CN109765054A - 一种滚动轴承故障诊断方法 - Google Patents

Abstract

一种滚动轴承故障诊断方法，采集滚动轴承驱动端的振动信号，去除振动信号中的奇异值，并对振动信号进行降噪滤波处理，对振动信号进行小波分解，提取出滚动轴承的状态特征，选择一定比例的状态特征数据作为训练集输入到SOM神经网络中进行训练，得到每种滚动轴承故障对应的获胜神经元拓扑图，最终得到滚动轴承故障评判模型，将剩余的状态特征数据作为测试集输入到SOM神经网络中进行验证，得到滚动轴承故障识别的准确率。本发明解决了传统方法由于振动信号非平稳性而导致的难以提取信号特征参数的问题，实现状态特征参数的快速自适应分类，具有较高的识别准确率，不仅提高了轴承的可靠性，而且使整个机器设备的性能大大提高。

Description

一种滚动轴承故障诊断方法

技术领域

本发明涉及轴承故障诊断与状态识别领域，尤其涉及一种基于小波分解和SOM神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是各种旋转机械中应用最广的一种通用机械部件，也是大多数电气和动力驱动中最关键的部件之一，轴承故障是旋转机器故障的主要原因之一，它导致约41％的机器故障。有效的轴承故障诊断对于保持电气和动力驱动器的安全和正常运行非常重要，然而，对轴承进行故障诊断并非易事，本质上它是一种模式识别问题。为了更准确的识别轴承的状态，需要对轴承振动信号进行有效的特征提取和更准确的分类。

目前轴承故障诊断领域最主要的方法分别为时域分析法、频域分析法、时频域分析法，但它们各自存在较多的不足之处：(1)由于轴承振动信号中白噪声信号以及加工安装所引起的振动信号的影响，使用时域分析法较难判断轴承运行状态，以及确定故障的位置、类型等关键信息；(2)频域分析法在实验室环境下取得较理想的效果，但实际工程应用效果不佳，并且由于其不提供任何时域信息，存在一定的不足；(3)时频域分析法可以将信号在时频域上同时局部化，由于轴承振动信号一般具有非线性、非平稳性，因此该方法存在时域与频域的局部化矛盾。传统故障诊断方法大多需要一定的经验，且诊断结果存在较强的主观性。

发明内容

本发明提供一种滚动轴承故障诊断方法，解决了传统方法由于振动信号非平稳性而导致的难以提取信号特征参数的问题，实现状态特征参数的快速自适应分类，具有较高的识别准确率，不仅提高了轴承的可靠性，而且使整个机器设备的性能大大提高。

为了达到上述目的，本发明提供一种滚动轴承故障诊断方法，其包含以下步骤：

步骤S1、采集滚动轴承驱动端的振动信号；

步骤S2、对振动信号进行降噪滤波处理，去除振动信号中的奇异值；

步骤S3、对振动信号进行小波分解，提取出滚动轴承的状态特征；

步骤S4、选择一定比例的状态特征数据作为训练集输入到SOM神经网络中进行训练，得到每种滚动轴承故障对应的获胜神经元拓扑图，最终得到SOM网络训练模型；

步骤S5、将剩余的状态特征数据作为测试集输入到SOM网络训练模型中进行验证，得到滚动轴承故障识别的准确率。提取的振动信号包含轴承正常状态、轴承内圈故障状态、轴承滚动体故障状态、轴承外圈3点钟方向故障状态、轴承外圈6点钟方向故障状态、轴承外圈12点钟方向故障状态下的振动信号。

采用dmey小波基对滚动轴承的六种故障状态进行小波分解。

所述的SOM神经网络包含一个输入层和一个输出层，将提取好的振动特征参数输入输入层中进行网络训练，设置输出层为6×6网格类型，使用权值向量连接输入层和输出层之间的神经元，拓扑结构设置为六边形结构，拓扑函数为hextop，学习函数设置为自组织特征映射权值学习learnsom函数。

所述的SOM神经网络进行训练的方法包含以下步骤：

步骤S4.1、权值初始化：

从滚动轴承振动信号小波分解后提取的状态特征中选取n个数据作为SOM神经网络的训练样本计算这些轴承振动样本数据的中心向量，在此中心向量基础上叠加小随机数作为初始权值；

步骤S4.2、向量归一化：

对SOM神经网络输入层中的轴承状态特征数据和输出层中各神经元对应的初始权值向量，全部进行归一化处理：

式中，w_ji为初始权值；||w_ji||为权值向量的欧几里得范数；为轴承状态特征数据；为轴承状态特征数据的欧几里得范数；x_j为轴承状态特征数据的第j个特征分量值；

步骤S4.3、寻找获胜神经元：

将滚动轴承状态特征样本数据放入SOM神经网络的输入层，计算状态特征样本数据与权值向量的欧几里得距离，距离最小的神经元即为获胜神经元；

式中，d_j为状态特征样本数据与权值向量的欧几里得距离，X为归一化后的轴承状态特征数据，W_j为权值向量，x_i(t)为第i个轴承状态特征数据，w_ij(t)为第j个权值向量，其中，获胜神经元d_k＝min(d_j)；

步骤S4.4、定义优胜邻域：

优胜邻域是指以获胜神经元为中心，通过不断的权值调整后得到的轴承状态特征样本数据与获胜神经元围成的区域，优胜邻域的大小用邻域的半径表示；

式中，C₁为与输出层神经元节点数有关的常数，且该常数大于0；B₁为大于1的常数，T_max为网络训练前设定的最大训练次数；

步骤S4.5、调整权值：

调整优胜邻域内各个神经元连接权值：

(i＝1,2,···,n,j∈N_j*(t))

式中，w_ij(t+1)为调整后的第j个神经元连接权值；w_ij(t)为第j个权值向量，η(t,N)是关于训练时间t和邻域内第j个神经元与获胜神经元j^*之间拓扑距离N的多元函数，为第i个轴承状态特征数据的p次方；

步骤S4.6、判断网络训练结果：

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值η_min进行比较，若达到训练条件η(t)＜η_min，结束网络训练；否则，返回步骤S4.2继续执行上述步骤。

本发明通过小波分解提取滚动轴承状态特征参数，解决了传统方法由于振动信号非平稳性而导致的难以提取信号特征参数的问题，通过小波分解能更加直观的了解信号的具体特征，从而提取更加有用的信息，将提取的状态特征参数输入到SOM神经网络中学习，通过SOM神经网络的自组织学习，实现状态特征参数的快速自适应分类，并与轴承真实状态相对应，具有较高的识别准确率，这不仅提高了轴承的可靠性，而且使整个机器设备的性能大大提高。

附图说明

图1是本发明提供的一种滚动轴承故障诊断方法的流程图。

图2是滚动轴承振动信号时域图。

图3是轴承正常状态5层小波分解图。

图4是轴承内圈故障状态5层小波分解图。

图5是轴承滚动体故障状态5层小波分解图。

图6是轴承外圈3点钟方向故障状态5层小波分解图。

图7是轴承外圈6点钟方向故障状态5层小波分解图。

图8是轴承外圈12点钟方向故障状态5层小波分解图。

图9是SOM神经网络获胜神经元统计图。

图10是滚动轴承状态的分类结果图。

具体实施方式

以下根据图1～图10，具体说明本发明的较佳实施例。

随着深度学习的快速发展，智能算法被广泛应用在轴承的故障诊断中。自组织映射(SOM)神经网络是近年来在设备故障诊断领域中被广泛使用的一种智能算法，对设备状态的诊断有较高的准确度。

如图1所示，本发明提供一种滚动轴承故障诊断方法，基于小波分解和SOM神经网络来进行滚动轴承故障诊断，其包含以下步骤：

步骤S1、采集滚动轴承驱动端的振动信号；

步骤S2、去除振动信号中的奇异值，并对振动信号进行降噪滤波处理；

步骤S3、对振动信号进行小波分解，提取出滚动轴承的状态特征；

步骤S4、选择一定比例的状态特征数据作为训练集输入到SOM神经网络中进行训练，得到每种滚动轴承故障对应的获胜神经元拓扑图，最终得到SOM网络训练模型；

步骤S5、将剩余的状态特征数据作为测试集输入到SOM网络训练模型中进行验证，得到滚动轴承故障识别的准确率。

在本发明的实施例中，所述的步骤S1中，使用加速度传感器采集滚动轴承驱动端的振动信号，并将这些振动信号保存到数据采集卡中；

提取的振动信号包含轴承正常、轴承内圈故障、轴承滚动体故障、轴承外圈3点钟方向故障、轴承外圈6点钟方向故障、轴承外圈12点钟方向故障这6种状态下的振动信号，滚动轴承各状态的振动信号时域图如图2所示，(a)为轴承正常状态振动信号时域图；(b)为轴承内圈故障状态振动信号时域图；(c)为轴承滚动体故障状态振动信号时域图；(d)为轴承外圈3点钟方向故障状态振动信号时域图；(e)为轴承外圈6点钟方向故障状态振动信号时域图；(f)为轴承外圈12点钟方向故障状态振动信号时域图。

所述的步骤S2中，对振动信号进行降噪滤波处理，去除振动信号中的奇异值，并用快速傅里叶变换进行降噪滤波处理，得到更加接近轴承真实状态下的振动信号。

所述的步骤S3中，采用dmey小波基对滚动轴承的六种故障状态进行小波分解，该小波基适用于离散信号，且具有较好的紧支撑性。

分别对滚动轴承六种故障状态下的振动信号进行5层小波分解，得到小波分解图分别为：如图3所示的轴承正常状态5层小波分解图；如图4所示的轴承内圈故障状态5层小波分解图；如图5所示的轴承滚动体故障状态5层小波分解图；如图6所示的轴承外圈3点钟方向故障状态5层小波分解图；如图7所示的轴承外圈6点钟方向故障状态5层小波分解图；如图8所示的轴承外圈12点钟方向故障状态5层小波分解图。

通过5层小波分解得到滚动轴承的状态部分特征参数如表1所示。其中，类标号1代表正常信号特征，2代表轴承内圈故障信号特征，3代表滚动体故障特征，4代表外圈3点钟方向故障特征，5代表外圈6点钟方向故障特征，6代表外圈12点钟方向故障特征。

表1训练样本特征集和分类号

通过小波分解提取出滚动轴承的状态特征，并将每种状态下的状态特征通过MATLAB软件调用dmey小波包函数进行重构。

所述的步骤S4和步骤S5中，为了保证训练集和测试集的特征数据的统一，SOM神经网络具有相同的参数设置。SOM神经网络包含一个输入层，将提取好的振动特征参数输入其中进行网络训练，还包含一个输出层，无隐藏层；设置输出层为6×6网格类型，使用权值向量连接输入层和输出层之间的神经元；拓扑结构设置为六边形结构，拓扑函数为hextop；学习函数设置为自组织特征映射权值学习函数，即learnsom函数。

在本实施例中，可以选择70％的状态特征数据作为训练集，剩下的30％的状态特征数据作为测试集。

所述的步骤S4中，SOM神经网络进行训练的方法包含以下步骤：

步骤S4.1、权值初始化：

从滚动轴承振动信号小波分解后提取的状态特征中选取n个数据作为SOM神经网络的训练样本计算这些轴承振动样本数据的中心向量，在此中心向量基础上叠加小随机数作为初始权值；

步骤S4.2、向量归一化：

对SOM神经网络输入层中的轴承状态特征数据和输出层各神经元对应的初始权值向量，全部进行归一化处理：

式中，w_ji为初始权值；||w_ji||为权值向量的欧几里得范数；为轴承状态特征数据；为轴承状态特征数据的欧几里得范数；x_j为轴承状态特征数据的第j个特征分量值；

步骤S4.3、寻找获胜神经元：

将滚动轴承状态特征样本数据放入SOM神经网络的输入层，计算状态特征样本数据与权值向量的欧几里得距离，距离最小的神经元即为获胜神经元；

式中，d_j为状态特征样本数据与权值向量的欧几里得距离，X为归一化后的轴承状态特征数据，W_j为权值向量，x_i(t)为第i个轴承状态特征数据，wi_j(t)为第j个权值向量，其中，获胜神经元d_k＝min(d_j)；

步骤S4.4、定义优胜邻域：

优胜邻域是指以获胜神经元为中心，通过不断的权值调整后得到的轴承状态特征样本数据与获胜神经元围成的区域，优胜邻域的大小用邻域的半径表示；

式中，C₁为与输出层神经元节点数有关的常数，且该常数大于0；B₁为大于1的常数，T_max为网络训练前设定的最大训练次数；

步骤S4.5、调整权值：

调整优胜邻域内各个神经元连接权值：

(i＝1,2,···,n,j∈N_j*(t))

式中，wi_j(t+1)为调整后的第j个神经元连接权值；wi_j(t)为第j个权值向量，η(t,N)是关于训练时间t和邻域内第j个神经元与获胜神经元j*之间拓扑距离N的多元函数，为第i个轴承状态特征数据的p次方；

步骤S4.6、判断网络训练结果：

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值η_min进行比较，若达到训练条件η(t)＜η_min，结束网络训练；否则，返回步骤S4.2继续执行上述步骤。

将网络训练次数初步设置为200次，之后根据是否达到训练条件修改训练次数，最终得到SOM网络训练模型(该训练模型是一种SOM网络拓扑结构图)，再将测试集输入到SOM神经网络中，得到对应的滚动轴承样本的预测状态类别，将预测状态类别与轴承的真实状态类别比较，得到轴承故障识别的准确率。

将轴承的状态特征参数输入到SOM神经网络中训练，训练200次后得到如图9所示的获胜神经元网络拓扑图，图中有数字的六边形代表SOM神经网络训练完成后的获胜神经元，神经元中的数字代表其分类的输入向量的数量，没有数字的六边形表示训练过程中未赢得获胜机会的神经元，一直处于抑制状态，即为“死”神经元。因此，竞争层中2、3、8、14、15、20、21、25、26、27、31、32、34号神经元为“死”神经元。通过比较滚动轴承的真实状态与获胜神经元的编号，可以得到滚动轴承状态与获胜神经元之间的对应关系，如表2所示。

表2训练集、测试集获胜神经元分布

由表2可知，轴承正常状态对应的获胜神经元编号为24、30、35、36；内圈故障对应的获胜神经元编号为28、29；滚动体故障对应的获胜神经元编号为4、5、9、16；外圈3点钟方向故障对应的获胜神经元编号为10、11、13、17、19、22、33；外圈6点钟方向故障对应的获胜神经元编号为1、7、12、18、23；外圈12点钟方向故障对应的获胜神经元编号为6。将训练集获胜神经元和测试集获胜神经元绘制在同一张图中，如图10所示，由图10可知测试集中的样本对应的获胜神经元编号均在训练集获胜神经元编号集合中，故障识别准确率高达95.65％。

本发明具有以下优点：

1、故障诊断中的振动信号大部分为非平稳信号，采用的小波分解法非常适合处理非平稳信号，滚动轴承的振动信号采用小波分解提取其状态特征，能够提取到振动信号中非常有用的信息。

2、使用SOM神经网络对轴承状态特征参数进行网络训练，能够快速对轴承进行故障诊断，且有较高的准确率。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种滚动轴承故障诊断方法，其特征在于，其包含以下步骤：

对采集到的滚动轴承驱动端的振动信号进行小波分解，提取出滚动轴承的状态特征；

选择一定比例的状态特征数据作为训练集输入到SOM神经网络中进行训练，得到每种滚动轴承故障对应的获胜神经元拓扑图，最终得到SOM网络训练模型；

将剩余的状态特征数据作为测试集输入到SOM网络训练模型中进行验证，得到滚动轴承故障识别的准确率。

2.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，在对振动信号进行小波分解之前，对振动信号进行降噪滤波处理，去除振动信号中的奇异值。

3.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，提取的振动信号包含轴承正常状态、轴承内圈故障状态、轴承滚动体故障状态、轴承外圈3点钟方向故障状态、轴承外圈6点钟方向故障状态、轴承外圈12点钟方向故障状态下的振动信号。

4.如权利要求3所述的滚动轴承故障诊断方法，其特征在于，采用dmey小波基对滚动轴承的六种故障状态进行小波分解。

5.如权利要求4所述的滚动轴承故障诊断方法，其特征在于，所述的SOM神经网络包含一个输入层和一个输出层，将提取好的振动特征参数输入输入层中进行网络训练，设置输出层为6×6网格类型，使用权值向量连接输入层和输出层之间的神经元，拓扑结构设置为六边形结构，拓扑函数为hextop，学习函数设置为自组织特征映射权值学习learnsom函数。

6.如权利要求5所述的滚动轴承故障诊断方法，其特征在于，所述的SOM神经网络进行训练的方法包含以下步骤：

步骤S4.1、权值初始化：

从滚动轴承振动信号小波分解后提取的状态特征中选取n个数据作为SOM神经网络的训练样本计算这些轴承振动样本数据的中心向量，在此中心向量基础上叠加小随机数作为初始权值；

步骤S4.2、向量归一化：

对SOM神经网络输入层中的轴承状态特征数据和输出层中各神经元对应的初始权值向量，全部进行归一化处理：

式中，w_ji为初始权值；||w_ji||为权值向量的欧几里得范数；为轴承状态特征数据；为轴承状态特征数据的欧几里得范数；x_j为轴承状态特征数据的第j个特征分量值；

步骤S4.3、寻找获胜神经元：

将滚动轴承状态特征样本数据放入SOM神经网络的输入层，计算状态特征样本数据与权值向量的欧几里得距离，距离最小的神经元即为获胜神经元；

式中，d_j为状态特征样本数据与权值向量的欧几里得距离，X为归一化后的轴承状态特征数据，W_j为权值向量，x_i(t)为第i个轴承状态特征数据，w_ij(t)为第j个权值向量，其中，获胜神经元d_k＝min(d_j)；

步骤S4.4、定义优胜邻域：

优胜邻域是指以获胜神经元为中心，通过不断的权值调整后得到的轴承状态特征样本数据与获胜神经元围成的区域，优胜邻域的大小用邻域的半径表示；

式中，C₁为与输出层神经元节点数有关的常数，且该常数大于0；B₁为大于1的常数，T_max为网络训练前设定的最大训练次数；

步骤S4.5、调整权值：

调整优胜邻域内各个神经元连接权值：

式中，w_ij(t+1)为调整后的第j个神经元连接权值；w_ij(t)为第j个权值向量，η(t,N)是关于训练时间t和邻域内第j个神经元与获胜神经元j^*之间拓扑距离N的多元函数，为第i个轴承状态特征数据的p次方；

步骤S4.6、判断网络训练结果：

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值η_min进行比较，若达到训练条件η(t)＜η_min，结束网络训练；否则，返回步骤S4.2继续执行上述步骤。