：

其中,X＝(x₁,x₂,x₃,...,x_N)为轴承的振动信号，x_i为X中的离散信号，N为信号的采样点数。

(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层。

(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中提取的传统统计特征一起作为样本集训练步骤(3)中构建的网络，并将训练好的网络对当前监测的轴承进行故障诊断。

其中，所述BP神经网络具体构造如下：

①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；

②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：

其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度。

本发明至少具有以下优点：

(1)本发明提出了一种变负载工况下电机轴承综合故障诊断方法，且创新性的将轴承负载和传统统计特征一起作为BP神经网络的输入参数训练，消除了负载对诊断结果的影响，提高了轴承故障诊断的准确性和可靠性；

(2)本发明提出的方法不但可以定性分析轴承故障类型且可以定量衡量故障大小，可根据输出结果决定部件维修的轻重缓急。

附图说明

图1为本发明方法流程图；

图2为本发明提供的方法和传统方法对比实施流程图；

图3为传统方法BP神经网络结构图；

图4为本发明方法BP神经网络结构图；

图5为本发明提供方法与传统方法多次实验输出精度对比图。

具体实施方式

下面结合附图和实际的实验数据对本发明的实施以及与传统方法的对比作进一步的详细说明。

本实施案例包括正常、内圈故障、滚子故障、外圈故障等4种轴承故障状态，其中内圈故障和滚子故障状态下又包括故障程度为0.007英寸、0.014英寸、0.021英寸、0.028英寸各1个；外圈故障状态下包括故障程度为0.007英寸、0.014英寸、0.021英寸各1个；将这1+2*4+3＝12种故障类型标签为y₁～y₁₂作为BP神经网络的输出。把这12种故障类型分别在负载HP＝0、1、2、3下得到的共12*4＝48种信号作为本实验中所述的采集到的48种振动信号。

如图2所示，本发明本发明的实施以及与传统方法的对比包括以下步骤：

(1)信号采集：包括12不同故障状态在负载HP＝0、1、2、3下的共48种振动信号。

(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征。

(a)峰值因子：

(b)均方根值：

(c)波形因子：

(d)方差：

(e)峭度：

(f)脉冲因子：

(g)裕度因子：

其中，X＝(x₁,x₂,x₃,...,x_N)为轴承的振动信号，x_i为X中的离散信号，N为信号的采样点数。

(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层。其中输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把12种不同轴承故障类型标签作为BP神经网络的输出。

所述BP神经网络具体构造如下：

①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；

②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：

其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度。

(4)制作样本集：为了与传统方法作对比，制作两个样本集。其中样本集A为传统方法直接提取7个传统统计特征标为x₁～x₇作为BP神经网络的输入参数训练；样本集B为本发明提出的将轴承负载和7个传统统计特征x₁～x₇同时作为BP神经网络的输入参数训练。具体结构图分别如图3、图4所示。

(5)BP神经网络的训练和使用：利用步骤(4)中的样本集A与样本集B分别训练步骤(3)中的网络，为排除实验的偶然性，如图5所示为多次实验下本发明提出方法与传统方法对比结果图。由图可知，本发明提出的方法实现了在轴承负载下对轴承的故障类型及严重程度的综合判断，其辨识率相比传统方法得到了显著的提高。

Claims (2)

1.一种变负载工况下电机轴承故障诊断方法，其特征在于：包括以下步骤：

(1)信号采集：利用加速度传感器获取不同故障类型的电机轴承在不同负载下的振动信号；

(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征，其计算公式如下：

(a)峰值因子：

(b)均方根值：

(c)波形因子：

(d)方差：

(e)峭度：

(f)脉冲因子：

(g)裕度因子：

其中，X＝(x₁,x₂,x₃,...,x_N)为轴承的振动信号，x_i为X中的离散信号，N为信号的采样点数；

(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层；

(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中选取的7种传统统计特征一起作为样本集训练步骤(3)中构建的网络，并将训练好的网络对当前监测的轴承进行故障诊断。

2.根据权利要求1所述一种变负载工况下电机轴承故障诊断方法，其特征在于：所述BP神经网络具体构造如下：

①构建一个3层的BP神经网络，输入层100个神经元接收输入并将输入特征分发到隐层；隐层100个神经元通过输入特征定性分析故障类型、定量衡量故障大小并将结果输送到输出层；输出层100个神经元接收隐层计算结果并把不同轴承故障类型标签作为BP神经网络的输出；

②BP神经网络在训练的过程中采用带有动量的梯度下降法，其算法公式为：

其中，为k时刻的负梯度，E为目标函数；D(k-1)为k-1时刻的负梯度；η为学习率；为动量因子，增加动量有效地避免了网络在训练时陷入局部极小值，提高了网络收敛速度。