CN112232244A - 一种滚动轴承故障诊断方法 - Google Patents

一种滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN112232244A
CN112232244A CN202011136921.2A CN202011136921A CN112232244A CN 112232244 A CN112232244 A CN 112232244A CN 202011136921 A CN202011136921 A CN 202011136921A CN 112232244 A CN112232244 A CN 112232244A
Authority
CN
China
Prior art keywords
fault
bearing
rolling bearing
vibration signal
sum
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
CN202011136921.2A
Other languages
English (en)
Inventor
王海瑞
王椿晶
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202011136921.2A priority Critical patent/CN112232244A/zh
Publication of CN112232244A publication Critical patent/CN112232244A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种滚动轴承故障诊断方法，属于机械设备故障诊断的技术领域。首先利用变分模态分解对滚动轴承的振动信号进行分解，分解成一系列模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化，建立CS‑ELM模型。最后将样本熵特征值输入模型中，对轴承不同工况故障类型进行分类识别。本发明能有效克服信号模态混叠，提高故障识别的准确率。

Description

一种滚动轴承故障诊断方法
技术领域
本发明涉及一种滚动轴承故障诊断方法，属于机械故障诊断的范畴。
背景技术
滚动轴承是重型旋转机械应用最广泛的部件，运行状态出现问题会造成整个机械设备的停运甚至人员伤亡，进而造成严重的经济损失。因此，对滚动轴承的健康状态进行实时监测和故障诊断具有极其重要的意义。
滚动轴承振动信号通常表征为非平稳和非线性等特性，制约了故障特征的有效提取。传统的特征提取方法存在模态混叠现象，边界效应，过分解等情况。极限学习机是一种单层前馈型神经网络，它无需反复调整隐含层参数，但是输入层与隐含层间的连接权值及隐含层的偏置值的随机选择将会影响其稳定性和分类的正确率。
发明内容
本发明要解决的技术问题是提供一种滚动轴承故障诊断方法，以较短的时间获取尽可能高的故障诊断精确率。
本发明采用的技术方案是：首先利用VMD对滚动轴承的振动信号进行分解，分解成一系列本征模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化，建立CS-ELM模型。最后将样本熵特征值输入模型中，对轴承不同工况故障类型进行分类识别。
具体如下：
一种滚动轴承故障诊断方法，具体步骤为：
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号；
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk，同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t)；
3)对步骤2)所得轴承振动信号的k个本征模态，计算各本征模态样本熵，并构建高维特征向量，将该向量作为的故障特征向量输入模型中；
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值，获得CS-ELM模型；
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
具体地，所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解，具体包括如下步骤：
假设将轴承故障振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：
Figure BDA0002737023960000021
其中δ(t)为冲激函数，t为时间，ωk表示第k个模态分量的中心频率；{uk}表示分解得到的本征模态分量；{ωk}表示本征模态分量对应的中心频率；
Figure BDA0002737023960000022
表示借助Hilbert变换得到IMF分量uk(t)的单边频谱。
为求取上述约束变分问题的最优解，引入格朗日乘法算子λ和二次惩罚因子α得到增广函数，即
Figure BDA0002737023960000023
Figure BDA0002737023960000024
表示借助Hilbert变换得到本征模态分量uk(t)的单边频谱；
利用用乘法算子交替方向迭代更新
Figure BDA0002737023960000025
寻求变分问题的最优解,从而将轴承故障振动信号f(t)分解为k个本征模态。
具体地，所述步骤3)计算各模态分量复杂度特征的样本熵具体包括如下步骤：将时间序列{x(n)}＝x(1)，x(2)，x(3)……x(N)表示为m维向量Xm(1)，Xm(2)，Xm(3)…Xm(N-m+1)，求解向量Xm(i)与Xm(j)两者对应元素距离最大差值d[Xm(i),Xm(j)]的绝对值：
dm(X(i),X(j))＝max0≤k≤m-1|x(i+k)-x(j+k)|
将d[Xm(i)，Xm(j)]＜r的数量记为Bi，r为相似容限阀，与向量总数N-m的比值记为Bm(r)，维数增加到m+1，得到Bm+1(r)，因此样本熵定义为：
Figure BDA0002737023960000026
具体地，所述步骤4)布谷鸟搜索算法的具体参数设置：设置鸟巢规模N＝30，最大迭代次数M＝200。
本发明的有益效果是：
(1)VMD能将不同状态的故障信号进行自适应分解，有效表达故障信息。
(2)通过计算样本熵值来获取特征向量，定量描述故障信号，有利于故障识别。
(3)CS算法对ELM参数进行优化，提高了故障诊断的准确率。
附图说明
图1为本发明诊断模型示意图；
图2为本发明布谷鸟搜索算法优化ELM流程图；
图3为本发明不同故障的振动信号图；
图4为本发明为滚动轴承故障信号变分模态分解结果图；
图5本发明的ELM预测与实际分类比较图；
图6本发明的CS-ELM预测与实际分类比较图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1所示，一种滚动轴承故障诊断方法，首先利用VMD对滚动轴承的振动信号进行分解，分解成一系列模态分量,计算各模态分量的样本熵并作为特征向量输入。然后采用布谷鸟搜索算法对极限学习机权值和阈值进行优化，建立CS-ELM模型。最后将样本熵特征值输入模型中，对轴承不同工况故障类型进行分类识别。
具体步骤为：
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号；
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk，同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t)；
3)对步骤2)所得轴承振动信号的k个本征模态，计算各本征模态样本熵，并构建高维特征向量，将该向量作为的故障特征向量输入模型中；
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值，获得CS-ELM模型；
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
进一步地，所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解,具体包括如下步骤：
将滚动轴承故障振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：
Figure BDA0002737023960000041
式中，其中δ(t)为冲激函数，t为时间，ωk表示第k个模态分量的中心频率；{uk}表示分解得到的本征模态分量；{ωk}表示本征模态分量对应的中心频率；
Figure BDA0002737023960000042
表示借助Hilbert变换得到本征模态分量uk(t)的单边频谱。
求解式约束变分问题的最优解，需要引入拉格朗日乘法算子λ和二次惩罚因子α将上述约束问题变为非约束问题，其函数表达式为:
Figure BDA0002737023960000043
为求解变分问题的最优解，需要采用乘法算子交替方向算法迭代更新
Figure BDA0002737023960000044
增广拉格朗日函数的“鞍点”。寻找“鞍点”过程中相应的变量更新表达式如下：
Figure BDA0002737023960000045
Figure BDA0002737023960000046
Figure BDA0002737023960000047
式中
Figure BDA0002737023960000048
为对应时域函数
Figure BDA0002737023960000049
f(t)、λn+1的傅里叶等距变换。
Figure BDA00027370239600000410
表示当前本征模态分量功率谱的重心。
进一步地，所述步骤3)计算各模态分量样本熵具体包括：
所述步骤3)计算各模态分量复杂度特征的样本熵具体包括如下步骤：将时间序列{x(n)}＝x(1)，x(2)，x(3)……x(N)表示为m维向量Xm(1)，Xm(2)，Xm(3)…Xm(N-m+1)，求解向量Xm(i)与Xm(j)两者对应元素距离最大差值d[Xm(i),Xm(j)]的绝对值：dm(X(i),X(j))＝max0≤k≤m-1|x(i+k)-x(j+k)|
Xm(i)与Xm(j)之间距离小于等于r的数目记为Bi，计算式
Figure BDA0002737023960000051
Figure BDA0002737023960000052
r为相似容限阀值。
当维数增加到m+1时，得到
Figure BDA0002737023960000053
样本熵定义为：
Figure BDA0002737023960000054
当N为有限值时，样本熵估计值为：
Figure BDA0002737023960000055
进一步地，所述步骤4)通过布谷鸟搜索算法优化(CS)极限学习机的连接权值和阈值，
具体包括CS算法中有N个种群即鸟巢，每个鸟巢位置代表一个有理数，鸟巢位置取整后作为ELM的隐层节点数M；设置鸟巢规模N＝30，最大迭代次数M＝200。输入样本数据，将产生一组ELM网络的输入权值矩阵w、隐层阈值b和输入权值矩阵β，并计算样本数据预测误差作为当前鸟巢位置的适应度值。每次迭代搜索结束，储存最优鸟巢位置w、b、β。待满足迭代终止条件时，比较鸟巢所对应的适应度值，输出最优鸟巢位置，及其所对应的w、b、β。
实施例2：本实施例中采用如实施例1所示的方法进行轴承的故障诊断，具体实施步骤如下：
现将加速度传感器安装在滚动轴承的驱动端上。其中轴承损伤直径均为0.1778mm，设置转速为1797r/min，采样频率为12kHz，分别测量滚动轴承在内圈故障、外圈故障、滚动体故障和正常状态下的不同的振动信号。如图3所示波形图。
对每种轴承状态信号取200组数据,从每种状态样本数据中随机抽取的170组数据,即作为训练样本,将剩下的正常、内圈故障、外圈故障、滚动体故障四种状态轴承振动信号各组数据作为测试样本。
根据避免模态混叠和保留信号的全部特征信息原则确定分解个数,对组信号进行分解,得各轴承状态的模态分量。其中对滚动体故障信号分解个数为4,分解结果如图4所示。
将分解的到的模态分量计算样本熵值，部分特征向量如表1所示。
表1样本熵特征值提取
Figure BDA0002737023960000061
设置鸟巢规模N＝30，最大迭代次数M＝200，通过CS算法对ELM网络的权值和阈值进行参数优化，形成最佳参数组合，形成CS-ELM模型进行故障识别具体步骤如图2所示。
为了证明CS-ELM模型的优越性，设置对比实验为在两种模型的训练数据和测试数据都相同的情况下进行故障类型的识别，通过实验结果来证实CS-ELM诊断模型的精度更高。图5和图6为两种故障诊断模型的预测测试集分类结果图。如表2更为直观的表述了两种故障诊断模型的诊断正确率：
表2算法分类对比
Figure BDA0002737023960000062
图5、图6和表2可知，采用CS-ELM模型进行故障诊断时，其诊断正确率更高，能够更好好地对轴承的各类故障进行识别分类。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种滚动轴承故障诊断方法，其特征在于：具体步骤为：
1)采集滚动轴承在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号；
2)将不同工况下的轴承故障振动信号f(t)分解成k个本征模态uk，同时满足每个模态的估计带宽之和最小且各模态函数之和等于输入的轴承故障振动信号f(t)；
3)对步骤2)所得轴承振动信号的k个本征模态，计算各本征模态样本熵，并构建高维特征向量，将该向量作为的故障特征向量输入模型中；
4)通过布谷鸟搜索算法优化ELM确定最优的连接权值和阈值，获得CS-ELM模型；
5)将特征向量划分为训练集和测试集输入到CS-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。
2.根据权利1要求所述一种滚动轴承故障诊断方法，其特征在于：所述步骤2)采用变分模态分解方法对轴承四种状态下的振动信号数据进行分解，具体包括如下步骤：
假设将轴承故障振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个模态的估计带宽之和最小以及所有模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：
Figure FDA0002737023950000011
其中δ(t)为冲激函数，t为时间，ωk表示第k个模态分量的中心频率；
为求取上述约束变分问题的最优解，引入格朗日乘法算子λ和二次惩罚因子α得到增广函数，即
Figure FDA0002737023950000012
Figure FDA0002737023950000013
表示借助Hilbert变换得到本征模态分量uk(t)的单边频谱；
利用用乘法算子交替方向迭代更新
Figure FDA0002737023950000014
寻求变分问题的最优解,从而将轴承故障振动信号f(t)分解为k个本征模态。
3.根据权利1要求所述一种滚动轴承故障诊断方法，其特征在于：所述步骤3)计算各模态分量复杂度特征的样本熵具体包括如下步骤：将时间序列{x(n)}＝x(1)，x(2)，x(3)……x(N)表示为m维向量Xm(1)，Xm(2)，Xm(3)…Xm(N-m+1)，求解向量Xm(i)与Xm(j)两者对应元素距离最大差值d[Xm(i),Xm(j)]的绝对值：
dm(X(i),X(j))＝max0≤k≤m-1|x(i+k)-x(j+k)|
将d[Xm(i)，Xm(j)]＜r的数量记为Bi，r为相似容限阀，与向量总数N-m的比值记为Bm(r)，维数增加到m+1，得到Bm+1(r)，因此样本熵定义为：
Figure FDA0002737023950000021
4.根据权利1要求所述一种滚动轴承故障诊断方法，其特征在于：所述步骤4)布谷鸟搜索算法的具体参数设置：设置鸟巢规模N＝30，最大迭代次数M＝200。
CN202011136921.2A 2020-10-22 2020-10-22 一种滚动轴承故障诊断方法 Pending CN112232244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011136921.2A CN112232244A (zh) 2020-10-22 2020-10-22 一种滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011136921.2A CN112232244A (zh) 2020-10-22 2020-10-22 一种滚动轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN112232244A true CN112232244A (zh) 2021-01-15

Family

ID=74110258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011136921.2A Pending CN112232244A (zh) 2020-10-22 2020-10-22 一种滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN112232244A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统
CN113074940A (zh) * 2021-03-18 2021-07-06 昆明理工大学 一种基于os-elm的滚动轴承健康状态预估系统及方法
CN113435255A (zh) * 2021-06-01 2021-09-24 西北工业大学 一种基于特征融合的发动机故障诊断方法
CN113627539A (zh) * 2021-08-12 2021-11-09 北京信息科技大学 滚动轴承复合故障诊断方法、系统、存储介质及计算设备
CN113887322A (zh) * 2021-09-08 2022-01-04 安徽建筑大学 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统
CN114077847A (zh) * 2021-10-27 2022-02-22 河北建投能源投资股份有限公司 一种变工况滚动轴承故障诊断方法、系统、设备及介质
CN114137338A (zh) * 2021-11-19 2022-03-04 神华准格尔能源有限责任公司 一种设备运行状态监测方法、系统及存储介质
CN115096590A (zh) * 2022-05-23 2022-09-23 燕山大学 一种基于iwoa-elm的滚动轴承故障诊断方法
CN116383635A (zh) * 2023-06-05 2023-07-04 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798280A (zh) * 2021-02-05 2021-05-14 山东大学 一种滚动轴承故障诊断方法及系统
CN112798280B (zh) * 2021-02-05 2022-01-04 山东大学 一种滚动轴承故障诊断方法及系统
CN113074940A (zh) * 2021-03-18 2021-07-06 昆明理工大学 一种基于os-elm的滚动轴承健康状态预估系统及方法
CN113435255A (zh) * 2021-06-01 2021-09-24 西北工业大学 一种基于特征融合的发动机故障诊断方法
CN113627539A (zh) * 2021-08-12 2021-11-09 北京信息科技大学 滚动轴承复合故障诊断方法、系统、存储介质及计算设备
CN113887322A (zh) * 2021-09-08 2022-01-04 安徽建筑大学 基于光输出时频特征的led灯具电源驱动故障诊断方法及其系统
CN114077847A (zh) * 2021-10-27 2022-02-22 河北建投能源投资股份有限公司 一种变工况滚动轴承故障诊断方法、系统、设备及介质
CN114077847B (zh) * 2021-10-27 2022-08-19 河北建投能源投资股份有限公司 一种变工况滚动轴承故障诊断方法、系统、设备及介质
CN114137338A (zh) * 2021-11-19 2022-03-04 神华准格尔能源有限责任公司 一种设备运行状态监测方法、系统及存储介质
CN114137338B (zh) * 2021-11-19 2023-12-01 神华准格尔能源有限责任公司 一种设备运行状态监测方法、系统及存储介质
CN115096590A (zh) * 2022-05-23 2022-09-23 燕山大学 一种基于iwoa-elm的滚动轴承故障诊断方法
CN115096590B (zh) * 2022-05-23 2023-08-15 燕山大学 一种基于iwoa-elm的滚动轴承故障诊断方法
CN116383635A (zh) * 2023-06-05 2023-07-04 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法
CN116383635B (zh) * 2023-06-05 2024-04-09 人工智能与数字经济广东省实验室(广州) 基于改进极限学习机的结构损伤快速识别方法

Similar Documents

Publication Publication Date Title
CN112232244A (zh) 一种滚动轴承故障诊断方法
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
Li et al. Rolling bearing fault diagnosis based on horizontal visibility graph and graph neural networks
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN112580263A (zh) 基于时空特征融合的涡扇发动机剩余使用寿命预测方法
CN113111820B (zh) 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置
CN114970605A (zh) 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN115096590A (zh) 一种基于iwoa-elm的滚动轴承故障诊断方法
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
Zhang et al. Intelligent machine fault diagnosis using convolutional neural networks and transfer learning
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115860260A (zh) 一种考虑频域数据特征分解的居民空调负荷预测模型
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Hou et al. Multiple sensors fault diagnosis for rolling bearing based on variational mode decomposition and convolutional neural networks
Zhang et al. Convolutional neural network based two-layer transfer learning for bearing fault diagnosis
CN108825482B (zh) 一种飞机轴向柱塞泵的故障检测方法及检测系统
CN116881841A (zh) 一种基于F1-score多级决策分析的混合模型故障诊断方法
CN116522237A (zh) 一种基于并行卷积神经网络的滚动轴承故障诊断方法
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
Yao et al. Fault Diagnosis of Rolling Bearing based on VMD Feature Energy Reconstruction and ADE-ELM
CN115099268A (zh) 基于图卷积网络的轮式机器人智能故障诊断方法及系统
Guan et al. Fault diagnosis of rolling bearing with imbalanced small sample scenarios
CN110502784B (zh) 一种产品仿真优化方法

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