CN111238814B

CN111238814B - 一种基于短时希尔伯特变换的滚动轴承故障诊断方法

Info

Publication number: CN111238814B
Application number: CN201910944732.9A
Authority: CN
Inventors: 李倩; 柳树林; 杨皓杰; 孙丰诚
Original assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Current assignee: Hangzhou AIMS Intelligent Technology Co Ltd
Priority date: 2019-09-30
Filing date: 2019-09-30
Publication date: 2021-08-31
Anticipated expiration: 2039-09-30
Also published as: CN111238814A

Abstract

本发明涉及轴承故障检测技术领域，公开了一种基于短时希尔伯特变换的滚动轴承故障诊断方法，包括：A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；B)利用最优滤波器对轴承振动信号进行滤波处理；C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像；D)构建卷积神经网络模型；E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。本发明利用最小熵解卷积对采集到的信号进行滤波处理，再通过短时希尔伯特变换方法获取特征图像，能够最大限度地保留振动信号特征，再通过卷积神经网络实现了轴承故障类型以及故障严重程度的分类，提高了故障分类的准确性。

Description

一种基于短时希尔伯特变换的滚动轴承故障诊断方法

技术领域

本发明涉及轴承故障检测技术领域，尤其是涉及一种基于短时希尔伯特变换的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机器中的关键零件之一，起到支撑旋转体，保证回转精度的功能，在各个领域中广泛应用。在旋转机器故障中，轴承损坏故障约占30％，且轴承损坏严重影响旋转机器的工作性能。因此，对滚动轴承状态进行故障监测，及时诊断出轴承存在故障，可对设备维修给出指导建议，具有一定的实际意义。

旋转机器现场工艺复杂，受信号传递衰减和背景噪声的干扰，滚动轴承故障信息淹没于噪声信号中，因此需要找出合适的处理方法从信号中提取出滚动轴承微弱故障特征。现常结合信号处理方法和机器学习方法实现故障模式识别，通过信号处理方法对信号进行分解，然后提取各频带的特征参数，构成特征矩阵，通过机器学习分类方法对轴承故障进行分类。常提取的特征参数有：峭度、阈值指标、方差、偏斜度指标、均方根值和能量熵等。滚动轴承在不同工况环境下，特征敏感度差异明显，而通过选择通用特征来进行故障分类的准确性比较低。

例如，一种在中国专利文献上公开的“一种滚动轴承早期故障诊断方法”，其公告号CN 108444704 A，该发明公开了一种滚动轴承早期故障诊断方法，包括：采集到的故障信号预处理；提取预处理后的故障信号特征频率；将提取到的特征频率与已知故障特征频率相比较，识别故障类型。其中，预处理包括两个方面：降噪和减少干扰振动分量；在特征提取步骤中，首先将预处理后的故障信号作分段处理，再将预处理后的分段故障信号与无故障轴承信号作相关性分析，根据互相关系数的大小选取包含故障信息较多的信号段用于频率特征提取。该发明将信号处理成若干个分量信号，没有办法确定故障频带，因此需要找到一种方法实现自适应故障频带滤波方法，通过对处理后的信号进行通用特征提取，进一步地利用深度学习方法实现轴承未知故障分类。

发明内容

本发明是为了解决现有技术中故障频带定位不准和特征参数的提取具有局限性的问题，提供一种基于短时希尔伯特变换的滚动轴承故障诊断方法，本发明利用最小熵解卷积对采集到的信号进行滤波处理，再通过短时希尔伯特变换方法获取特征图像，能够最大限度地保留振动信号特征，再通过卷积神经网络实现轴承故障类型以及故障严重程度的分类。

为了实现上述目的，本发明采用以下技术方案：

一种基于短时希尔伯特变换的滚动轴承故障诊断方法，包括：

A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；

B)利用最优滤波器对轴承振动信号进行滤波处理，获得滤波处理后的轴承振动信号；

C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，对特征图像进行预处理，获得预处理后的图像样本；

D)构建卷积神经网络模型，将预处理后的图像样本分为训练集、验证集和测试集，利用训练集训练卷积神经网络模型，利用验证集对卷积神经网络模型的超参数进行调整，利用测试集测试网络模型；

E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类。

实际情况中轴承振动故障信号十分微弱，并且在采集时存在大量背景噪声以及信号在传递过程中有变形和失真，这使得传统分析方法运用变得十分困难。本发明利用最小熵解卷积的方法滤除背景噪声和传递路径对信号的干扰，凸显出故障脉冲，达到对故障信号最大程度的还原，最小熵卷积滤波器具有强的自适应性和鲁棒特性，能够自适应地找到滤波器的中心频率，解决了传统轴承共振解调方法中带通滤波器参数难以选择的难题。再对滤波处理后的轴承振动信号进行短时希尔伯特变换，希尔伯特变换用于时频分析，与信号分析其它变换不同，希尔伯特变换不是把信号从时域变换到另一个域，而是把信号从时域仍然变换到时域。一般情况下的希尔伯特变换方法在对信号进行处理时，着眼于整个时域范围，在一段较长时间区间内对信号进行变换处理，以此来降低截断误差对于整体变换结果的影响。但当发生故障后，故障信号的数据窗很短，实际工程中需要在较短时间段内对非平稳信号特征进行提取和分析，短时希尔伯特变换能够根据故障信号的局部时变特性对其进行自适应地时频分解，减少人为提取特征的影响，具有快速捕捉信号瞬时特征的优良性质，同时在处理非平稳信号中具有优势，有很好的时频聚集性和自适应性。再将短时希尔伯特变换后的特征图像作为数据样本，通过构建卷积神经网络模型实现轴承故障类别分类。

进一步地，步骤A)中，采集轴承振动信号y(n)＝h(n)*x(n)+e(n)，其中h(n)为传递函数，x(n)为轴承振动信号冲击序列，e(n)为噪声。

进一步地，步骤A)中，利用最小熵解卷积设计最优滤波器，步骤包括：

A1)选取滤波器ω(n)的阶数L；

A2)构建滤波器ω(n)使

其中l表示滤波器ω(n)第l个点；

A3)构造目标函数

其中x(i)为轴承振动信号冲击序列x(n)的第i个值；

A4)对目标函数F(ω(n))求一阶偏导，令

获得使目标函数F(ω(n))值最大的最优滤波器ω(n)，获得最优滤波器ω(n)的系数。

轴承振动故障信号的主要特点就是周期性的冲击成分突出，最小熵解卷积能将信号的熵降到最小，去除随机噪声和周期成分的影响，有利于后续轴承振动故障信号的处理和诊断，最小熵卷积滤波器能够自适应地找到滤波器的中心频率，具有强的自适应性和鲁棒特性。

进一步地，步骤A1)中，根据

选择滤波器ω(n)的阶数L，其中f_s为采样频率，f_c为滤波器的中心频率，f_d为故障频率。

进一步地，步骤B)中利用最优滤波器对轴承振动信号进行滤波处理的方法包括：

将轴承振动信号与最优滤波器ω(n)进行卷积运算。

滤波器ω(n)的阶数L的选取会影响到滤波效果，滤波器设计的参数有滤波器的阶数、中心频率和滤波带宽，最小熵解卷积方法只需确定滤波器的阶数，其他参数便能够根据滤波器的阶数确定出来。

设置k个滤波器，令每个滤波器的阶数互不相同，依次重复步骤A1)至A4)，获得每个最优滤波器的系数，再将轴承振动信号与每个最优滤波器进行卷积运算，分析在不同阶数下的滤波器的滤波效果，再选取出滤波效果最好的最优滤波器，将滤波效果最好的最优滤波器的阶数作为最终选取的阶数。

进一步地，步骤C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，步骤包括：

C1)设置截断周期，根据截断周期对滤波后的轴承振动信号进行滑动截断处理，获得处理后的截断信号；

C2)设置窗函数，对截断周期内的截断信号添加窗函数；

C3)对添加窗函数后的截断信号进行希尔伯特变换，获得希尔伯特变换后的解析信号，通过解析信号获得各个时刻对应的频率和幅值信息；

C4)对幅值进行归一化处理；

C5)利用各个时刻对应的频率和归一化处理后的幅值信息获得时频图像；

C6)将时频图像设置为特征图像，对特征图像进行图像变换，图像变换包括随机伸缩、切换或旋转中的至少一种，获得更多的特征图像，将特征图像保存成预设格式文件。

运用时域希尔伯特变换方法在短时间内能够给出信号较为准确的希尔伯特变换表达式，具有快速捕捉信号瞬时特征的优良性质，同时在处理非平稳信号中具有优势。短时希尔伯特变换能够根据故障信号的局部时变特性对其进行自适应地时频分解，减少人为提取特征的影响。为了减少频谱能量泄漏，对截断信号添加窗函数，时域加窗在时域上表现的是点乘，在频域上则表现为卷积。窗函数包括汉宁窗、海明窗或三角窗。本发明通过设置截断周期，获取各个短时间段的信号，然后对短时间段内加窗后的信号进行短时希尔伯特变换，短时希尔伯特变换后构建解析信号，得到信号在复空间的映射，从而有效地提取信号的瞬变特征量，也就是各个时刻对应的频率和幅值信息。

进一步地，步骤C)中对特征图像进行预处理，包括：

C11)读取预设格式文件，将预设格式文件解码为RGB像素网格；

C12)把像素网格转换为浮点数张量，将像素值缩放到预设区间。

由于图片不能直接放入神经网络中进行学习，所以需要先对特征图像进行预处理，将预设格式文件解码为RGB像素网格，把像素网格转换为浮点数张量。每个像素值在0-255范围内，直接放入卷积神经网络中进行训练使得计算量非常大，所以需要对每个像素值进行缩放，设定预设区间，将像素值缩放到预设区间范围内。

进一步地，步骤D)中构建卷积神经网络模型，步骤包括：

D1)搭建卷积神经网络架构；

D2)将制作好的训练集对卷积神经网络进行训练，对卷积神经网络的参数进行调整；

D4)利用验证集调整卷积神经网络的超参数，对卷积神经网络的分类能力进行初步评估；

D5)利用测试集对卷积神经网络的分类能力进行测试。

进一步地，步骤D1)中搭建卷积神经网络架构，其中网络架构包括卷积层、池化层和全连接层，最后一层全连接层和分类器相连，分类器为softmax分类器或SVM分类器。步骤D4)中超参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小minibatch和参加训练模型数据的规模。

卷积神经网络的卷积层通过对输入的图像样本的所有局部进行卷积提取局部特征，得到特征图，再经过池化层对每个特征图进行单独操作，每个池化层采用平均池化或者最大池化，通过池化层能够有效地保留主要的特征同时减少参数和计算量，防止过拟合，提高模型的泛化能力。

因此，本发明具有如下有益效果：对振动信号进行最小熵解卷积处理，有效提取出振动信号中的冲击信号，通过短时希尔伯特变换方法获取特征图像，最大限度地保留振动信号特征，并且能解调出故障特征信息，再利用卷积神经网络实现轴承实现轴承振动信号故障类别分类。

附图说明

图1是本发明的流程示意图。

图2是本发明实施例一采集到的轴承振动信号的时域图。

图3是本发明实施例一滤波器系数示意图。

图4是本发明实施例一轴承振动信号最小熵解卷积滤波后的时域图。

图5是本发明实施例一短时希尔伯特变换后得到的特征图像。

图6是本发明实施例一50轮次的验证集和训练集的准确率折线图。

图7是本发明实施例一测试集样本分类结果图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例一，一种基于短时希尔伯特变换的滚动轴承故障诊断方法，如图1所示，以轴承模拟实验台上，转动速度为4170r/min状态下采集的驱动端加速度数据为例，包含9种分类结果，分类结果分别为正常、内圈轻微故障、内圈中度故障、外圈轻微故障、外圈中度故障、滚动体轻微故障、滚动体中度故障、保持架轻微故障和保持架中度故障。

方法步骤包括：

A)采集轴承振动信号y(n)＝h(n)*x(n)+e(n)，n＝1,2,...,N，采集到的轴承振动信号的时域图如图2所示，其中h(n)为传递函数，x(n)为轴承振动信号冲击序列，e(n)为噪声。利用最小熵解卷积设计最优滤波器，步骤包括：

A1)选取滤波器ω(n)的阶数为30；

A2)构建滤波器ω(n)使

其中l表示滤波器ω(n)第l个点；

A3)构造目标函数

其中x(i)为轴承振动信号冲击序列x(n)的第i个值；

A4)对目标函数F(ω(n))求一阶偏导，令

获得使目标函数F(ω(n))值最大的最优滤波器ω(n)，如图3所示，获得最优滤波器ω(n)的系数。

B)将轴承振动信号与最优滤波器ω(n)进行卷积运算，如图4所示，获得滤波处理后的轴承振动信号；

C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，步骤包括：C1)设置截断周期，根据截断周期对滤波后的轴承振动信号进行滑动截断处理，获得处理后的截断信号；

C2)设置窗函数为汉宁窗，窗宽为1600，每次计算包络谱的长度为2048，滑动窗口为800，对振动信号进行滑动截断，对截断周期内的截断信号添加窗函数；

C4)对幅值进行归一化处理；

C5)如图5所示，利用各个时刻对应的频率和归一化处理后的幅值信息获得时频图像；

C6)将时频图像设置为特征图像，对特征图像进行图像变换，图像变换包括随机伸缩、切换或旋转中的至少一种，获得更多的特征图像，总共得到4963个特征图像，将特征图像保存成.jpg格式文件。

对特征图像进行预处理，获得预处理后的图像样本；包括：

C11)读取.jpg格式文件，将.jpg格式文件解码为RGB像素网格；

C12)把像素网格转换为浮点数张量，将像素值缩放到[0,1]区间。

D)构建卷积神经网络模型，按照70％、20％和10％的比例构造训练集、验证集和测试集，训练集共3469个样本，验证集共996个样本，测试集共498个样本，利用训练集训练网络模型，利用验证集对网络模型的超参数进行调整，利用测试集测试网络模型，包括：D1)搭建卷积神经网络架构，采用卷积神经网络VGG16架构，通过预处理将图像样本缩放成特征为224×224×3的图像样本，将特征为224×224×3的图像样本作为预训练的卷积神经网络VGG16架构的输入，其中网络架构包括卷积层、池化层、全连接层和输出层，最后一层全连接层与分类器相连，分类器采用softmax分类器，输出层设定9个标签作为输出。

D2)使用100个图像样本构成小批量，利用训练集对卷积神经网络进行训练，共训练50个轮次，使用RMSprop优化器和二元交叉熵损失函数对卷积神经网络参数进行调整。

D4)利用验证集调整卷积神经网络的超参数，超参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小minibatch和参加训练模型数据的规模。通过验证集验证每个轮次结束后的准确率，对卷积神经网络的分类能力进行初步评估，50轮次的验证集和训练集的准确率如图6所示。

D5)利用测试集对卷积神经网络的分类能力进行测试，得到的测试情况如图7所示，498个测试样本中共479个样本分类成功，准确率为96.19％。在测试样本中每种样本的精确率、召回率和F值如表1所示。

表1每种样本的分类测试结果

序号	故障类型	严重程度	精确率	召回率	F1值
						1	正常	--	98.21％	100％	99.10％
2	内圈	轻微	98.11％	94.55％	96.30％
						3	外圈	轻微	96.36％	96.36％	96.36％
4	滚动体	轻微	92.86％	96.30％	94.55％
						5	保持架	轻微	98.18％	98.18％	98.18％
6	内圈	中度	94.64％	94.64％	94.64％
						7	外圈	中度	94.74％	94.74％	94.74％
8	滚动体	中度	98.28％	98.28％	98.28％
						9	保持架	中度	96.08％	92.45％	94.23％

表1E)向卷积神经网络模型输入未知的轴承故障图像样本，利用已经训练好的卷积神经网络模型实现轴承故障类别分类。

本发明利用最小熵解卷积对采集到的信号进行滤波处理，再通过短时希尔伯特变换方法获取特征图像，能够最大限度地保留振动信号特征，再通过卷积神经网络实现轴承故障类型以及故障严重程度的分类。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明保护范围以内。

Claims

1.一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，包括：

A)采集轴承振动信号，利用最小熵解卷积设计最优滤波器；

D)构建卷积神经网络模型，将预处理后的图像样本分为训练集、验证集和测试集，利用训练集训练神经网络模型，利用验证集对神经网络模型的超参数进行调整，利用测试集测试神经网络模型；

E)利用已经训练好的卷积神经网络模型实现轴承故障类别分类；

步骤C)对滤波处理后的轴承振动信号进行短时希尔伯特变换，获得特征图像，步骤包括：

C2)设置窗函数，对截断周期内的截断信号添加窗函数；

C4)对幅值进行归一化处理；

2.根据权利要求1所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A)中，采集轴承振动信号y(n)＝h(n)*x(n)+e(n)，n＝1,2,...,N，其中h(n)为传递函数，x(n)为轴承振动信号冲击序列，e(n)为噪声。

3.根据权利要求2所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A)中，利用最小熵解卷积设计最优滤波器，步骤包括：

A1)选取滤波器ω(n)的阶数L；

A2)构建滤波器ω(n)使

其中l表示滤波器ω(n)第l个点；

A3)构造目标函数

其中x(i)为轴承振动信号冲击序列x(n)的第i个值；

A4)对目标函数F(ω(n))求一阶偏导，令

4.根据权利要求3所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤A1)中，根据

选取滤波器ω(n)的阶数L，其中f_s为采样频率，f_c为滤波器的中心频率，f_d为故障频率。

5.根据权利要求3或4所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤B)中利用最优滤波器对轴承振动信号进行滤波处理的方法包括：

将轴承振动信号与最优滤波器ω(n)进行卷积运算。

6.根据权利要求1所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤C)中对特征图像进行预处理，包括：

C11)读取预设格式文件，将预设格式文件解码为RGB像素网格；

7.根据权利要求1所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤D)中构建卷积神经网络模型，步骤包括：

D1)搭建卷积神经网络架构；

D5)利用测试集对卷积神经网络的分类能力进行测试。

8.根据权利要求7所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤D1)中搭建卷积神经网络架构，其中网络架构包括卷积层、池化层和全连接层，最后一层全连接层与分类器相连，所述分类器为softmax分类器或SVM分类器。

9.根据权利要求7所述的一种基于短时希尔伯特变换的滚动轴承故障诊断方法，其特征在于，步骤D4)中超参数包括学习速率、神经网络层数、每一层神经元的个数、学习的回合数Epoch、小批量数据的大小minibatch和参加训练模型数据的规模。