CN110987434A - 一种基于去噪技术的滚动轴承早期故障诊断方法 - Google Patents

一种基于去噪技术的滚动轴承早期故障诊断方法 Download PDF

Info

Publication number
CN110987434A
CN110987434A CN201911308857.9A CN201911308857A CN110987434A CN 110987434 A CN110987434 A CN 110987434A CN 201911308857 A CN201911308857 A CN 201911308857A CN 110987434 A CN110987434 A CN 110987434A
Authority
CN
China
Prior art keywords
rolling bearing
signal
fault
noise
mfcc
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911308857.9A
Other languages
English (en)
Inventor
陈维兴
孙习习
苏景芳
王雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN201911308857.9A priority Critical patent/CN110987434A/zh
Publication of CN110987434A publication Critical patent/CN110987434A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种基于去噪技术的滚动轴承早期故障诊断方法。其包括采集实测含有噪声的滚动轴承振动信号；对滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；从滤波处理后的频谱信号中提取梅尔倒谱系数和差分谱系数作为混合特征向量，经特征排列处理后得到二维特征矩阵而作为测试样本；构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断等步骤。本发明对于滚动轴承早期微弱故障的诊断具有明显优势，突出了对故障类别判断起决定性作用的微弱故障冲击信号，降低了环境噪声对故障检测的影响，具有重要意义。

Description

一种基于去噪技术的滚动轴承早期故障诊断方法
技术领域
本发明属于机械设备信号处理技术领域，特别是涉及一种基于去噪技术的滚动轴承早期故障诊断方法。
背景技术
滚动轴承是旋转机械中必不可少的零部件，其健康状态直接影响设备的安全稳定运行。传统的机械设备故障诊断大多依赖于振动信号，但在滚动轴承的早期故障诊断中，故障信号产生的脉冲非常微弱，易受工作环境中强背景噪声的干扰，从而影响故障特征的识别。因此，在强噪声背景下，有效地提取弱故障信号对滚动轴承的故障诊断具有重要的意义。
根据振动信号非平稳、非线性的特点，现有的滚动轴承故障诊断主要采用短时傅里叶变换、小波变换或经验模态分解等方法，表现振动信号在任一时刻的频域特征，组成特征矩阵并输入网络而进行故障分类。但这些方法没有考虑原始振动信号中混合的强噪音对频率造成的波动影响，使得提取到的故障特征不准确，分类结果存在一定误差。针对这一问题，Dwyer首先提出谱峭度(SK)，揭示信号中的非高斯分量和相应的频率位置，同时作为滤波器来恢复埋没在强背景噪声中的随机信号，是检测轴承故障信号的有效指标。
在降噪的基础上提取稳定可靠的故障信号特征作为网络的输入，可以提高故障诊断性能。梅尔倒谱系数(MFCC)通常被用于语音信号以及噪声信号的特征提取，将信号的能量在不同频率范围的分布作为特征，不受信号性质的影响。但目前尚缺少有效的滚动轴承早期故障诊断方法。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于去噪技术的滚动轴承早期故障诊断方法。
为了达到上述目的，本发明提供的基于去噪技术的滚动轴承早期故障诊断方法包括按顺序进行的下列步骤：
步骤1)利用振动信号采集器采集实测含有噪声的滚动轴承振动信号；
步骤2)对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；
步骤3)从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本；
步骤4)构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断。
在步骤1)中，所述的含有噪声的滚动轴承故障信号模型为：
y(t)＝x(t)+n(t)
其中，y(t)∈RN为实测含有噪声的滚动轴承振动信号，x(t)∈RN为故障信号，n(t)为噪声信号，服从高斯分布。
在步骤2)中，所述的对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号的具体步骤如下：
步骤2.1)对上述实测含有噪声的滚动轴承振动信号y(t)进行分帧处理，帧与帧之间部分重叠，重叠率为50％，对第n个帧信号进行加窗处理，得到预处理后的信号sw(t)＝yn(t)*w(t)，其中w(t)选择汉宁窗，0≤t≤T-1，且满足函数式：
Figure BDA0002323953890000021
步骤2.2)将上述预处理后的信号经过N点的离散傅里叶变换后得到线性频谱：
Figure BDA0002323953890000031
步骤2.3)定义一个由分析窗函数所得的带宽变量：
Figure BDA0002323953890000032
根据带宽变量，实测含有噪声的滚动轴承振动信号y(t)的谱峭度可近似表示为：
Figure BDA0002323953890000033
其中，fs为采样频率，fd为故障冲击频率，Nw为窗长度，CX为故障信号x(t)的谱峭度，
Figure BDA0002323953890000034
为信噪比，Sn(f)和Sx(f)分别为噪声信号n(t)和故障信号x(t)的功率谱密度，同时噪声信号n(t)又独立于实测含有噪声的滚动轴承振动信号y(t)，故实测含有噪声的滚动轴承振动信号y(t)的谱峭度满足：
CY(f)×[1+ρ(f)]2＝CX(f)
其中，CX(f)为故障信号x(t)的谱峭度；当信号中信噪比ρ(f)趋于0时，CY(f)≈CX(f)，谱峭度最大；当信噪比ρ(f)趋于无穷时，C(f)≈0；
利用峭度值的分布情况构建一个与信噪比成反比的滤波器，局部地将谱峭度应用于不同的频带，在整个频域锁定故障信号最突出的频带；
Figure BDA0002323953890000035
步骤2.4)设置一个阈值σ＝10％×CY(f)max，其中CY(f)max为实测含有噪声的滚动轴承振动信号中谱峭度的最大值，当谱峭度CY(f)小于阈值时舍弃，认为是噪声部分，当谱峭度CY(f)大于阈值时保留，认为是故障信号的谱峭度，由此得到最终的谱峭度；
步骤2.5)将最终的谱峭度代入上述滤波器中而得到谱峭度滤波器：
Figure BDA0002323953890000041
其中，
Figure BDA0002323953890000042
因此取k＝CY(f)max；
步骤2.6)利用上述谱峭度滤波器对步骤2.2)中获得的线性频谱s(k)进行谱峭度滤波，得到滤波处理后的频谱信号：
Figure BDA0002323953890000043
在步骤3)中，所述的从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本的具体步骤如下：
将上述滤波后的频谱信号s1(k)通过梅尔频率滤波器组Hm(k)滤波得到梅尔频谱，取梅尔频谱的对数频谱：
Figure BDA0002323953890000044
将上述对数频谱经过离散余弦变换得到梅尔频率倒谱系数c(r)，即MFCC系数：
Figure BDA0002323953890000045
对MFCC系数进行差分参数dk提取，提取过程包括一阶差分参数提取和二阶差分参数提取，其中差分参数dk提取满足公式：
Figure BDA0002323953890000046
式中，dk表示第k个一阶差分参数，t为一阶导数时间差，通常取1或2，ck表示第k个梅尔频率倒谱系数，其中取k＝2，d为差分参数，c为四个语音参数，用差分参数dk公式迭代两次，即可得到MFCC系数的二阶差分参数；
将MFCC系数、一阶差分参数和二阶差分参数组合而获得MFCC组合参数并作为测试样本，即选取一维MFCC系数的前2/N维，并将△MFCC组合的后2/N维排列到MFCC系数向量的后面组成Z×N的二维特征矩阵并作为一个测试样本，样本重叠率为60％，将所有样本分别归一化至[0，1]。
在步骤4)中，所述的构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断的具体步骤如下：
卷积神经网络采用已有的预训练模型LeNet-5，包括一个输入层、两个卷积层、两个池化层、全连接层和输出层，第一层卷积核的大小为7×7，由于特征映射的关系，第二层卷积核的大小为4×4，池化层采用平均池化方法，采样单元为2×2；
利用按照上述步骤1)一步骤3)的方法从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本，随机选取其中的60％输入到上述卷积神经网络中而对卷积神经网络进行训练，然后将上述步骤3)获得的测试样本的40％输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断，卷积神经网络的输出即为滚动轴承故障信号的诊断结果。
与现有技术相比，本发明提供的基于去噪技术的滚动轴承早期故障诊断方法的有益效果为：
(1)通过利用谱峭度作为信号的滤波器，提取滚动轴承故障的高频调制信息，可以有效去除噪声等干扰因素的影响，突出预处理后的滚动轴承故障信号；
(2)通过提取MFCC参数和差分谱系数作为MFCC组合故障混合特征，不需要人为对故障特征进行选择，特征参数更加全面，能够更加真实地表征滚动轴承故障信号本身的信息；
(3)通过利用卷积神经网络对故障信号进行诊断与分类，能够更好地挖掘出故障信号的深层特征，提高了轴承故障诊断的准确性和工作效率；
(4)本方法对于滚动轴承早期微弱故障的诊断具有明显优势，在预处理的基础上通过谱峭度滤波滤除了大量的高斯噪声信号，突出了对故障类别判断起决定性作用的微弱故障冲击信号，降低了环境噪声对故障检测的影响。该方法也适用于其他强噪声背景下的旋转机械故障诊断领域，具有重要意义。
附图说明
图1为本发明提供的基于去噪技术的滚动轴承早期故障诊断方法流程图；
图2为本发明提供的基于去噪技术的滚动轴承早期故障诊断方法中所采用的降噪处理原理图；
图3为本发明提供的基于去噪技术的滚动轴承早期故障诊断方法中所采用的特征提取原理图；
图4为工业现场噪声时频图和滤波前后的三种故障波形图，其中图4(a)为工厂噪声时域图；图4(b)为工厂噪声频域图；图4(c)为噪声背景下滚动体故障波形图；图4(d)为滤波后滚动体故障波形图；图4(e)为噪声背景下轴承内圈故障波形图；图4(f)为滤波后轴承内圈故障波形图；图4(g)为噪声背景下轴承外圈故障波形图；图4(h)为滤波后轴承外圈故障波形图。
图5为三种故障类型的MFCC组合参数特征映射图，其中图5(a)为滚动体故障MFCC组合参数特征映射图；图5(b)为轴承内圈故障MFCC组合参数特征映射图；图5(c)为轴承外圈故障MFCC组合参数特征映射图。
图6为故障类型识别图，其中图6(a)为训练样本在轴承正常状态、滚动体故障状态、内圈故障状态、外圈故障状态四种故障分类结果；图6(b)为测试样本在轴承正常状态、滚动体故障状态、内圈故障状态、外圈故障状态四种故障分类结果。
具体实施方式
下面结合附图和具体实施例对本发明提供的基于去噪技术的滚动轴承早期故障诊断方法进行详细说明。
如图1所示，本发明提供的基于去噪技术的滚动轴承早期故障诊断方法包括按顺序进行的下列步骤：
步骤1)利用振动信号采集器采集实测含有噪声的滚动轴承振动信号；
含有噪声的滚动轴承故障信号模型为：
y(t)＝x(t)+n(t)
其中，y(t)∈RN为实测含有噪声的滚动轴承振动信号，x(t)∈RN为故障信号，n(t)为噪声信号，服从高斯分布。
步骤2)对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；
如图2所示，具体步骤如下：
步骤2.1)对上述实测含有噪声的滚动轴承振动信号y(t)进行分帧处理，帧与帧之间部分重叠，重叠率为50％，对第n个帧信号进行加窗处理，得到预处理后的信号sw(t)＝yn(t)*w(t)，其中w(t)选择汉宁窗，0≤t≤T-1，且满足函数式：
Figure BDA0002323953890000071
步骤2.2)将上述预处理后的信号经过N点的离散傅里叶变换后得到线性频谱：
Figure BDA0002323953890000072
步骤2.3)定义一个由分析窗函数所得的带宽变量：
Figure BDA0002323953890000073
根据带宽变量，实测含有噪声的滚动轴承振动信号y(t)的谱峭度可近似表示为：
Figure BDA0002323953890000081
其中，fs为采样频率，fd为故障冲击频率，Nw为窗长度，CX为故障信号x(t)的谱峭度，
Figure BDA0002323953890000082
为信噪比，Sn(f)和Sx(f)分别为噪声信号n(t)和故障信号x(t)的功率谱密度，同时噪声信号n(t)又独立于实测含有噪声的滚动轴承振动信号y(t)，故实测含有噪声的滚动轴承振动信号y(t)的谱峭度满足：
CY(f)×[1+ρ(f)]2＝CX(f)
其中，CX(f)为故障信号x(t)的谱峭度；当信号中信噪比ρ(f)趋于0时，CY(f)≈CX(f)，谱峭度最大；当信噪比ρ(f)趋于无穷时，C(f)≈0。
利用峭度值的分布情况构建一个与信噪比成反比的滤波器，局部地将谱峭度应用于不同的频带，在整个频域锁定故障信号最突出的频带；
Figure BDA0002323953890000083
步骤2.4)设置一个阈值σ＝10％×CY(f)max，其中CY(f)max为实测含有噪声的滚动轴承振动信号中谱峭度的最大值，当谱峭度CY(f)小于阈值时舍弃，认为是噪声部分，当谱峭度CY(f)大于阈值时保留，认为是故障信号的谱峭度，由此得到最终的谱峭度；
步骤2.5)将最终的谱峭度代入上述滤波器中而得到谱峭度滤波器：
Figure BDA0002323953890000084
其中，
Figure BDA0002323953890000085
因此取k＝CY(f)max。
步骤2.6)利用上述谱峭度滤波器对步骤2.2)中获得的线性频谱s(k)进行谱峭度滤波，得到滤波处理后的频谱信号：
Figure BDA0002323953890000091
步骤3)从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本；
如图3所示，具体步骤如下：
将上述滤波后的频谱信号s1(k)通过梅尔频率滤波器组Hm(k)滤波得到梅尔频谱，为了使结果对噪声和谱估计误差有更好的鲁棒性，一般取梅尔频谱的对数频谱：
Figure BDA0002323953890000092
将上述对数频谱经过离散余弦变换(DCT)得到梅尔频率倒谱系数c(r)，即MFCC系数：
Figure BDA0002323953890000093
对MFCC系数进行差分参数dk提取，提取过程包括一阶差分参数提取和二阶差分参数提取，其中差分参数dk提取满足公式：
Figure BDA0002323953890000094
式中，dk表示第k个一阶差分参数，t为一阶导数时间差，通常取1或2，ck表示第k个梅尔频率倒谱系数，其中取k＝2，d为差分参数，c为四个语音参数，用差分参数dk公式迭代两次，即可得到MFCC系数的二阶差分参数。
将MFCC系数、一阶差分参数和二阶差分参数组合而获得MFCC组合参数并作为测试样本，即选取一维MFCC系数的前2/N维，并将△MFCC组合的后2/N维排列到MFCC系数向量的后面组成Z×N的二维特征矩阵并作为一个测试样本，样本重叠率为60％，将所有样本分别归一化至[0，1]。
步骤4)构建卷积神经网络(CNN)，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断。
卷积神经网络采用已有的预训练模型LeNet-5，包括一个输入层、两个卷积层、两个池化层、全连接层和输出层，第一层卷积核的大小为7×7，由于特征映射的关系，第二层卷积核的大小为4×4，池化层采用平均池化方法，采样单元为2×2。
利用按照上述步骤1)-步骤3)的方法将从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本，随机选取其中的60％输入到上述卷积神经网络中而对卷积神经网络进行训练，然后将上述步骤3)获得的测试样本的40％输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断，卷积神经网络的输出即为滚动轴承故障信号的诊断结果。
为了验证本发明方法的效果，本发明人选取驱动端1hp负载下损伤直径为0.007英寸的滚动体、轴承内圈、轴承外圈三种故障实验数据，采样频率为12kHz，分别添加工业噪声得到故障波形图模拟现场工况，如图4(a)-图4(c)所示。采用图2的滤波方法对含有噪声的滚动轴承振动信号进行预处理，从图4(c)、图4(e)、图4(g)中可见故障冲击成分完全被工业噪声淹没，难以辨识故障类型，图4(d)、图4(f)、图4(h)中虽经谱峭度滤波处理，但故障冲击特征不明显，无法区分故障类型。
图5进一步从滤波后的振动信号中提取二维特征矩阵得到MFCC组合参数特征映射图，图5(a)-图5(c)分别代表了滚动体、轴承内圈、轴承外圈MFCC组合参数混合冲击特征能量分布，暖调颜色越深代表能量越强，反之冷调颜色越深代表能量越弱，可见三种故障冲击特征明显不同。
利用按照上述步骤1)-步骤3)的方法将从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本，输入卷积神经网络中得到图6(a)中的训练样本故障识别结果，表明卷积神经网络在四种故障类型中识别正确率达100％。将上述步骤3)获得的测试样本的40％输入到训练好的卷积神经网络中，以验证本发明方法的有效性，得到图6(b)中的测试样本故障识别结果，实验证明仅有少量轴承外圈故障样本分类错误，整体故障识别率较高，证明本发明方法适用于工业噪声环境下滚动轴承的去噪故障诊断。

Claims (5)

1.一种基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：所述的基于去噪技术的滚动轴承早期故障诊断方法包括按顺序进行的下列步骤：
步骤1)利用振动信号采集器采集实测含有噪声的滚动轴承振动信号；
步骤2)对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号；
步骤3)从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本；
步骤4)构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断。
2.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤1)中，所述的含有噪声的滚动轴承故障信号模型为：
y(t)＝x(t)+n(t)
其中，y(t)∈RN为实测含有噪声的滚动轴承振动信号，x(t)∈RN为故障信号，n(t)为噪声信号，服从高斯分布。
3.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤2)中，所述的对上述实测含有噪声的滚动轴承振动信号进行滤波处理，得到滤波后的频谱信号的具体步骤如下：
步骤2.1)对上述实测含有噪声的滚动轴承振动信号y(t)进行分帧处理，帧与帧之间部分重叠，重叠率为50％，对第n个帧信号进行加窗处理，得到预处理后的信号sw(t)＝yn(t)*w(t)，其中w(t)选择汉宁窗，0≤t≤T-1，且满足函数式：
Figure FDA0002323953880000011
步骤2.2)将上述预处理后的信号经过N点的离散傅里叶变换后得到线性频谱：
Figure FDA0002323953880000021
步骤2.3)定义一个由分析窗函数所得的带宽变量：
Figure FDA0002323953880000022
根据带宽变量，实测含有噪声的滚动轴承振动信号y(t)的谱峭度可近似表示为：
Figure FDA0002323953880000023
其中，fs为采样频率，fd为故障冲击频率，Nw为窗长度，CX为故障信号x(t)的谱峭度，
Figure FDA0002323953880000024
为信噪比，Sn(f)和Sx(f)分别为噪声信号n(t)和故障信号x(t)的功率谱密度，同时噪声信号n(t)又独立于实测含有噪声的滚动轴承振动信号y(t)，故实测含有噪声的滚动轴承振动信号y(t)的谱峭度满足：
CY(f)×[1+ρ(f)]2＝CX(f)
其中，CX(f)为故障信号x(t)的谱峭度；当信号中信噪比ρ(f)趋于0时，CY(f)≈CX(f)，谱峭度最大；当信噪比ρ(f)趋于无穷时，C(f)≈0；
利用峭度值的分布情况构建一个与信噪比成反比的滤波器，局部地将谱峭度应用于不同的频带，在整个频域锁定故障信号最突出的频带；
Figure FDA0002323953880000025
步骤2.4)设置一个阈值σ＝10％×CY(f)max，其中CY(f)max为实测含有噪声的滚动轴承振动信号中谱峭度的最大值，当谱峭度CY(f)小于阈值时舍弃，认为是噪声部分，当谱峭度CY(f)大于阈值时保留，认为是故障信号的谱峭度，由此得到最终的谱峭度；
步骤2.5)将最终的谱峭度代入上述滤波器中而得到谱峭度滤波器：
Figure FDA0002323953880000031
其中，
Figure FDA0002323953880000032
因此取k＝CY(f)max；
步骤2.6)利用上述谱峭度滤波器对步骤2.2)中获得的线性频谱s(k)进行谱峭度滤波，得到滤波处理后的频谱信号：
Figure FDA0002323953880000033
4.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤3)中，所述的从滤波后的频谱信号中提取梅尔频率倒谱系数、一阶差分参数和二阶差分参数组成MFCC组合参数并作为测试样本的具体步骤如下：
将上述滤波后的频谱信号s1(k)通过梅尔频率滤波器组Hm(k)滤波得到梅尔频谱，取梅尔频谱的对数频谱：
Figure FDA0002323953880000034
将上述对数频谱经过离散余弦变换得到梅尔频率倒谱系数c(r)，即MFCC系数：
Figure FDA0002323953880000035
对MFCC系数进行差分参数dk提取，提取过程包括一阶差分参数提取和二阶差分参数提取，其中差分参数dk提取满足公式：
Figure FDA0002323953880000036
式中，dk表示第k个一阶差分参数，t为一阶导数时间差，通常取1或2，ck表示第k个梅尔频率倒谱系数，其中取k＝2，d为差分参数，c为四个语音参数，用差分参数dk公式迭代两次，即可得到MFCC系数的二阶差分参数；
将MFCC系数、一阶差分参数和二阶差分参数组合而获得MFCC组合参数并作为测试样本，即选取一维MFCC系数的前2/N维，并将△MFCC组合的后2/N维排列到MFCC系数向量的后面组成Z×N的二维特征矩阵并作为一个测试样本，样本重叠率为60％，将所有样本分别归一化至[0，1]。
5.根据权利要求1所述的基于去噪技术的滚动轴承早期故障诊断方法，其特征在于：在步骤4)中，所述的构建卷积神经网络，利用从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本来训练卷积神经网络，最后将步骤3)获得的测试样本输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断的具体步骤如下：
卷积神经网络采用已有的预训练模型LeNet-5，包括一个输入层、两个卷积层、两个池化层、全连接层和输出层，第一层卷积核的大小为7×7，由于特征映射的关系，第二层卷积核的大小为4×4，池化层采用平均池化方法，采样单元为2×2；
利用按照上述步骤1)-步骤3)的方法从未带噪声的滚动轴承振动信号中提取的MFCC组合参数作为训练样本，随机选取其中的60％输入到上述卷积神经网络中而对卷积神经网络进行训练，然后将上述步骤3)获得的测试样本的40％输入到训练好的卷积神经网络中，对滚动轴承故障信号进行诊断，卷积神经网络的输出即为滚动轴承故障信号的诊断结果。
CN201911308857.9A 2019-12-18 2019-12-18 一种基于去噪技术的滚动轴承早期故障诊断方法 Pending CN110987434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911308857.9A CN110987434A (zh) 2019-12-18 2019-12-18 一种基于去噪技术的滚动轴承早期故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911308857.9A CN110987434A (zh) 2019-12-18 2019-12-18 一种基于去噪技术的滚动轴承早期故障诊断方法

Publications (1)

Publication Number Publication Date
CN110987434A true CN110987434A (zh) 2020-04-10

Family

ID=70095371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911308857.9A Pending CN110987434A (zh) 2019-12-18 2019-12-18 一种基于去噪技术的滚动轴承早期故障诊断方法

Country Status (1)

Country Link
CN (1) CN110987434A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036270A (zh) * 2020-08-18 2020-12-04 兰州理工大学 一种滚动轴承早期损伤状态的振动监测方法
CN112051063A (zh) * 2020-09-03 2020-12-08 山东大学 一种设备故障声源定位方法及系统
CN112418407A (zh) * 2020-12-10 2021-02-26 清研灵智信息咨询(北京)有限公司 一种基于神经网络的实时数据预警分析方法
CN113281617A (zh) * 2021-06-08 2021-08-20 中国民航大学 一种飞机线缆微弱故障诊断方法
CN113345443A (zh) * 2021-04-22 2021-09-03 西北工业大学 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法
CN113776834A (zh) * 2021-10-11 2021-12-10 山东大学 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统
CN113776835A (zh) * 2021-10-11 2021-12-10 山东大学 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN113792585A (zh) * 2021-08-03 2021-12-14 重庆兆光科技股份有限公司 一种管道振动信号监测方法、系统、电子设备及介质
CN114813103A (zh) * 2022-03-21 2022-07-29 江苏泰隆减速机股份有限公司 一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法
WO2023279382A1 (zh) * 2021-07-09 2023-01-12 徐萌萌 一种电机轴承运行状态故障检测方法及系统
CN115783643A (zh) * 2023-02-01 2023-03-14 潍坊百特磁电科技有限公司 一种除铁器传送带滚筒故障识别方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08159928A (ja) * 1994-12-01 1996-06-21 Posukon:Kk 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法
CN102798526A (zh) * 2011-05-26 2012-11-28 苏社彬 嵌入式轴承自动检测系统
US20150262060A1 (en) * 2014-03-11 2015-09-17 SparkCognition, Inc. System and Method for Calculating Remaining Useful Time of Objects
CN106441893A (zh) * 2016-09-22 2017-02-22 北京邮电大学 火车滚动轴承故障与杂质振动区分方法
CN108550375A (zh) * 2018-03-14 2018-09-18 鲁东大学 一种基于语音信号的情感识别方法、装置和计算机设备
CN108682418A (zh) * 2018-06-26 2018-10-19 北京理工大学 一种基于预训练和双向lstm的语音识别方法
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN110132598A (zh) * 2019-05-13 2019-08-16 中国矿业大学 旋转设备滚动轴承故障噪声诊断算法
CN110455530A (zh) * 2019-09-18 2019-11-15 福州大学 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08159928A (ja) * 1994-12-01 1996-06-21 Posukon:Kk 神経回路網を利用した回転機器の異常有無診断装置およびその診断方法
CN102798526A (zh) * 2011-05-26 2012-11-28 苏社彬 嵌入式轴承自动检测系统
US20150262060A1 (en) * 2014-03-11 2015-09-17 SparkCognition, Inc. System and Method for Calculating Remaining Useful Time of Objects
CN106441893A (zh) * 2016-09-22 2017-02-22 北京邮电大学 火车滚动轴承故障与杂质振动区分方法
CN108550375A (zh) * 2018-03-14 2018-09-18 鲁东大学 一种基于语音信号的情感识别方法、装置和计算机设备
CN108682418A (zh) * 2018-06-26 2018-10-19 北京理工大学 一种基于预训练和双向lstm的语音识别方法
CN110017991A (zh) * 2019-05-13 2019-07-16 山东大学 基于谱峭度和神经网络的滚动轴承故障分类方法及系统
CN110135492A (zh) * 2019-05-13 2019-08-16 山东大学 基于多高斯模型的设备故障诊断与异常检测方法及系统
CN110132598A (zh) * 2019-05-13 2019-08-16 中国矿业大学 旋转设备滚动轴承故障噪声诊断算法
CN110455530A (zh) * 2019-09-18 2019-11-15 福州大学 谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
皮骏 等: "基于BQGA-ELM网络在滚动轴承故障诊断中的应用研究", 《振动与冲击》 *
袁洪芳 等: "基于MFCCS和改进VPMCD的滚动轴承故障诊断", 《测控技术》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036270B (zh) * 2020-08-18 2024-03-05 兰州理工大学 一种滚动轴承早期损伤状态的振动监测方法
CN112036270A (zh) * 2020-08-18 2020-12-04 兰州理工大学 一种滚动轴承早期损伤状态的振动监测方法
CN112051063A (zh) * 2020-09-03 2020-12-08 山东大学 一种设备故障声源定位方法及系统
CN112418407A (zh) * 2020-12-10 2021-02-26 清研灵智信息咨询(北京)有限公司 一种基于神经网络的实时数据预警分析方法
CN113345443A (zh) * 2021-04-22 2021-09-03 西北工业大学 基于梅尔频率倒谱系数的海洋哺乳动物发声检测识别方法
CN113281617B (zh) * 2021-06-08 2022-09-27 中国民航大学 一种飞机线缆微弱故障诊断方法
CN113281617A (zh) * 2021-06-08 2021-08-20 中国民航大学 一种飞机线缆微弱故障诊断方法
WO2023279382A1 (zh) * 2021-07-09 2023-01-12 徐萌萌 一种电机轴承运行状态故障检测方法及系统
CN113792585B (zh) * 2021-08-03 2023-06-27 重庆兆光科技股份有限公司 一种管道振动信号监测方法、系统、电子设备及介质
CN113792585A (zh) * 2021-08-03 2021-12-14 重庆兆光科技股份有限公司 一种管道振动信号监测方法、系统、电子设备及介质
CN113776835B (zh) * 2021-10-11 2022-07-26 山东大学 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN113776835A (zh) * 2021-10-11 2021-12-10 山东大学 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN113776834A (zh) * 2021-10-11 2021-12-10 山东大学 基于离散余弦循环谱相干的滚动轴承故障诊断方法及系统
CN114813103A (zh) * 2022-03-21 2022-07-29 江苏泰隆减速机股份有限公司 一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法
CN115783643A (zh) * 2023-02-01 2023-03-14 潍坊百特磁电科技有限公司 一种除铁器传送带滚筒故障识别方法及系统
CN115783643B (zh) * 2023-02-01 2023-04-07 潍坊百特磁电科技有限公司 一种除铁器传送带滚筒故障识别方法及系统

Similar Documents

Publication Publication Date Title
CN110987434A (zh) 一种基于去噪技术的滚动轴承早期故障诊断方法
CN108168891B (zh) 滚动轴承微弱故障信号特征的提取方法及设备
Jiang et al. Bearing fault classification based on convolutional neural network in noise environment
CN111238814B (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
CN109682601A (zh) 一种变转速工况下滚动轴承的早期故障识别方法
CN109855874B (zh) 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN112101174A (zh) 一种基于LOF-Kurtogram的机械故障诊断方法
CN113707176A (zh) 一种基于声信号及深度学习技术的变压器故障检测方法
CN105424366A (zh) 基于eemd自适应消噪的轴承故障诊断方法
CN104215456B (zh) 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法
CN110795843A (zh) 一种识别滚动轴承故障的方法及装置
CN112101245A (zh) 基于频域窗函数的短时傅里叶变换机械冲击特征提取方法
CN105588720A (zh) 基于声信号形态分量分析的滚动轴承故障诊断装置及方法
CN106771598A (zh) 一种自适应谱峭度信号处理方法
CN113345399A (zh) 一种强噪声环境下的机器设备声音监测方法
Han et al. A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity
CN114897016A (zh) 一种基于多源频谱特征的风机轴承故障智能诊断方法
CN113776835A (zh) 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法
CN115758082A (zh) 一种轨道交通变压器故障诊断方法
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN117419915A (zh) 一种多源信息融合的电机故障诊断方法
Zou et al. Toward accurate extraction of bearing fault modulation characteristics with novel time–frequency modulation bispectrum and modulation Gini index analysis
CN102988041A (zh) 心磁信号噪声抑制中的信号选择性平均方法
CN114263621A (zh) 一种离心泵空化故障诊断模拟的试验方法及系统
CN114093385A (zh) 一种无人机检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200410