CN111141519A - 一种滚动轴承故障定量评估方法 - Google Patents
一种滚动轴承故障定量评估方法 Download PDFInfo
- Publication number
- CN111141519A CN111141519A CN201911381537.6A CN201911381537A CN111141519A CN 111141519 A CN111141519 A CN 111141519A CN 201911381537 A CN201911381537 A CN 201911381537A CN 111141519 A CN111141519 A CN 111141519A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- fault
- neural network
- convolutional neural
- mode component
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承故障定量评估方法,属于轴承故障评估技术领域。首先采集具有不同尺寸故障的滚动轴承运行时的振动加速度信号并建立数据库;再对数据库中的数据进行变分模态分解得到训练模式分量;然后建立一维卷积神经网络,并对其进行训练,最后利用训练后的一维卷积神经网络实现对滚动轴承故障的定量评估。通过变分模态分解提取待评估滚动轴承振动加速度信号中的有效信息,并利用卷积神经网络的强大学校能力,有效的实现了对滚动轴承故障的定量评估。能够准确地评价故障尺寸的线度,有助于制定更具体的检修维护策略,可以避免过早更换轴承带来“过剩维修”或更换不及时引起“维修不足”造成经济损失。
Description
技术领域
本发明属于轴承故障评估技术领域,具体涉及一种滚动轴承故障定量评估方法。
背景技术
滚动轴承广泛应用于旋转机械,适用于不同的操作环境,如高载荷、高温和粉尘环境的炼钢设备,易脏污的土方工程和农用机械,极端高温——低温的深空和真空环境等。有研究表明,轴承故障是旋转机械故障的主要来源之一,由轴承引发的故障占旋转机械故障事故总数的44%。因而研究轴承的故障对于机械的故障诊断来说十分重要。
对轴承的故障损伤尺寸进行量化评估,是滚动轴承故障研究的一个重要部分。准确地评价故障尺寸的线度,有助于制定更具体的检修维护策略,可以避免过早更换轴承带来的“过剩维修”或者更换不及时引起的“维修不足”造成经济损失。准确地为机械维护提供信息,对轴承故障的定量诊断有重要意义。定量故障下的状态特征和故障大小之间一般为非线性关系,具有表征特征的数据量大、变量多的特点,其诊断模型的建立需要能够应对状态参数的高维度、大数据量及其与状态特征之间非线性关系等问题,有效建立故障与状态特征之间关系模型的方法。
鉴于状态参数和故障尺寸之间的非线性关系,使用精确的数学模型表达有一定难度,而且对于大量数据的处理也存在一定难度,因此需要一种能对滚动轴承故障进行评估的方法。
发明内容
为了解决上述问题,本发明的目的在于提供一种滚动轴承故障定量评估方法,能够准确地评价故障尺寸的线度,有助于制定更具体的检修维护策略,可以避免过早更换轴承带来“过剩维修”或更换不及时引起“维修不足”造成经济损失。
本发明是通过以下技术方案来实现:
一种滚动轴承故障定量评估方法,包括以下步骤:包括以下步骤:
步骤1:采集具有不同尺寸故障的滚动轴承运行时的振动加速度信号,根据所得振动加速度信号数据建立数据库;
步骤2:选取变分模态分解参数对步骤1得到的数据库中的数据进行变分模态分解,得到训练模式分量;
步骤3:建立一维卷积神经网络,利用步骤2得到的训练模式分量对一维卷积神经网络进行训练,得到训练后的一维卷积神经网络;
步骤4:利用步骤2选取的变分模态分解参数对待评估的滚动轴承运行时的振动加速度信号进行变分模态分解后输入步骤3得到的训练后的一维卷积神经网络进行测试,得到该滚动轴承的故障尺寸,完成该滚动轴承故障的定量评估。
优选地,步骤1的具体步骤为:
步骤1.1:加工若干个具有不同尺寸故障的滚动轴承;
步骤1.2:将步骤1.1得到的滚动轴承在实验台上运行,采集每个滚动轴承对应的振动加速度信号;
步骤1.3:将每个滚动轴承的尺寸故障数据和其对应的振动加速度信号数据进行存储,建立数据库。
优选地,步骤2的具体步骤为:
步骤2.1:通过正交试验法,分别使用不同的惩罚系数和分量个数的参数组合对步骤1得到的数据库中的数据进行变分模态分解,取最小包络熵最小的参数组合作为变分模态分解的参数;
步骤2.2:使用步骤2.1得到的变分模态分解的参数对步骤1得到的数据库中的数据进行变分模态分解,取包络熵最小的模式分量进行归一化,作为训练模式分量。
优选地,归一化采用的公式为:
其中,x为包络熵最小的模式分量,max为x中的最大值,min为x中的最小值。
优选地,步骤3的具体步骤为:
步骤3.1:建立一个包括若干隐含层和全连接层的一维卷积神经网络,该一维卷积神经网络的输入为步骤2得到的训练模式分量,输出为步骤2得到的每个训练模式分量所对应的滚动轴承的故障尺寸;
步骤3.2:使用监督学习的方法,将步骤2得到的训练模式分量对应的滚动轴承的故障尺寸作为监督学习的标签,连同步骤2得到的训练模式分量一起输入该一维卷积神经网络,逐层训练,得到该一维卷积神经网络隐含层和全连接层的全部参数,得到训练后的一维卷积神经网络。
进一步优选地,隐含层的个数为3~5,全连接层的个数为3~5。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的滚动轴承故障定量评估方法,首先采集具有不同尺寸故障的滚动轴承运行时的振动加速度信号并建立数据库;再对数据库中的数据进行变分模态分解得到训练模式分量;然后建立一维卷积神经网络,并对其进行训练,最后利用训练后的一维卷积神经网络实现对滚动轴承故障的定量评估。变分模态分解采用求解约束变分方程的方法,解决了经验模态分解中模态混叠的产生。而在使用变分模态分解前,需要对分量个数和惩罚系数进行确定,本发明中使用不同的组合进行验证,选取出了合适的参数。通过对滚动轴承振动加速度信号的变分模态分解,提取出其中和故障大小相关的模式分量。卷积神经网络是深度前馈神经网络,由于其中卷积层有局部感知的特性,故不需要对网络输入进行特征提取。通过变分模态分解提取待评估滚动轴承振动加速度信号中的有效信息,并利用卷积神经网络的强大学校能力,有效的实现了对滚动轴承故障的定量评估。能够准确地评价故障尺寸的线度,有助于制定更具体的检修维护策略,可以避免过早更换轴承带来“过剩维修”或更换不及时引起“维修不足”造成经济损失。
进一步地,神经网络的隐含层和全连接层具有一定的深度,使网络有较强的学习能力。但层数过深,则会使计算速度下降,学习能力过强则会产生过拟合从而影响故障的评估精度。
附图说明
图1为本发明的滚动轴承故障定量评估方法的流程图。
具体实施方式
下面以附图和具体实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
如图1,为本发明的流程图
步骤1,构建能反映滚动轴承不同故障大小的工作状况的数据库。
步骤1.1,为了获取能反映滚动轴承不同故障大小的工作状况的数据,需要加工有不同尺寸大小故障的滚动轴承。本实施例中选取的故障形状为矩形,故障形状沿轴向的线度均为7mm,沿周向的线度在0.25mm~3.00mm范围内一共有12种,每种各在外圈加工了2个故障,一共包含有24个故障轴承。采用的轴承为6308型滚动轴承,加工的轴承如表1,加工方式为激光加工。
步骤1.2,实验台由电机,主轴箱,被测轴承,轴向加载和径向加载组成。使用加速度传感器测量其加载区的振动加速度信号,电涡流传感器测量其转速。对每个故障轴承测量其在表2工况中的振动加速度数据。
表1轴承故障尺寸和相应的轴承编号
表2实验工况设计和编号
步骤2,使用变分模态分解对数据库中的数据进行处理。
步骤2.1,通过正交试验的方式,分别使用不同的惩罚系数和分量个数的组合,对数据进行变分模态分解,最小包络熵最小的组合即是最优的参数组合。对于一个给定信号模式分量s(t),p(j)是s(t)经希尔伯特变化并归一化得到,包络熵为包络熵越小,则说明其包含有效信息越多。表3为不同分量个数和惩罚系数下变分模态分解后的模式分量中的最小包络熵。其中惩罚系数为500,分量个数为9时,效果最好。
步骤2.2,使用选定的参数对步骤1得到的数据进行变分模态分解,并选取出各个模式分量中包络熵最小的分量。表4为一个信号分解出的各模式分量的包络熵,其中第2个模式分量的包络熵最小,选择其作为训练模式分量,使用对应的轴承故障尺寸作为标签,并进行存储。
表3不同分量个数和惩罚系数下变分模态分解后的模式分量中的最小包络熵
表4各模式分量的包络熵
步骤3,通过数据库中的数据评估滚动轴承的故障大小。
步骤3.1,建立一维卷积神经网络模型,本实施例使用三个隐藏层以及三个全连接层。数据输入为步骤2.2得到的训练模式分量,网络输出为该数据对应的滚动轴承的故障尺寸估计值。数据在卷积过程中,步长为3,池化窗的大小为3。卷积层的卷积核通道数依次为4,8,16,损失函数为均方差,卷积核大小为5,学习效率0.01,随机失活为0.1,各隐藏层和全连接层的参数先随机赋值。
步骤3.2,使用监督学习的方法,将步骤2得到的训练模式分量对应的滚动轴承的故障尺寸作为监督学习的标签,连同步骤2得到的训练模式分量一起输入该一维卷积神经网络,逐层训练,得到该一维卷积神经网络隐含层和全连接层的全部参数,得到训练后的一维卷积神经网络。
步骤4,将0.5mm故障尺寸的滚动轴承对应的振动加速度信号经变分模态分解后放入训练后的一维卷积神经网络中进行测试,输出为训练后的一维卷积神经网络对滚动轴承故障尺寸的评估值,预测值始终在实际值周围波动,平均偏差为0.1363mm,最大值为0.7085,最小值为0.1183mm,平均值为0.5496,平均值和实际值十分接近,方差为0.0287。通过以上步骤,实现了对滚动轴承故障大小的定量评估。
需要说明的是,以上所述仅为本发明实施方式的一部分,根据本发明所描述的系统所做的等效变化,均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。
Claims (6)
1.一种滚动轴承故障定量评估方法,其特征在于,包括以下步骤:
步骤1:采集具有不同尺寸故障的滚动轴承运行时的振动加速度信号,根据所得振动加速度信号数据建立数据库;
步骤2:选取变分模态分解参数对步骤1得到的数据库中的数据进行变分模态分解,得到训练模式分量;
步骤3:建立一维卷积神经网络,利用步骤2得到的训练模式分量对一维卷积神经网络进行训练,得到训练后的一维卷积神经网络;
步骤4:利用步骤2选取的变分模态分解参数对待评估的滚动轴承运行时的振动加速度信号进行变分模态分解后输入步骤3得到的训练后的一维卷积神经网络进行测试,得到该滚动轴承的故障尺寸,完成该滚动轴承故障的定量评估。
2.如权利要求1所述的滚动轴承故障定量评估方法,其特征在于,步骤1的具体步骤为:
步骤1.1:加工若干个具有不同尺寸故障的滚动轴承;
步骤1.2:将步骤1.1得到的滚动轴承在实验台上运行,采集每个滚动轴承对应的振动加速度信号;
步骤1.3:将每个滚动轴承的尺寸故障数据和其对应的振动加速度信号数据进行存储,建立数据库。
3.如权利要求1所述的滚动轴承故障定量评估方法,其特征在于,步骤2的具体步骤为:
步骤2.1:通过正交试验法,分别使用不同的惩罚系数和分量个数的参数组合对步骤1得到的数据库中的数据进行变分模态分解,取最小包络熵最小的参数组合作为变分模态分解的参数;
步骤2.2:使用步骤2.1得到的变分模态分解的参数对步骤1得到的数据库中的数据进行变分模态分解,取包络熵最小的模式分量进行归一化,作为训练模式分量。
5.如权利要求1所述的滚动轴承故障定量评估方法,其特征在于,步骤3的具体步骤为:
步骤3.1:建立一个包括若干隐含层和全连接层的一维卷积神经网络,该一维卷积神经网络的输入为步骤2得到的训练模式分量,输出为步骤2得到的每个训练模式分量所对应的滚动轴承的故障尺寸;
步骤3.2:使用监督学习的方法,将步骤2得到的训练模式分量对应的滚动轴承的故障尺寸作为监督学习的标签,连同步骤2得到的训练模式分量一起输入该一维卷积神经网络,逐层训练,得到该一维卷积神经网络隐含层和全连接层的全部参数,得到训练后的一维卷积神经网络。
6.如权利要求5所述的滚动轴承故障定量评估方法,其特征在于,隐含层的个数为3~5,全连接层的个数为3~5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381537.6A CN111141519A (zh) | 2019-12-27 | 2019-12-27 | 一种滚动轴承故障定量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381537.6A CN111141519A (zh) | 2019-12-27 | 2019-12-27 | 一种滚动轴承故障定量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111141519A true CN111141519A (zh) | 2020-05-12 |
Family
ID=70521236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381537.6A Pending CN111141519A (zh) | 2019-12-27 | 2019-12-27 | 一种滚动轴承故障定量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141519A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN106404394A (zh) * | 2016-08-30 | 2017-02-15 | 北京工业大学 | 一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法 |
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
-
2019
- 2019-12-27 CN CN201911381537.6A patent/CN111141519A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106198015A (zh) * | 2016-06-29 | 2016-12-07 | 潍坊学院 | 一种滚动轴承的vmd、谱峭度和平滑迭代包络分析方法 |
CN106404394A (zh) * | 2016-08-30 | 2017-02-15 | 北京工业大学 | 一种基于信号复杂度的轴承内外圈故障的定量趋势诊断方法 |
CN107451340A (zh) * | 2017-07-17 | 2017-12-08 | 安徽工业大学 | 基于多属性卷积神经网络的旋转机械故障定量诊断方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
张娅婷: "基于VMD与卷积神经网络的脱硫增压风机轴承故障诊断", 《内蒙古科技与经济》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112611563A (zh) * | 2020-12-01 | 2021-04-06 | 上海明略人工智能(集团)有限公司 | 一种目标故障信息的确定方法和装置 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866365B (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
Luo et al. | Early fault detection of machine tools based on deep learning and dynamic identification | |
CN111141519A (zh) | 一种滚动轴承故障定量评估方法 | |
CN113221277B (zh) | 一种基于数字孪生模型的轴承性能退化评估方法及系统 | |
Yang et al. | Diagnostics of gear deterioration using EEMD approach and PCA process | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN111089726B (zh) | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN111238815B (zh) | 一种样本不平衡下基于数据增强的轴承故障识别方法 | |
CN112906473A (zh) | 一种旋转设备故障诊断方法 | |
CN111397896A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Upadhyay et al. | Diagnosis of bearing defects using tunable Q-wavelet transform | |
Medvedew et al. | Diagnostic features space construction using Volterra kernels wavelet transforms | |
CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
CN109374299B (zh) | 一种用于印刷单元的滚动轴承故障诊断方法 | |
CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
Joshuva et al. | Selecting kernel function of support vector machine for fault diagnosis of roller bearings using sound signals through histogram features | |
CN113269221A (zh) | 一种基于多尺度卷积神经网络的滚动轴承故障诊断方法 | |
Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
CN111797789A (zh) | 一种用于故障特征判读的时频脊线提取方法及装置 | |
CN111079270A (zh) | 一种基于二元混合随机过程的轴承剩余寿命预测方法 | |
Nentwich et al. | Comparison of data sources for robot gear condition monitoring |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |