CN112132069A - 一种基于深度学习的滚动轴承微弱故障智能诊断方法 - Google Patents

一种基于深度学习的滚动轴承微弱故障智能诊断方法 Download PDF

Info

Publication number
CN112132069A
CN112132069A CN202011032252.4A CN202011032252A CN112132069A CN 112132069 A CN112132069 A CN 112132069A CN 202011032252 A CN202011032252 A CN 202011032252A CN 112132069 A CN112132069 A CN 112132069A
Authority
CN
China
Prior art keywords
fault
rolling bearing
signals
weak
modes
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
CN202011032252.4A
Other languages
English (en)
Inventor
丁克勤
张继旺
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.)
China Special Equipment Inspection and Research Institute
Original Assignee
China Special Equipment Inspection and Research Institute
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 China Special Equipment Inspection and Research Institute filed Critical China Special Equipment Inspection and Research Institute
Priority to CN202011032252.4A priority Critical patent/CN112132069A/zh
Publication of CN112132069A publication Critical patent/CN112132069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

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

Abstract

本发明公开了一种基于深度学习的滚动轴承微弱故障智能诊断方法，包括如下步骤：S1.采集滚动轴承在已知故障模式下的微弱故障信号；S2.分别对微弱故障信号进行高通滤波处理，得到不同故障模式下的高通滤波信号；S3.分别提取高通滤波信号的峰值点，进行峰值包络处理，得到不同故障模式下的峰值检波信号；S4.分别对峰值检波信号进行快速傅里叶变换，得到峰值能量谱信号；S5.将所有峰值能量谱信号依次输入到一维卷积神经网络中，对构建的卷积神经网络进行模型训练，得到智能诊断模型；S6.采集未知故障模式下的微弱故障信号，并依次进行步骤S2至S4的处理，最后进行诊断。本发明能够分辨滚动轴承在微弱故障阶段的故障模式。

Description

一种基于深度学习的滚动轴承微弱故障智能诊断方法
技术领域
本发明涉及旋转机械故障诊断技术领域，具体涉及一种基于深度学习的滚动轴承微弱故障智能诊断方法。
技术背景
滚动轴承是旋转机械的核心部件，也是故障易发部件，一旦发生故障，轻则影响机组性能造成设备带病工作，重则发生事故和引起人员伤亡，造成不良的社会影响。另据不完全统计，旋转机械的失效案例中有45％～55％是由于滚动轴承的失效而导致的，究其原因，主要是由于在故障微弱阶段未能有效诊断识别并采取预防措施，致使微弱故障加速演化发展，待检测到故障信号或发现故障时往往已处于故障后期阶段，故障部件及设备劣化严重，或者已造成生产中断。因此，在滚动轴承故障微弱时进行有效诊断对保障机械长周期健康运行、降低其维修维护成本具有重要的现实意义
但由于微弱故障存在故障动力学响应弱、信噪比低、故障特征易被淹没的问题，传统的诊断方法难以有效提取其故障特征，且诊断过程和结果严重依赖于故障机理分析和诊断人员的专业知识与经验，因此如何对旋转机械的滚动轴承微弱故障进行有效诊断一直是机械设备维护管理领域面临的难点问题。
发明内容
为了解决上述存在的技术问题，在旋转机械的滚动轴承微弱故障阶段对故障模式进行识别，本发明公开了一种基于深度学习的滚动轴承微弱故障智能诊断方法，其具体技术方案如下：
一种基于深度学习的滚动轴承微弱故障智能诊断方法，包括如下步骤：
S1.采集滚动轴承在已知的不同故障模式下的微弱故障信号；
S2.分别对步骤S1中所采集的不同故障模式下的微弱故障信号进行高通滤波处理，剔除低频信号，分别得到不同故障模式下的高通滤波信号；
S3.分别提取步骤S2中得到的不同故障模式下的高通滤波信号的峰值点，采用三次样条插值法分别对峰值点进行峰值包络处理，分别得到不同故障模式下的峰值检波信号；
S4.分别对步骤S3中得到的不同故障模式下的峰值检波信号进行快速傅里叶变换，分别得到不同故障模式下的峰值能量谱信号；
S5.将步骤S4中得到的所有故障模式下的峰值能量谱信号依次输入到一维卷积神经网络中，对构建的卷积神经网络进行模型训练，得到智能诊断模型；
S6.采集滚动轴承在未知故障模式下的微弱故障信号，并将滚动轴承在未知故障模式下所采集的微弱故障信号依次进行步骤S2至S4的处理，再将处理后得到的峰值能量谱信号输入到步骤S5中的智能诊断模型，对未知故障模式进行诊断。
进一步的，所述步骤S1中采集滚动轴承在已知故障模式下的微弱故障信号时，需要保证所采集的数据包含滚动轴承15转以上的数据，采集频率为10kHz以上。
进一步的，所述步骤S2中高通滤波处理的过程包括对微弱故障信号进行变分模态分解，得到多个子模态信号的带宽和中心频率；以及剔除中心频率在2kHz以下的子模态信号。
进一步的，所述变分模态分解的过程包括
a.将微弱故障信号分解为若干个子模态信号；
b.通过迭代搜寻计算步骤a中每个子模态信号的带宽和中心频率。
进一步的，所述快速傅里叶变换计算公式为
Figure BDA0002704050340000021
式中，k＝0,1,...,N-1；
Figure BDA0002704050340000022
x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数，j表示虚数单位。
进一步的，所述步骤S5中一维卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层；所述步骤S5中模型训练的过程包括，将步骤S4中峰值能量谱信号作为输入层，通过卷积层对输入的信息进行卷积运算，再利用池化层对卷积运算后的信息进行降维，重复卷积运算和降维过程直到输出合适的结果，将最后一层池化层的输出按照顺序依次连接形成一个一维向量，通过所述一维向量的不同表达方式表示不同的故障模式。
进一步的，所述已知故障模式包括滚动轴承内圈磨损、滚动轴承外圈磨损、滚动轴承保持架磨损。
有益效果：1.本发明在提取微弱故障信号后采用变分模态分解并剔除低频信号，能够有效消除低频高能量非故障信号得同时保留高频故障信息，从而有效实现了微弱故障特征增强。解决了旋转机械关键部件滚动轴承微弱故障因动力学响应弱、信噪比低、故障特征易被淹没导致的故障特征提取难得问题，从而能够及时分辨滚动轴承在微弱故障阶段的故障模式。
2.本发明采用卷积神经网络的特征提取和故障智能诊断，克服了需要专业的人员对微弱故障特征进行提取和分析的问题。
3.具有微弱故障的滚动轴承在运行过程中，会因为其所具有的缺陷与其它接触件接触而引起微弱冲击影响，这种冲击影响的脉冲信号周期很短，因此其频率非常高，这种高频信号作为载波信号将轴承故障信号调制到高频信号中，而本发明进行峰值包络处理能够获取由于滚动轴承微弱故障引起的微弱冲击信号，从而提取微弱故障冲击作用下引起的轴承高频共振信号，从而能够准确的分辩滚动轴承在微弱故障阶段的故障模式。
附图说明
图1为本发明的方法的工作流程图；
图2为本发明中所指的卷积神经网络结构示意图；
图3为本发明具体实施例中实验所用滚动轴承外圈故障退化历程
图4为本发明具体实施例中不同故障模式下的原始振动波形图；
图5a-e为本发明具体实施例中正常状态下峰值能量谱分析及提取过程；
图6a-e本发明具体实施例中滚动轴承内圈故障状态下峰值能量谱分析及提取过程；
图7a-e本发明具体实施例中滚动轴承外圈故障状态下峰值能量谱分析及提取过程；
图8a-e本发明具体实施例中滚动轴承保持架故障状态下峰值能量谱分析及提取过程。
具体实施方式
下面将结合具体实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于深度学习的滚动轴承微弱故障智能诊断方法，包括如下步骤：
S1.采集滚动轴承在已知的不同故障模式下的微弱故障信号；
S2.分别对步骤S1中所采集的不同故障模式下的微弱故障信号进行高通滤波处理，剔除低频信号，分别得到不同故障模式下的高通滤波信号；
S3.分别提取步骤S2中得到的不同故障模式下的高通滤波信号的峰值点，采用三次样条插值法分别对峰值点进行峰值包络处理，分别得到不同故障模式下的峰值检波信号；
S4.分别对步骤S3中得到的不同故障模式下的峰值检波信号进行快速傅里叶变换，分别得到不同故障模式下的峰值能量谱信号；
S5.将步骤S4中得到的所有故障模式下的峰值能量谱信号依次输入到一维卷积神经网络中，对构建的卷积神经网络进行模型训练，得到智能诊断模型；
S6.采集滚动轴承在未知故障模式下的微弱故障信号，并将滚动轴承在未知故障模式下所采集的微弱故障信号依次进行步骤S2至S4的处理，再将处理后得到的峰值能量谱信号输入到步骤S5中的智能诊断模型，对未知故障模式进行诊断。
滚动轴承在运行到一定阶段将产生退化，退化过程先缓后急，在本实施例中将滚动轴承开始退化至退化加速阶段作为微弱故障阶段，相应的提取微弱故障信号，以滚动轴承的外圈故障为例，图3中圈出的部分即为微弱故障阶段。
在步骤S3对峰值点进行峰值包络处理中，峰值点是指高通滤波信号的极值点，具有微弱故障的滚动轴承在运行过程中，会因为其所具有的缺陷与其它接触件接触而引起微弱冲击影响，这种冲击影响的脉冲信号周期很短，因此其频率非常高，这种高频信号作为载波信号将轴承故障信号调制到高频信号中，而本发明进行峰值包络处理能够获取由于滚动轴承微弱故障引起的微弱冲击信号，从而提取微弱故障冲击作用下引起的轴承高频共振信号，从而能够准确的分辩滚动轴承在微弱故障阶段的故障模式。
在提取微弱故障信号后采用变分模态分解并剔除低频信号，能够有效消除低频高能量非故障信号得同时保留高频故障信息，从而有效实现了微弱故障特征增强。解决了旋转机械滚动轴承微弱故障因动力学响应弱、信噪比低、故障特征易被淹没导致的故障特征提取难得问题，从而能够及时分辨旋转机械滚动轴承在微弱故障阶段的故障模式。
为了对本发明所提供的一种基于深度学习的滚动轴承微弱故障智能诊断方法进行进一步的说明，选择西安交通大学机械工程学院XJTU-SY旋转机械滚动轴承试验数据进行分析，该实验平台由交流电动机、电机转速控制器、转轴、支撑滚动轴承、液压加载系统和测试滚动轴承等组成。
西安交通大学机械工程学院XJTU-SY旋转机械系统滚动轴承试验数据中包括滚动轴承在正常状态、保持架断裂、内圈磨损和外圈磨损四种故障状态下的全寿命周期的振动数据，采样频率为25.6kHz，单个波形的采样时长为1.28s，测试滚动轴承型号为LDKUER204，滚动轴承具体参数如表1所示。
表1 LDK UER204滚动轴承参数
参数名称 数值 参数名称 数值
内圈滚道直径/mm 29.30 滚珠直径/mm 7.92
外圈滚道直径/mm 39.80 滚珠个数 8
滚动轴承中径/mm 34.55 接触角/(°) 0
额定动载荷/N 12820 额定静载荷/kN 6.65
具体来说，包括如下步骤：
第一步，提取西安交通大学机械工程学院XJTU_SY滚动轴承加速寿命试验数据集中，滚动轴承在正常状态、内圈磨损、外圈磨损、保持架断裂等故障模式下的微弱故障信号，所得到的原始振动波形如图4所示，在本实施例中，需要保证所采集的数据包含滚动轴承15转以上的数据，采集频率为10kHz以上，采集频率即为采样频率，即每秒从连续信号中提取并组成离散信号的采样个数。
第二步，接着分别对正常状态、内圈磨损、外圈磨损、保持架断裂等不同故障类型数据进行分析，首先分别对上述不同故障类型所采集的微弱故障信号进行变分模态(VMD)分解，
变分模态分解的过程包括：a.将微弱故障信号分解为K个子模态信号；b.通过迭代搜寻计算步骤a中每个子模态信号的带宽和中心频率。
本在实施例中变分模态分解过程中，每一种故障类型的微弱故障信号分解的子模态数量为12个，以内圈磨损故障类型为例，如图6a～6d所示，将内圈磨损故障类型的微弱故障信号分解为12个子模态信号{u1,…,u12}，分别标记为imf1～imf12，然后通过迭代搜寻来计算每个模态信号的带宽和中心频率{ω1,…,ω12}，在这一步中需要尽可能使得模态带宽之和最小。为计算每个模态的带宽，首先由希尔伯特变换获得单边频谱，然后通过混合中心频率将模态频谱调制到基频带，最后对解调信号进行高斯平滑处理，即可得到分解后的模态信号。
在分解过程中为计算每个模态的带宽，产生了约束变分问题，具体描述如下式所示：
Figure BDA0002704050340000051
式中{uk}＝{u1,…,uK}和{ωk}＝{ω1,…,ωK}分别为分解的K个模态信号及其对应中心频率的集合，*表示卷积运算，
Figure BDA0002704050340000052
表示梯度运算。
为便于公式1的求解，引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束变分问题转化为非约束变分问题，形成增广拉个朗日函数，其表达式如下式所示。
Figure BDA0002704050340000053
再使用交替方向乘数法迭代更新uk，ωk及λ，通过寻求扩展拉格朗日函数的鞍点，既可求得各分量的表达式和其对应的中心频率，分别下式所示。
Figure BDA0002704050340000061
Figure BDA0002704050340000062
相对于传统的小波分解，VMD分解中不再需要选择分解子信号及阈值的类型，能够根据原始信号的特点进行自适应分解在若干频段，对于旋转机械设备振动信号来讲具有更优的分解效果。
对微弱故障信号变分模态分解后剔除低频信号，在本实施例中剔除中心频率在2KHz以下的子模态信号，即剔除内圈磨损故障模式下的imf1和imf2，得到高通滤波信号。
第三步，提取不同故障模式下的高通滤波信号的峰值点，采用三次样条插值法分别对峰值点进行峰值包络处理，分别得到不同故障模式下的峰值检波信号，峰值点即为高通滤波信号的极值点，通过进行峰值包络处理，能够获取由于滚动轴承微弱故障引起的弱冲击信号，从而得到微弱故障冲击作用下引起的轴承高频共振信号；以内圈磨损为例，得到内圈磨损故障类型下高通滤波信号的峰值点(x0,y0),(x1,y1),(x2,y2),…,(xn,yn)，设定计算步长hi＝xi+1-xi(i＝0,1,2,…,n-1)，根据节点数据和端点条件求解计算得到三次样条曲线系数ai，bi，ci，最后即可得到每个子区间的三次样条函数表达式，即得到峰值检波信号，端点条件的表达式如下式所示。
Figure BDA0002704050340000063
其中，mi表示第i个节点数据间三次样条曲线的二次微分值mi＝Si”(xi)，则可以得到三次样条曲线系数ai，bi，ci分别为：
ai＝yi
Figure BDA0002704050340000064
Figure BDA0002704050340000065
Figure BDA0002704050340000071
则可以得到每个子区间内的三次样条函数表达式为：
gi(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3
第四步，分别对所得到的各故障类型下的峰值检波信号进行快速傅里叶变换，分别得到不同故障模式下的峰值能量谱信号；
第五步，将所得到的各故障模式下的峰值能量谱信号依次输入到一维卷积神经网络中，对构件的卷积神经网络进行模型训练，得到智能诊断模型。
所述一维卷积神经网络包括输入层、交替连接的卷积层和池化层，全连接层和输出层组成，其结构如图2所示。以各故障模式下的峰值能量谱信号作为输入层，通过卷积层对所输入的信息进行卷积运算得到信息层，其中卷积运算公式如下所示：
Figure BDA0002704050340000072
式中，Ki l(j’)表示第l层的第i个卷积核的第j’个权值，
Figure BDA0002704050340000074
表示第l层中第j个被卷积的局部区域，W表示卷积核的宽度；
然后通过池化层对卷积完的信息进行降维，本实施例中池化过程采用最大值池化法，取感知域内的最大值为输出值，数学描述如下式所示：
Figure BDA0002704050340000073
式中，al(i,t)表示第l层第i帧第t个神经元的激活值；W表示池化区域的宽度，j表示池化区编号；pl(i,j)表示第l层池化中神经元对应的权值；
重复卷积和池化过程直到输出合适的结果，以最后一层池化层的输出按照顺序依次连接，形成一个一维向量；
最后得到智能诊断模型，通过所述一维向量的不同表达方式表示不同的故障模式。
其中，在重复卷积和池化过程时，可以通过已知故障模式微弱信号对所得到的模型进行验证，当模型的准确率达到97％以上时，结束卷积和池化过程，输出最终的故障诊断模型
在本实施例中，图5-图8分别表示滚动轴承在正常状态、内圈故障、外圈故障以及保持架故障等故障模式下，峰值能量谱分析及提取过程，图5a-图8a表示基于VMD的时域分解结果，f指的是原始振动信号波形，imf1～imf12表示采用VMD分解后的固有模态分量；图5b-图8b表示基于VMD的分解后固有模态的频域图，其中f表示原始振动信号频域波形，imf1～imf12表示采用VMD分解后的固有模态频域分量；图5c-图8c表示高通滤波信号；图5d-8d表示峰值包络后的峰值检波信号；图5e-图8e表示最终得到的峰值能量谱信号。
未知故障模式下的微弱故障信号处理过程与上述求峰值能量谱的过程相同，在本实施例中，将上述处理过程同样应用于其它数据样本中，即可得到大量不同故障状态下对应的峰值能量谱。再将这些峰值能量谱作为卷积神经网络的输入进行网络模型的训练与测试。
在本实施例中，分别选取不同故障状态下测试样本150个，其中100个用于模型训练，50个用于模型测试。基于峰值能量谱的特点进行了卷积神经网络结构设计，形成了输入-卷积1-池化1-卷积2-池化2-卷积3-池化3-卷积4-池化4-全连接层-Softmax-输出层的网络结构，网络具体参数如表2所示。
表2 CNN模型参数
No. 网络层 卷积核 特征数量 输出
1 输入 1*1 1000 /
2 卷积1 20*1 246 246*32
3 池化1 2*1 16 123*32
4 卷积2 3*1 32 61*32
5 池化2 2*1 30 30*32
6 卷积3 2*1 64 14*64
7 池化3 2*1 64 8*64
8 卷积4 2*1 32 4*32
9 池化4 2*1 32 3*32
10 全连接层 96 1 96*1
11 Softmax 16 1 16
基于上述所设计的网络结构表1中所示的4种故障模式下旋转机械滚动轴承测试信号进行分析诊断，诊断结果如表3所示。
表3诊断结果
Figure BDA0002704050340000081
Figure BDA0002704050340000091
运用传统的基于支持向量机和BP神经网络的方法进行结果对比分析，验证论文所提方法的诊断效果。引入故障诊断率(Detection Rate，简称DR)和误报警率(False AlarmRate，简称FAR)这两个评价指标，对应的方程分别如下式所示。最后计算得到各方法诊断结果如表4所示。
Figure BDA0002704050340000092
Figure BDA0002704050340000093
式中，TN表示故障状态被诊断为故障状态，FP表示故障状态被诊断为正常状态，FN表示正常状态被诊断为故障状态，TP表示正常状态被诊断为正常状态。
表4不同方法诊断效果对比
分类器 SVM BP 所提方法
DR(％) 88.5 82.5 98.0
FAR(％) 11.5 21.5 0
由上述分析结果可以看出，采用本实施例提出的方法能够有效解决滚动轴承微弱故障智能诊断的问题，诊断准确率达到98.0％，远高于传统的直接基于SVM和BP神经网络的诊断结果(分别为88.5％和82.5％)，且误诊断率为0％，而传统的SVM和BP诊断法误诊率则为11.5％和21.5％，验证了所提出方法的有效性，表明其具有良好的诊断效果。另外，在所提方法中基于VMD分解可以较好地消除低频高能量信号对故障信号的干扰，增强了滚动轴承微弱故障特征强度；通过将峰值能量谱直接输入到卷积神经网络，能够实现旋转机械滚动轴承微弱故障特征的有效提取和智能诊断模型的有效构建。
综上所述，本文所提方法能够较好的实现旋转机械滚动轴承微弱故障的智能诊断，对设备管理及维修保养具有重要现实意义。

Claims (7)

1.一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于，包括如下步骤：
S1.采集滚动轴承在已知的不同故障模式下的微弱故障信号；
S2.分别对步骤S1中所采集的不同故障模式下的微弱故障信号进行高通滤波处理，剔除低频信号，分别得到不同故障模式下的高通滤波信号；
S3.分别提取步骤S2中得到的不同故障模式下的高通滤波信号的峰值点，采用三次样条插值法分别对峰值点进行峰值包络处理，分别得到不同故障模式下的峰值检波信号；
S4.分别对步骤S3中得到的不同故障模式下的峰值检波信号进行快速傅里叶变换，分别得到不同故障模式下的峰值能量谱信号；
S5.将步骤S4中得到的所有故障模式下的峰值能量谱信号依次输入到一维卷积神经网络中，对构建的卷积神经网络进行模型训练，得到智能诊断模型；
S6.采集滚动轴承在未知故障模式下的微弱故障信号，并将滚动轴承在未知故障模式下所采集的微弱故障信号依次进行步骤S2至S4的处理，再将处理后得到的峰值能量谱信号输入到步骤S5中的智能诊断模型，对未知故障模式进行诊断。
2.根据权利要求1所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述步骤S1中采集滚动轴承在已知故障模式下的微弱故障信号时，需要保证所采集的数据包含滚动轴承旋转15转以上的数据，采集频率为10kHz以上。
3.根据权利要求1所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述步骤S2中高通滤波处理的过程包括对微弱故障信号进行变分模态分解，得到多个子模态信号的带宽和中心频率；以及剔除中心频率在2kHz以下的子模态信号。
4.根据权利要求3所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述变分模态分解的过程包括
a.将微弱故障信号分解为若干个子模态信号；
b.通过迭代搜寻计算步骤a中每个子模态信号的带宽和中心频率。
5.根据权利要求1所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述快速傅里叶变换计算公式为
Figure FDA0002704050330000011
式中，k＝0,1,...,N-1；
Figure FDA0002704050330000012
x(n)表示时域波形，X(k)表示频域波形，N表示时域波形的点数，j表示虚数单位。
6.根据权利要求1所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述步骤S5中一维卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层；所述步骤S5中模型训练的过程包括，将步骤S4中峰值能量谱信号作为输入层，通过卷积层对输入的信息进行卷积运算，再利用池化层对卷积运算后的信息进行降维，重复卷积运算和降维过程直到输出合适的结果，将最后一层池化层的输出按照顺序依次连接形成一个一维向量，通过所述一维向量的不同表达方式表示不同的故障模式。
7.根据权利要求1所述的一种基于深度学习的滚动轴承微弱故障智能诊断方法，其特征在于：所述已知故障模式包括滚动轴承内圈磨损、滚动轴承外圈磨损、滚动轴承保持架磨损。
CN202011032252.4A 2020-09-27 2020-09-27 一种基于深度学习的滚动轴承微弱故障智能诊断方法 Pending CN112132069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032252.4A CN112132069A (zh) 2020-09-27 2020-09-27 一种基于深度学习的滚动轴承微弱故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032252.4A CN112132069A (zh) 2020-09-27 2020-09-27 一种基于深度学习的滚动轴承微弱故障智能诊断方法

Publications (1)

Publication Number Publication Date
CN112132069A true CN112132069A (zh) 2020-12-25

Family

ID=73840876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032252.4A Pending CN112132069A (zh) 2020-09-27 2020-09-27 一种基于深度学习的滚动轴承微弱故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN112132069A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436645A (zh) * 2021-06-09 2021-09-24 杭州电子科技大学 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN114462452A (zh) * 2022-01-27 2022-05-10 浙江浙能兰溪发电有限责任公司 用逐次变模态分解算法的异步电机转子断条故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN106596116A (zh) * 2016-11-29 2017-04-26 西安理工大学 一种风力发电机组振动故障诊断方法
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
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人（山东）智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质
CN110487547B (zh) * 2019-07-31 2020-07-31 中国特种设备检测研究院 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105784366A (zh) * 2016-03-30 2016-07-20 华北电力大学（保定） 一种变转速下的风电机组轴承故障诊断方法
CN106289774A (zh) * 2016-07-26 2017-01-04 北京工业大学 一种滚动轴承故障识别与趋势预测方法
CN106596116A (zh) * 2016-11-29 2017-04-26 西安理工大学 一种风力发电机组振动故障诊断方法
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
CN110487547B (zh) * 2019-07-31 2020-07-31 中国特种设备检测研究院 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
CN110487549A (zh) * 2019-09-10 2019-11-22 哈工大机器人（山东）智能装备研究院 轴承故障识别方法、装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436645A (zh) * 2021-06-09 2021-09-24 杭州电子科技大学 复杂噪声环境下的机电系统故障在线监测声学处理方法
CN114462452A (zh) * 2022-01-27 2022-05-10 浙江浙能兰溪发电有限责任公司 用逐次变模态分解算法的异步电机转子断条故障诊断方法
CN114462452B (zh) * 2022-01-27 2024-05-10 浙江浙能兰溪发电有限责任公司 用逐次变模态分解算法的异步电机转子断条故障诊断方法

Similar Documents

Publication Publication Date Title
Hemmati et al. Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation
Al-Bugharbee et al. A fault diagnosis methodology for rolling element bearings based on advanced signal pretreatment and autoregressive modelling
Sinitsin et al. Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
Boumahdi et al. On the extraction of rules in the identification of bearing defects in rotating machinery using decision tree
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
CN111521400B (zh) 一种基于edm及谱峭度的轴承早期故障诊断方法
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
CN115688018B (zh) 一种多工况下轴承的状态监测与故障诊断方法
Li et al. Health condition monitoring and early fault diagnosis of bearings using SDF and intrinsic characteristic-scale decomposition
CN111797567A (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
Gowid et al. A novel robust automated FFT-based segmentation and features selection algorithm for acoustic emission condition based monitoring systems
CN113375939B (zh) 基于svd和vmd的机械件故障诊断方法
CN108303255A (zh) 低速重载设备滚动轴承故障诊断方法、设备及介质
CN112132069A (zh) 一种基于深度学习的滚动轴承微弱故障智能诊断方法
Marichal et al. Extraction of rules for faulty bearing classification by a Neuro-Fuzzy approach
CN108195584B (zh) 一种基于准确度谱图的滚动轴承故障诊断方法
Omoregbee et al. Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model
Meng et al. Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
WO2023137807A1 (zh) 滚动轴承类不平衡故障诊断方法及系统
CN112945556B (zh) 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法
Mubaraali et al. Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications
CN111811819A (zh) 一种基于机器学习的轴承故障诊断方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225