CN111504646B - 用于轴承早期失效的微弱信号故障特征分类方法与系统 - Google Patents
用于轴承早期失效的微弱信号故障特征分类方法与系统 Download PDFInfo
- Publication number
- CN111504646B CN111504646B CN202010509598.2A CN202010509598A CN111504646B CN 111504646 B CN111504646 B CN 111504646B CN 202010509598 A CN202010509598 A CN 202010509598A CN 111504646 B CN111504646 B CN 111504646B
- Authority
- CN
- China
- Prior art keywords
- fault
- bearing
- data
- modal
- vibration signal
- 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.)
- Active
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种用于轴承早期失效的微弱信号故障特征分类方法与系统,所述轴承故障诊断方法包括利用轴承试验装置获取不同故障状态下的轴承振动信号数据;利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量;以各所述模态分量的能量来构建特征向量数据集;利用所述特征向量数据集对故障诊断模型进行训练;利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别;其中,所述轴承故障诊断模型包括朴素贝叶斯分类模型。利用本发明能够对轴承早期失效产生的微弱故障特征进行提取,在小样本故障数据的条件下,能以较短的模型训练时间,获得较高的分类准确率。
Description
技术领域
本发明涉及轴承故障诊断技术领域,特别涉及一种用于轴承早期失效的微弱信号故障特征分类方法与系统。
背景技术
高速列车的运行速度不断提升,其走行部轴颈轴承的工作转速更快、受载更大、工作时间更长,是最容易损坏的部件。为了保证高速列车的安全稳定运行,采用定期更换滚动轴承等易磨损零部件,以及安排列车安全运行巡检员监测每节车厢的运行状态,以保障其安全。传统的方法一方面容易出现轴承寿命未达到时就进行了更换;造成人力物力的浪费,另一方面对巡检员的经验要求较高,需要有长期的工作经验才可胜任。所以研究一种轴承早期故障微弱信号故障特征分类方法具有重要的现实意义。
基于深度学习的故障诊断方法能够从海量数据中通过网络自动学习特征识别与分类,进行故障诊断。但是在实际使用中其效果受到输入数据数量的影响,特别是高速列车走行部轴颈轴承的故障数据稀少,模型训练受制于训练数据集的数量,对于小样本数据的分类准确率不高,且深度学习模型的训练速度远比线性模型慢,难以发挥深度学习的优势。
而传统的机器学习方法例如小波变换方法、BP(Back Propagation,反向传播)神经网络、支持向量机以及最小二乘支持向量机等虽然能够缩短模型建立时间,但是在建模的速度和收敛性上也存在一些问题,不能同时满足模型建立的收敛速度和诊断准确性要求。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种能够在小样本数据的前提下,同时兼顾分类速度和分类准确率的用于轴承早期失效的微弱信号故障特征分类方法与系统。
为实现上述目的及其他相关目的,本发明提供一种用于轴承早期失效的微弱信号故障特征分类方法,包括以下步骤:
利用轴承试验装置获取不同故障状态下的轴承振动信号数据;
利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量;
以各所述模态分量的能量来构建特征向量数据集;
利用所述特征向量数据集对故障诊断模型进行训练;
利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别;
其中,所述轴承故障诊断模型包括朴素贝叶斯分类模型。
在一可选实施例中,所述不同故障状态包括正常状态、滚动体故障、内圈故障、外圈故障以及保持架故障。
在一可选实施例中,在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中,通过激光打标机和线切割完成轴承不同故障类型的加工。
在一可选实施例中,在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中,利用设置于轴承试验机上的加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
在一可选实施例中,在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中,利用设置于轴承试验机的三向加速度振动传感器和单向加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
在一可选实施例中,所述利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量的步骤包括:
对所述轴承振动信号数据进行频域处理,以获取所述轴承振动信号数据的模;
利用改进的变分模态方法将所述轴承振动信号数据的模分解成多个模态分量。
在一可选实施例中,所述利用改进的变分模态方法将所述轴承振动信号数据的模分解成多个模态分量的步骤包括,利用改进的变分模态方法确定分解层数并将所述轴承振动信号数据的模分解成多个模态分量。
在一可选实施例中,所述利用所述特征向量数据集对轴承故障诊断模型进行训练的步骤包括:
将所述特征向量数据集划分为训练集和测试集;
利用所述训练集对所述轴承故障诊断模型进行训练;
利用所述测试集来测试训练后的所述轴承故障诊断模型。
在一可选实施例中,所述利用所述特征向量数据集对轴承故障诊断模型进行训练的步骤中,利用一维正态分布的高斯模型计算所述轴承故障诊断模型的后验概率。
在一可选实施例中,所述轴承包括车辆的走行部轴承。
为实现上述目的及其他相关目的,本发明还提供一种用于轴承早期失效的微弱信号故障特征分类系统,包括:
轴承试验装置,用于对不同故障状态的轴承进行试验;
信号采集单元,所述信号采集单元的加速度振动传感器设置于所述轴承试验装置上,用于采集不同故障状态下的轴承振动信号数据;
故障特征数据获取单元,用于利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量,并以各所述模态分量的能量来构建特征向量数据集;以及
轴承故障诊断单元,与所述故障特征数据获取单元连接,用于利用所述特征矩阵对轴承故障诊断模型进行训练,并利用训练好的所述轴承故障诊断模型对待分类的轴承故障振动信号进行分类;
其中,所述轴承故障诊断模型包括朴素贝叶斯分类模型。
本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统是基于改进的变分模态方法(IVMD)-朴素贝叶斯分类模型来实现,能够对轴承早期产生的微弱故障特征进行提取,在小样本故障数据的条件下,能以较短的模型训练时间,获得较高的分类准确率;
本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统兼具较好的抗噪声干扰能力,且分类模型结构简单稳定;
本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统,使用一维正态分布的高斯模型计算轴承故障分类模型的先验概率,从统计学角度来讲可以很好的反应故障数据的特征;
经试验数据验证,本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统与支持向量机模型进相比具有更快的识别速度和准确度。
附图说明
图1显示为本发明的用于轴承早期失效的微弱信号故障特征分类方法的流程图。
图2显示为本发明实施例的信号采集模块的实现流程图。
图3显示为本发明的朴素贝叶斯分类模型的流程图。
图4显示为本发明的用于轴承早期失效的微弱信号故障特征分类系统的结构框图。
图5显示为本发明实施例的用于轴承早期失效的微弱信号故障特征分类系统的轴承试验装置的结构框图。
图6显示为本发明实施例的电子设备的结构框图。
图7显示为本发明的具体实施例中不同故障状态下的轴承振动信号数据的分解后各模态分量的能量占比图。
图8a显示为本发明的具体实施例中朴素贝叶斯的分类结果。
图8b显示为本发明的具体实施例中支持向量机的分类结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-8。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明的实施例提出一种基于朴素贝叶斯(Naive Bayes)算法的轴承早期故障微弱信号故障特征分类方法,能够根据提取出的轴承早期故障微弱信号的故障特征,实现快速准确地识别轴承发生故障的类型,兼具较好的抗噪声干扰能力,且分类模型结构简单稳定。其中,图1示出了本发明的实施例的用于轴承早期失效的微弱信号故障特征分类方法的流程图;图2示出了本发明的实施例的信号采集单元22的流程图;图3示出了本发明的朴素贝叶斯分类模型的流程图;图4示出了本发明的实施例的用于轴承早期失效的微弱信号故障特征分类系统的结构框图;图5示出了本发明的实施例的用于轴承早期失效的微弱信号故障特征分类系统2的轴承试验装置21的结构框图。
现将结合图1来对本实施例的用于轴承早期失效的微弱信号故障特征分类方法的各步骤作具体说明。
首先,执行步骤S10中,利用轴承试验装置21获取不同工况下的不同故障轴承振动信号数据,所述不同工况是指:转速、径向载荷、温度的不同及其组合;故障轴承是指在滚动体、内圈、外圈、保持架接触面上由激光打标机烧蚀缺陷的轴承。具体地,提供轴承试验装置21,信号采集单元22通过利用设置在轴承试验机211上加速度振动传感器采集轴承在各种工况类型下运行的实验数据,其中,该轴承试验装置21用于通过更换轴承试验机211中的多种故障轴承进行试验,该多种故障轴承例如可以包含有轴承正常状态、滚动体故障、内圈故障、外圈故障、保持架故障等多种状态类型。例如可以通过激光打标机和线切割加工出内圈、外圈、滚动体、保持架完成轴承不同故障类型的加工,具体地,内圈故障例如可使用激光打标机在内圈的内表面加工形成非贯通型的小尺寸方形点蚀损伤(当然也可以是矩形故障或者圆形的点蚀损伤;滚动体故障例如可使用线切割在所述滚动体上沿轴向分布加工形成一细条形贯通槽;外圈故障例如也可使用线切割在所述外圈的与滚动体接触的表面上沿轴向分布加工形成一细条形贯通槽,保持架故障例如可以使用激光打标机在保持架的与滚动体产生相对转动接触的内部侧壁上加工形成小尺寸矩形点蚀损伤故障(对于NSK的NU1010型号单列圆柱滚子轴承,在一具体示例中,该矩形点蚀损伤的尺寸的长为3mm,宽为1mm,深度为0.1mm)。通过加工形成小尺寸的点蚀损伤和细条形贯通槽可以保证后续步骤S20中采集到的轴承振动信号数据为微弱振动信号,从而可以使利用该微弱振动信号训练后的轴承故障诊断模型能够适用于滚动轴承的早期故障的微弱振动信号特征诊断。
在一具体实施例中,信号采集单元22利用设置在轴承试验机211上的3向加速度振动传感器和单向加速度振动传感器采集轴承在各种工况下运行的实验数据。所述3向加速度振动传感器例如可以设置在轴承试验机211的机罩的侧壁,利用3向加速度振动传感器可以供采集到轴承试验机211表面3个方向(X方向、Y方向、Z方向)的振动加速度信号;所述单向加速度振动传感器例如可以设置在轴承试验机211的机罩的顶部,利用单向加速度振动传感器可以采集一个方向(例如Z方向)的振动加速度信号,单向加速度振动传感器采集的一个方向的振动加速度信号可以和3向加速度振动传感器采集的对应方向的振动加速度信号进行验证。在实际的数据处理过程中,可以经过数据分析采用所有方向中信号受外界干扰小的方向(例如Y方向)的振动加速度信号作为后续处理的轴承振动信号数据,该选定方向的振动加速度信号更符合滚动轴承故障的实际数据特点。
然后,执行步骤S20,故障特征数据获取单元23利用改进的变分模态方法(Improved Variational Mode Decomposition,简称IVMD)将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量。具体包括如下步骤:步骤S21、对所述轴承振动信号数据进行频域处理,以获取所述轴承振动信号数据的模;步骤S22、利用改进的变分模态方法IVMD将所述轴承振动信号数据的模分解成多个模态分量。
在步骤S21中,例如可以采用LMS软件对轴承振动信号数据进行时域处理,以获取所述轴承振动信号数据的傅里叶变换(FFT)的模。
在步骤S22中,可使用谱相关系数来确定变分模态分解(Variational ModeDecomposition,简称VMD)的分解层数K,然后利用改进的变分模态方法将所述轴承振动信号数据的模分解成K模态分量。具体地,首先设置初始的K值,然后通过变分模态分解VMD分解得到K个BLIMFs分量(有限带宽固有模态函数分量,简称模态分量),按照公式(1)计算出每个分量的谱相关系数,并找出最小的谱相关系数,若最小的谱相关系数小于设定的阈值,则确定K=K-1,此时的K作为分解层数,否则K=K+1,重复上述循环直至最终获取的最小的谱相关系数小于设定的阈值。
式中,ρx,y为信号X和Y的谱相关系数,X(k)、Y(k)分别表示两信号的傅里叶变换的模,n内循环的迭代次数。
IVMD中确定VMD分解层数K的具体实现过程如下:
1)设定初始分解层数K=1,二次项惩罚参数α=2000,保真系数τ=0.95;
5)重复步骤3)和4),直至满足迭代停止条件:
其中,ε为判别精度大小;
6)得到K各分量,按照公式(1)计算每个分量的谱相关系数ρ1,ρ2,...,ρK,并找出最小的谱相关系数,若最小的谱相关系数小于设定的阈值,则确定K=K-1,此时的K作为分解层数,否则K=K+1,重复上述循环直至最终获取的最小的谱相关系数小于设定的阈值。
其次,执行步骤S30,故障特征数据获取单元23以各所述模态分量的能量来构建特征向量数据集,用于对步骤S40中的朴素贝叶斯分类模型(轴承故障诊断模型)进行训练。
接着,执行步骤S40、轴承故障诊断单元24利用所述特征向量数据集对朴素贝叶斯分类模型进行训练,请参阅图3,步骤S40包括以下步骤:
步骤S41、进行朴素贝叶斯分类模型的构建(图3中的准备阶段):
假设数据集中有i个分类C1,C2,…,Ci,有j个特征属性X1,X2,…,Xj,若已知待分类样本X={X1,X2,…,Xj},根据朴素贝叶斯定理获取如下式的后验概率P(Ci|X):
特征向量分量之间满足独立性假设,条件概率P(X|Ci)即为:
将式(7)带入式(6)得:
在计算P(Xj|Ci)时,由于模态分量的能量属于连续型的数值类型,所以本发明计算时选用一维正态分布的高斯模型(在其他实施例中也可采用多项式模型或伯努利模型),公式如下:
其中,P(X)表示特征向量X发生的概率,P(Ci|X)表示在特征向量X发生的条件下发生第i类故障的概率;P(Ci)表示的第i类故障发生的概率;P(X|Ci)表示已知数据的故障类型为第i类故障时发生特征向量X的概率。
步骤S42、训练模型(图3中的训练阶段):
该试验中,使用IVMD分解得到的三个分量的能量构成特征向量X={X1,X2,…,Xj},作为分类模型的输入,分别计算每类数据的均值μ和方差σ,作为朴素贝叶斯分类模型的参数,用于带入式(9)中计算P(Xj|Ci)。
步骤S43、模型验证(图3中的测试阶段):
输入测试集数据X={X1,X2,…,Xj},计算测试数据X属于每个类别Ci(在本实施例中,所述类别Ci例如可以包括正常轴承、外圈故障、内圈故障、滚子故障、保持架故障五种故障类型)的概率P(Ci|X),比较得出P(Ci|X)的最大值,通过对应下标i可以判断测试数据所属的类别。
最后,执行步骤S50、轴承故障诊断单元24利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别。
请参阅图4,本发明的实施例还提供一种实现用于轴承早期失效的微弱信号故障特征分类方法的分类系统,所述计用于轴承早期失效的微弱信号故障特征分类系统2包括轴承试验装置21,用于对不同故障状态的轴承进行试验;信号采集单元22(其中图2示出了信号采集单元22的一种示例流程图),所述信号采集单元22的振动加速度传感器设置于所述轴承试验装置21的机罩上,用于采集不同故障状态下的轴承振动信号数据;故障特征数据获取单元23,用于利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量,并以各所述模态分量的能量来构建特征向量数据集;以及轴承故障诊断单元24,与所述故障特征数据获取单元23连接,用于利用所述特征矩阵对轴承故障诊断模型进行训练,并利用训练好的所述轴承故障诊断模型对待分类的轴承故障振动信号进行分类。需要说明的是,在本实施例中,上述轴承试验装置21,信号采集单元22,故障特征数据获取单元23及轴承故障诊断单元24的功能详见上文的方法部分中的各步骤,在此不做赘述。
请参阅图5,在本实施例中,所述轴承试验装置21主要包括轴承试验机211以及分别与轴承试验机211连接的加载站212,润滑站213和冷却站214等配套设备。
需要说明的是,上述所述计用于轴承早期失效的微弱信号故障特征分类系统2中的故障特征信号处理单元23及轴承故障诊断单元24,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分单元通过处理元件调用软件的形式实现,部分单元通过硬件的形式实现。此外这些单元全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的部分或全部步骤,或以上故障特征信号处理单元23及轴承故障诊断单元24可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
需要说明的是,如图6所示,本实施例的用于轴承早期失效的微弱信号故障特征分类方法及处理系统还可以通过一电子设备3来实现上述的故障特征信号处理单元23及轴承故障诊断单元24的功能,所述电子设备3包括相互连接的存储器33、处理器31及通信器32,所述存储器33存储有计算机程序,该程序被所述处理器31执行时实现所述用于轴承早期失效的微弱信号故障特征分类方法。
上述的处理器31可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;上述的存储器33可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
需要说明的是,上述存储器33中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
下面将结合一个具体实施例来说明本发明的实施例的所述用于轴承早期失效的微弱信号故障特征分类方法。
为了体现本发明提出方法的有效性和可行性,采用试验台现场采集的数据进行验证。数据采集来自本单位的航空发动机轴承试验台(也即轴承试验装置21),如图5所示。实验轴承采用NSK的NU1010型号单列圆柱滚子轴承,该试验轴承的基本参数见表1。
表1试验轴承基本参数
因轴承结构和加工方式的限制,采用不同的加工方式完成轴承不同故障类型的加工。为满足实验需求,利用激光打标机和线切割加工出内圈、外圈、滚动体三种轴承故障。内圈故障例如可使用大族激光生产的型号YLP-F10的激光打标机在内圈的内表面加工形成非贯通型的小尺寸方形点蚀损伤故障(当然也可以是矩形故障或者圆形故障);滚动体故障例如可使用北京阿奇夏米尔生产的型号FW1U中走丝线切割机床在所述滚动体上沿轴向分布加工形成一细条形贯通槽;外圈故障例如也可使用北京阿奇夏米尔生产的型号FW1U中走丝线切割机床在所述外圈的与滚动体接触的表面上沿轴向分布加工形成一细条形贯通槽,表2示出了该具体实施例采用的三种轴承故障的故障尺寸表,可以理解的是,所述加工故障尺寸可以根据实际需要进行调整。
表2加工故障尺寸表
序号 | 部件 | 故障类型 | 长、宽、深 | 故障分布 |
1 | 外圈 | 贯通型 | 9mm×0.2mm×0.1mm | 1处 |
2 | 内圈 | 非贯通型 | 1mm×1mm×0.1mm | 1处 |
3 | 圆柱滚子 | 贯通型 | 9mm×0.2mm×0.1mm | 1处 |
利用LMS Test.lab软件在电脑上采集额定轴向载荷四种故障状态三种转速振动信号,3向和单向振动加速度传感器分别布置在轴承试验机211的机罩的侧壁和上表面。试验工况设定:采样频率为20480Hz,转速为3000rpm(当然也可以设置成其他合适的值,例如2000rpm,4000rpm),轴向载荷为2kN(当然也可以设置成其他合适的值,例如3kN,4kN),采集长度为634880。需要说明的是,在信号采集时,分别是针对正常、内圈故障、外圈故障、滚动体故障进行测试,具体地,当采集内圈故障状态下的轴承振动信号时,内圈的大圆表面加工有表2所示的方形点蚀损伤,而轴承的外圈和滚动体保持正常状态;当采集外圈故障状态下的轴承振动信号时,外圈的小圆表面加工有表2所示的细条形贯通槽故障,而轴承的内圈和滚动体保持正常状态;当采集滚动体故障状态下的轴承振动信号时,滚动体的表面加工有表2所示的沿轴向分布的细条形贯通槽故障,而轴承的外圈和内圈保持正常状态。
采集到轴承试验机211表面3个方向(X、Y、Z)的振动加速度信号,经过数据分析发现采集到的Y方向的振动加速度信号受到的干扰小,更符合滚动轴承故障的实际数据特点,选取Y方向采集到的信号作为处理数据。
为了验证该方法的有效性,将朴素贝叶斯分类方法与支持向量机分类方法相比较,每类样本数据各120组(共480组),每条数据有1000个采样点,其中随机选取60组样本作为训练集,剩余60组样本作为测试样本集。
进行模型训练:使用IVMD分解得到的三个分量(利用IVMD确定VMD分解层数K=3)的能量构成特征向量X={X1,X2,X3},作为分类模型的输入,分别计算每类数据的均值μ={μ1,μ2,μ3}和方差σ={σ1,σ2,σ3},作为朴素贝叶斯分类模型的参数,用于带入式(9)中计算P(Xj|Ci),其中,图7示出了四种故障状态下的轴承振动信号数据的分解后各模态分量的能量占比图,其中1-4分别指正常、内圈故障、外圈故障、滚动体故障。
进行模型验证:输入测试集数据X={X1,X2,X3},计算测试数据X属于每个类别Ci(在本实施例中,所述类别Ci例如可以包括正常轴承、外圈故障、内圈故障、滚子故障、保持架故障五种故障类型)的概率P(Ci|X),比较得出P(Ci|X)的最大值,通过对应下标i可以判断测试数据所属的类别。两种方法分类的准确率和测试时间如表3所示。
表3不同分类器的准确率和测试时间
正常状态 | 内圈故障 | 滚动体故障 | 外圈故障 | 测试时间 | |
VMD-NB | 100% | 96.67% | 100% | 100% | 0.036s |
VMD-SVM | 96.67% | 100% | 96.67% | 95% | 0.158s |
从图8a-8b,以及表3的数据可以看出,本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统与支持向量机模型进相比具有更快的识别速度和准确度。
综上所述,本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统是基于改进的变分模态方法(IVMD)-朴素贝叶斯分类模型来实现,能够对轴承早期产生的微弱故障特征进行提取,在小样本故障数据的条件下,能以较短的模型训练时间,获得较高的分类准确率,因此可应用于车辆(例如高铁,火车等)的走行部轴承的故障诊断分类;本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统兼具较好的抗噪声干扰能力,且分类模型结构简单稳定;本发明的用于轴承早期失效的微弱信号故障特征分类方法与系统,使用一维正态分布的高斯模型计算轴承故障分类模型的先验概率,从统计学角度来讲可以很好的反应故障数据的特征;经试验数据验证。
在本文的描述中,提供了许多特定细节,诸如部件和/或方法的实例,以提供对本发明实施例的完全理解。然而,本领域技术人员将认识到可以在没有一项或多项具体细节的情况下或通过其他设备、系统、组件、方法、部件、材料、零件等等来实践本发明的实施例。在其他情况下,未具体示出或详细描述公知的结构、材料或操作,以避免使本发明实施例的方面变模糊。
在整篇说明书中提到“一个实施例(one embodiment)”、“实施例(anembodiment)”或“具体实施例(a specific embodiment)”意指与结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中,并且不一定在所有实施例中。因而,在整篇说明书中不同地方的短语“在一个实施例中(in one embodiment)”、“在实施例中(inan embodiment)”或“在具体实施例中(in a specific embodiment)”的各个表象不一定是指相同的实施例。此外,本发明的任何具体实施例的特定特征、结构或特性可以按任何合适的方式与一个或多个其他实施例结合。应当理解本文所述和所示的发明实施例的其他变型和修改可能是根据本文教导的,并将被视作本发明精神和范围的一部分。
还应当理解还可以以更分离或更整合的方式实施附图所示元件中的一个或多个,或者甚至因为在某些情况下不能操作而被移除或因为可以根据特定应用是有用的而被提供。
另外,除非另外明确指明,附图中的任何标志箭头应当仅被视为示例性的,而并非限制。此外,除非另外指明,本文所用的术语“或”一般意在表示“和/或”。在术语因提供分离或组合能力是不清楚的而被预见的情况下,部件或步骤的组合也将视为已被指明。
如在本文的描述和在下面整篇权利要求书中所用,除非另外指明,“一个(a)”、“一个(an)”和“该(the)”包括复数参考物。同样,如在本文的描述和在下面整篇权利要求书中所用,除非另外指明,“在…中(in)”的意思包括“在…中(in)”和“在…上(on)”。
本发明所示实施例的上述描述(包括在说明书摘要中所述的内容)并非意在详尽列举或将本发明限制到本文所公开的精确形式。尽管在本文仅为说明的目的而描述了本发明的具体实施例和本发明的实例,但是正如本领域技术人员将认识和理解的,各种等效修改是可以在本发明的精神和范围内的。如所指出的,可以按照本发明所述实施例的上述描述来对本发明进行这些修改,并且这些修改将在本发明的精神和范围内。
本文已经在总体上将系统和方法描述为有助于理解本发明的细节。此外,已经给出了各种具体细节以提供本发明实施例的总体理解。然而,相关领域的技术人员将会认识到,本发明的实施例可以在没有一个或多个具体细节的情况下进行实践,或者利用其它装置、系统、配件、方法、组件、材料、部分等进行实践。在其它情况下,并未特别示出或详细描述公知结构、材料和/或操作以避免对本发明实施例的各方面造成混淆。
因而,尽管本发明在本文已参照其具体实施例进行描述,但是修改自由、各种改变和替换意在上述公开内,并且应当理解,在某些情况下,在未背离所提出发明的范围和精神的前提下,在没有对应使用其他特征的情况下将采用本发明的一些特征。因此,可以进行许多修改,以使特定环境或材料适应本发明的实质范围和精神。本发明并非意在限制到在下面权利要求书中使用的特定术语和/或作为设想用以执行本发明的最佳方式公开的具体实施例,但是本发明将包括落入所附权利要求书范围内的任何和所有实施例及等同物。因而,本发明的范围将只由所附的权利要求书进行确定。
Claims (8)
1.一种用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,所述分类方法包括:
利用轴承试验装置获取不同故障状态下的轴承振动信号数据,其中,所述不同故障状态包括正常状态、滚动体故障、内圈故障、外圈故障以及保持架故障,内圈故障使用激光打标机在内圈的内表面加工形成非贯通型的方形点蚀损伤;滚动体故障使用线切割在滚动体上沿轴向分布加工形成一细条形贯通槽;外圈故障使用线切割在外圈的与滚动体接触的表面上沿轴向分布加工形成一细条形贯通槽,保持架故障使用激光打标机在保持架的与滚动体产生相对转动接触的内部侧壁上加工形成矩形点蚀损伤故障,通过加工点蚀损伤和细条形贯通槽可以保证采集到的不同故障状态下的轴承振动信号数据为微弱振动信号;
利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量;
以各所述模态分量的能量来构建特征向量数据集;
利用所述特征向量数据集对故障诊断模型进行训练;
利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别;
其中,所述轴承故障诊断模型包括朴素贝叶斯分类模型,所述朴素贝叶斯分类模型的公式如下:
其中,P(X)表示特征向量X发生的概率,P(Ci|X)表示在特征向量X发生的条件下发生第i类故障的概率;P(Ci)表示的第i类故障发生的概率;μ为训练集中每种故障类型数据的均值,σ为训练集中每种故障类型数据的方差,Xj为第j个特征向量分量,P(Xj|Ci)表示已知数据的故障类型第i类故障时发生特征向量分量Xj的概率。
2.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中,利用设置于轴承试验机上的加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
3.根据权利要求2所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中,利用设置于轴承试验机上的三向加速度振动传感器和单向加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
4.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,所述利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量的步骤包括:
对所述轴承振动信号数据进行频域处理,以获取所述轴承振动信号数据的模;
利用改进的变分模态方法将所述轴承振动信号数据的模分解成多个模态分量。
5.根据权利要求4所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,所述利用改进的变分模态方法将所述轴承振动信号数据的模分解成多个模态分量的步骤包括,利用改进的变分模态方法确定分解层数并将所述轴承振动信号数据的模分解成多个模态分量。
6.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,所述利用所述特征向量数据集对轴承故障诊断模型进行训练的步骤包括:
将所述特征向量数据集划分为训练集和测试集;
利用所述训练集对所述轴承故障诊断模型进行训练;
利用所述测试集来测试训练后的所述轴承故障诊断模型。
7.根据权利要求1-6中任意一项所述的用于轴承早期失效的微弱信号故障特征分类方法,其特征在于,所述轴承包括车辆的走行部轴颈轴承。
8.一种用于轴承早期失效的微弱信号故障特征分类系统,其特征在于,所述分类系统包括
轴承试验装置,用于对不同故障状态的轴承进行试验;
信号采集单元,所述信号采集单元的加速度振动传感器设置于所述轴承试验装置上,用于采集不同故障状态下的轴承振动信号数据,其中,所述不同故障状态包括正常状态、滚动体故障、内圈故障、外圈故障以及保持架故障,内圈故障使用激光打标机在内圈的内表面加工形成非贯通型的方形点蚀损伤;滚动体故障使用线切割在滚动体上沿轴向分布加工形成一细条形贯通槽;外圈故障使用线切割在外圈的与滚动体接触的表面上沿轴向分布加工形成一细条形贯通槽,保持架故障使用激光打标机在保持架的与滚动体产生相对转动接触的内部侧壁上加工形成矩形点蚀损伤故障,通过加工点蚀损伤和细条形贯通槽可以保证采集到的不同故障状态下的轴承振动信号数据为微弱振动信号;
故障特征数据获取单元,用于利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量,计算各所述模态分量的能量,并以各所述模态分量的能量来构建特征向量数据集;以及
轴承故障诊断单元,与所述故障特征数据获取单元连接,用于利用所述特征矩阵对轴承故障诊断模型进行训练,并利用训练好的所述轴承故障诊断模型对待分类的轴承故障振动信号进行分类;
其中,所述轴承故障诊断模型包括朴素贝叶斯分类模型,所述朴素贝叶斯分类模型的公式如下:
其中,P(X)表示特征向量X发生的概率,P(Ci|X)表示在特征向量X发生的条件下发生第i类故障的概率;P(Ci)表示的第i类故障发生的概率;μ为训练集中每种故障类型数据的均值,σ为训练集中每种故障类型数据的方差,Xj为第j个特征向量分量,P(Xj|Ci)表示已知数据的故障类型第i类故障时发生特征向量分量Xj的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509598.2A CN111504646B (zh) | 2020-06-05 | 2020-06-05 | 用于轴承早期失效的微弱信号故障特征分类方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509598.2A CN111504646B (zh) | 2020-06-05 | 2020-06-05 | 用于轴承早期失效的微弱信号故障特征分类方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504646A CN111504646A (zh) | 2020-08-07 |
CN111504646B true CN111504646B (zh) | 2022-10-14 |
Family
ID=71872270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010509598.2A Active CN111504646B (zh) | 2020-06-05 | 2020-06-05 | 用于轴承早期失效的微弱信号故障特征分类方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504646B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837254B (zh) * | 2021-02-25 | 2024-06-11 | 普联技术有限公司 | 一种图像融合方法、装置、终端设备及存储介质 |
CN113670615A (zh) * | 2021-08-23 | 2021-11-19 | 洛阳轴承研究所有限公司 | 一种轴承单元振动测试方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010025851A1 (de) * | 2010-07-01 | 2012-01-05 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands |
CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN108171263B (zh) * | 2017-12-26 | 2019-08-30 | 合肥工业大学 | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 |
CN110705722A (zh) * | 2019-09-12 | 2020-01-17 | 华中科技大学 | 一种工业设备故障诊断的诊断模型及其构建方法和应用 |
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 |
-
2020
- 2020-06-05 CN CN202010509598.2A patent/CN111504646B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111504646A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | An efficient approach to machine health diagnosis based on harmonic wavelet packet transform | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN111476323B (zh) | 一种轴承故障分类方法及系统 | |
Sugumaran et al. | Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning | |
CN111504646B (zh) | 用于轴承早期失效的微弱信号故障特征分类方法与系统 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
Patel et al. | Comparison between artificial neural network and support vector method for a fault diagnostics in rolling element bearings | |
CN111797567A (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
Pu et al. | Fault diagnosis for wind turbine gearboxes by using deep enhanced fusion network | |
Upadhyay et al. | Diagnosis of bearing defects using tunable Q-wavelet transform | |
Zhou et al. | Fault detection of rolling bearing based on FFT and classification | |
Kumar et al. | Fault diagnosis of bearings through vibration signal using Bayes classifiers | |
GS et al. | Evaluation of effectiveness of wavelet based denoising schemes using ANN and SVM for bearing condition classification | |
Vernekar et al. | Engine gearbox fault diagnosis using machine learning approach | |
Lu et al. | Bearing health assessment based on chaotic characteristics | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
Dang et al. | A Fault Diagnosis Method for One‐Dimensional Vibration Signal Based on Multiresolution tlsDMD and Approximate Entropy | |
He et al. | The diagnosis of satellite flywheel bearing cage fault based on two-step clustering of multiple acoustic parameters | |
Yu et al. | Rolling bearing degradation state identification based on LCD relative spectral entropy | |
CN111797789A (zh) | 一种用于故障特征判读的时频脊线提取方法及装置 | |
Jianhui et al. | New fault diagnosis method for rolling bearing based on PCA | |
Yu et al. | Machine fault diagnosis using a cluster-based wavelet feature extraction and probabilistic neural networks | |
CN114742098A (zh) | 基于时频图和多尺度cnn的滚动轴承的故障诊断方法 | |
Wentao et al. | Bearing fault diagnosis based on feature weighted FCM cluster analysis | |
Dong et al. | Bearings in simulated space conditions running state detecton based on Tsallis entropy-KPCA and optimized fuzzy c-means model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |