CN112798280A

CN112798280A - 一种滚动轴承故障诊断方法及系统

Info

Publication number: CN112798280A
Application number: CN202110162582.3A
Authority: CN
Inventors: 张法业; 王金喜; 姜明顺; 张雷; 隋青美; 贾磊
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-02-05
Filing date: 2021-02-05
Publication date: 2021-05-14
Anticipated expiration: 2041-02-05
Also published as: CN112798280B

Abstract

本公开提供了一种滚动轴承故障诊断方法及系统，包括：采集待检测的滚动轴承振动信号；将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的，故障诊断模型建立步骤包括对训练集中每种故障类型的时域振动信号进行自适应变分模态分解得到对应的模态分量，获取各个模态分量的故障特征，将故障特征作为分类器模型的输入；所述自适应变分模态分解的惩罚因子根据频谱互相关度确定；既有效避免了各模态分量之间的混叠，又能最大限度地保留振动信号的故障特征信息，能使模型具有较好的泛化性能。

Description

一种滚动轴承故障诊断方法及系统

技术领域

本公开涉及滚动轴承故障诊断领域，尤其是一种基于AVMD和AWPSO-ELM的滚动轴承诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。

随着工业化的进一步发展，越来越多的旋转机械被应用到工业场景中。滚动轴承，作为旋转机械的典型装置，是国家《工业强基工程实施指南(2016-2020年)》重点领域“一揽子”突破行动中明确列出的核心基础零部件，在转动装置中起着极其重要的作用。滚动轴承的运行状态影响机械设备的正常运行，如果轴承在异常状态下运行，可能会造成不可挽回的损失。因此，对轴承故障诊断的研究是当下的热点话题。

机器学习和深度学习的出现，极大地提高了故障诊断的准确率。支持向量机和神经网络等广泛地应用于故障诊断的领域中。支持向量机虽然准确率高，但是运算速度慢；神经网络中梯度下降学习速率慢，超参数设置对模型的效果有比较大的影响。这都限制了其在故障诊断中的应用。极限学习机作为一种单隐含层神经网络，具有学习速度快、泛化能力强等优点。但是其输入权重w和偏置b需要随机产生，导致其准确率不稳定。运用粒子群优化算法优化输入权重w和偏置b，可以进一步提升其性能。

在应用上述模型进行故障诊断时，对原始振动信号的处理往往是第一步，也是最重要的一步。时频分析是分析时变、非平稳信号的有力工具，如经验模态分解，在旋转机械的故障诊断领域取得了一些成功的运用。但经验模态分解的过包络、欠包络、模态混叠和端点效应等问题使得在应用该方法对信号进行处理时不能取得令人较为满意的效果。变分模态分解克服了经验模态分解的模态混叠、端点效应等问题，更适用于分解非线性高频信号。然而，变分模态分解的性能在很大程度依赖于两个参数：模态个数K和惩罚因子α。因此，需要一种自适应的变分模态分解方法来实现模态个数K和惩罚因子α的自适应选择。目前，大多数的自适应变分模态分解方法集中于依赖分解后的能量余量或者分解后相邻模态中心频率的差值等，实现模态个数K的自适应选择。但是对惩罚因子α的自适应选择方法相对较少。因此，需要一种自适应选择惩罚因子α的方法来填补空缺。

发明内容

为了解决上述问题，本公开提出了一种滚动轴承故障诊断方法及系统。

第一方面，本公开提供了一种滚动轴承故障诊断方法，包括：

采集待检测的滚动轴承振动信号；

将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；

所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的，故障诊断模型建立步骤包括对训练集中每种故障类型的时域振动信号进行自适应变分模态分解得到对应的模态分量，获取各个模态分量的故障特征，将故障特征作为分类器模型的输入；所述自适应变分模态分解的惩罚因子根据频谱互相关度确定。

第二方面，本公开提供了一种滚动轴承故障诊断系统，包括：

数据采集模块，被配置为：采集待检测的滚动轴承振动信号；

故障诊断模块，被配置为：将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；

第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如第一方面所述的滚动轴承故障诊断方法。

第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的滚动轴承故障诊断方法。

与现有技术对比，本公开具备以下有益效果：

1、本公开通过频谱互相关度的概念实现变分模态分解中惩罚因子α的自适应选择，既有效避免了各模态分量之间的混叠，又能最大限度地保留振动信号的故障特征信息；另一方面，本公开通过粒子群优化算法实现极限学习机中输入权重w和偏置b的最优选择，既克服了输入权重w和偏置b随机产生情况下准确率不确定的情况，又能使模型具有较好的泛化性能。

2、本公开基于AVMD和AWPSO-ELM的滚动轴承故障诊断方法，主要包括原始数据的准备、振动信号的自适应变分模态分解与故障特征提取、粒子群优化极限学习机模型的训练与测试三部分，解决了如何自适应的变分模态分解方法来实现模态个数K和惩罚因子α的自适应选择问题，提高了故障诊断的准确率。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是基于AVMD和AWPSO-ELM的滚动轴承故障诊断方法流程图；

图2是滚动轴承故障测试试验台；

图3是11种故障类型滚动轴承的振动信号时域波形图；

图4是某一正常状态下滚动轴承振动信号的时域波形和频域波形图；

图5是图4所示的振动信号的SPC值随惩罚因子α的变化曲线图；

图6是图4所示的振动信号经过自适应变分模态分解之后的时域波形和频域波形图；

图7是振动信号样本故障特征的主成分分析二维和三维可视化结果图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

本公开提供了一种滚动轴承故障诊断方法，包括：

采集待检测的滚动轴承振动信号，随机划分训练集与测试集；

将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；

进一步的，所述故障诊断模型的建立步骤还包括，

将训练集的故障特征输入到分类器模型中进行训练，获得训练完成的分类器模型；

将测试集输入到训练完成的分类器模型中输出故障诊断结果。

进一步的，所述分类器模型为自适应权重粒子群优化极限学习机模型，采用十折交叉验证和粒子群优化的方法获得极限学习机最优的输入权重w和偏置b。

进一步的，对每种故障类型的时域信号进行自适应变分模态分解，得到既定数量具有不同中心频率的模态分量。

进一步的，所述滚动轴承不同故障类型的时域振动信号是在不同故障类型滚动轴承的运行状态下，采用加速度传感器采集被检测轴承的振动信号。

进一步的，通过频谱互相关度确定适应变分模态分解的惩罚因子α步骤包括：

初始化计数,模态个数,惩罚因子,搜索范围，步距，设定长度的全零数组SPC距；

计算振动信号的傅里叶变换；

利用变分模态分解算法分解振动信号，得到不同中心频率的模态分量；

对不同中心频率的模态分量分别计算其傅里叶变换；

计算该惩罚因子α对应的SPC值SPC[i]；

获取惩罚因子α>8000的所有SPC的平均值，选取最接近平均值的SPC对应的惩罚因子α作为最优的惩罚因子。

进一步的，所述故障特征为振荡能量，所述震荡能量为：

其中，T为采样的时间间隔，x(T₀)为振动信号的初始状态，

震荡能量的具体如下,假设振动信号随时间的变化函数为x(t)，且函数x(t)在实数范围内满足：

经过采样得到时间序列X＝{x(T),x(2T),…,x(NT)}，则信号的振荡能量可以表示为：

其中，T为采样的时间间隔，x(T₀)为振动信号的初始状态。

实施例2

本公开提供了一种滚动轴承故障诊断系统，包括：

进一步的，所述数据采集模块、故障诊断模块所被配置的具体方式分别对应上述实施例中所述的滚动轴承故障诊断方法的具体步骤。

实施例3

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例中所述的滚动轴承故障诊断方法。

实施例4

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例中所述的滚动轴承故障诊断方法。

实施例5

本公开提出了一种基于AVMD和AWPSO-ELM的滚动轴承故障诊断方法，其中故障诊断模型的建立过程具体步骤包括：

步骤1：采集滚动轴承m种不同故障类型的时域振动信号；每种故障类型采集N组样本，每组样本具有n个采样数据点。

步骤2：对每种故障类型的时域信号进行自适应变分模态分解(Adapt i veParameter Opt imi zed Var i at i ona l Mode Decompos i t i on,AVMD)，得到既定数量具有不同中心频率的模态分量；

步骤3：计算每个样本各个模态分量的故障特征：振荡能量，作为自适应权重粒子群优化极限学习机(Extreme Learn i ng Mach i ne Opt imi zed by Adapt i ve We ight Part i c l e Swarm Opt imi zat i on,AWPSO-ELM)模型的输入；

步骤4：将训练集的故障特征输入到极限学习机模型中进行训练，采用十折交叉验证和粒子群优化的方法获得极限学习机最优的输入权重w和偏置b；

步骤5：将测试集输入到训练后的极限学习机模型中，输出故障诊断结果。

为了对每种故障类型的时域信号进行自适应变分模态分解，需要预先确定模态个数K和惩罚因子α。本发明中，预先设定模态个数K＝4，考虑惩罚因子α对变分模态分解效果的影响，实现惩罚因子α的自适应选择。惩罚因子α过小，会使信号频谱过宽以致模态之间存在相同的频域成分，产生混叠；惩罚因子过大，虽然可以避免模态混叠，但重构分量带宽过窄，难以获得完整的信号故障特征。因此，综合考虑模态混叠和信息特征完整度，惩罚因子α的取值应较为折中。本发明中，引入频谱互相关度(Spectra l Degree of Cross-corre lat i on,SPC)的概念，可由式(1)进行表述：

频谱互相关度的值越低表示各分量之间的相关性越低，越不易存在混叠，反之，越容易产生混叠。若SPC最接近总体均值，则认为此时分解后的各个模态混叠小、特征信息较为完整，选取对应的惩罚因子α作为最优分解参数，实现惩罚因子α的自适应选择。具体步骤可描述如下：

步骤2.1：初始化计数cnt＝0，模态个数K＝4，惩罚因子α＝100，搜索范围为[100,8000]，步距Δα＝100，长度为80的全零数组SPC；

步骤2.2：计算振动信号x(t)的傅里叶变换

步骤2.3：利用变分模态分解算法分解振动信号x(t)，得到K＝4个不同中心频率的模态分量：{u₁,u₂,u₃,u₄}；

步骤2.4：对K＝4个不同中心频率的模态分量：{u₁,u₂,u₃,u₄}分别计算其傅里叶变换，得

步骤2.5：计算该惩罚因子α对应的SPC值SPC[i]；

步骤2.6：当惩罚因子α≤8000时，α＝α+Δα，cnt＝cnt+1，返回步骤2.3直至惩罚因子α>8000；

步骤2.7：计算所有SPC的平均值，选取最近平均值的SPC对应的惩罚因子α作为最优的惩罚因子。

所述步骤3中，有关振荡能量的描述，如下：

假设振动信号随时间的变化函数为x(t)，且函数x(t)在实数范围内满足：

其中，T为采样的时间间隔，x(T₀)为振动信号的初始状态。

所述步骤4中，利用粒子群优化算法极限学习机获得最优输入权重w和偏置b的具体步骤，可以描述为：

步骤4.1：建立极限学习机模型，隐含层个数l和激活函数g(x)预先设定，输入权重w和偏置b随机产生；

步骤4.2：初始化粒子群优化算法的参数：种群规模N、惯性因子ω、粒子群的位置X和速度V、学习因子c₁和c₂、位置最小值X_min和最大值X_max、速度最小值V_min和最大值V_max、最大迭代次数MaxIter，选取训练集在极限学习机模型中十折交叉验证下的均方根误差(MeanSquare Error,MSE)作为粒子群优化算法的适应度函数；

均方根误差可以描述为：

其中，M为样本个数，y_m和

分别为样本的真实值和预测值。

步骤4.3：计算每个粒子的适应度函数，确定个体历史最优位置P_best和种群最优位置G_best；

步骤4.4：对于每个粒子，将其当前适应度函数值与其个体历史最优位置P_best的适应度函数值作比较，如果当前的适应度函数值更低，则将用当前位置更新个体历史最优位置P_best；

步骤4.5：对于每个粒子，将其当前适应度函数值与种群最优位置G_best的适应度函数值作比较，如果当前的适应度函数值更低，则将用当前粒子的位置更新种群最优位置G_best；

步骤4.6：分别根据式(5)和式(6)更新每个粒子的速度和位置；

其中，k为当前迭代次数，

和

是粒子当前的位置和速度，

和

是粒子下一次迭代的位置和速度，惯性因子ω根据下式更新：

步骤4.7：达到最大迭代次数MaxIter，停止迭代；否则返回步骤4.3；

步骤4.8：求得最优输入权重w和偏置b。

所得模型即为经粒子群优化算法优化后的极限学习机模型。

所述步骤5中，将测试集的故障特征输入到训练好的极限学习机模型中，输入权重w和偏置b由步骤4获得，输出故障滚动轴承的故障类型，实现滚动轴承的故障诊断。

本公开基于AVMD和AWPSO-ELM的滚动轴承故障诊断方法流程如图1所示。主要包括原始数据的准备、振动信号的自适应变分模态分解与故障特征提取、粒子群优化极限学习机模型的训练与测试三部分，具体地，可以描述为如下：

原始数据的准备,滚动轴承振动信号的原始数据来自于图2所示的滚动轴承测试实验平台。该试验平台由变频调速三相交流异步电动、转矩转速传感器(两个)、径向加载装置、故障测试轴承、磁粉制动器和控制设备(未显示)构成。使用电火花加工技术在轴承上设置单点故障。传感器的采样频率为12KHz。

选取驱动端和风扇端11种不同故障类型轴承振动信号为研究对象，每种故障类型包括50组样本，每个样本具有12,000个采样点。11种故障类型包括：正常状态(标签值：1)；驱动端滚动体故障(标签值：2)；驱动端内圈故障(标签值：3)；驱动端外圈3点钟方向故障(标签值：4)；驱动端外圈6点钟方向故障(标签值：5)；驱动端外圈12点钟方向故障(标签值：6)；风扇端滚动体故障(标签值：7)；风扇端内圈故障(标签值：8)；风扇端外圈3点钟方向故障(标签值：9)；风扇端外圈6点钟方向故障(标签值：10)；风扇端外圈12点钟方向故障(标签值：11)。

11种不同故障类型的振动信号的时域波形如图3所示。

振动信号的自适应变分模态分解与故障特征提取，为了描述本公开所提出的自适应变分模态分解方法自适应选择惩罚因子α的过程，选取了数据集中某一正常状态下滚动轴承的振动信号，其时域波形图为图4中(a)，频域波形图为图4中(b)。

在特定的惩罚因子α下，将振动信号进行变分模态分解，得到不同中心频率的模态分量，计算该惩罚因子α对应的SPC值，最终可以得到一条该振动信号的SPC值随惩罚因子α之值的变化曲线，如图5所示。最终确定该振动信号的最优惩罚因子α值为2700。利用最优惩罚因子α值对该振动信号进行变分模态分解，既可以有效避免各模态之间的混叠又能保证故障特征信息的完整度，分解后的时域波形(图6中(a))和频域波形(图6中(b))如图6所示。

模态1-4对应的振荡能量值为：5.7759e-04、1.6537e-03、1.2547e-04、1.2967e-06。

表1给出了11种故障类型滚动轴承的振动信号进行本公开所提及的自适应变分模态分解算法进行分解时的最优惩罚因子α值。

表111种故障类型对应自适应变分模态分解方法最优惩罚因子α值

Label	1	2	3	4	5	6	7	8	9	10	11
												惩罚因子α	2700	3800	3700	2300	3900	2300	2500	4300	3100	3800	3400

对所有样本进行自适应变分模态分解并提取振荡能量之后，为了验证特征提取的效果，进行主成分分析，二维可视化结果(图7中(a))和三维可视化结果(图7中(b))如图7所示。

粒子群优化极限学习机模型的训练与测试,搭建极限学习机模型，设定其隐含层个数l＝148，激活函数g(x)为Sigmoid。设定粒子群的种群规模N＝20、粒子群的位置X和速度V随机产生、学习因子c₁＝0.49445和c₂＝1.2、位置最小值X_min＝-2和最大值X_max＝2、速度最小值V_min＝-2和最大值V_max＝2、最大迭代次数MaxIter＝300。

表2是不同信号处理方法与不同分类器模型结合下训练时间、测试时间和分类准确率对比，通过比较可以看出AVMD与AWPSO-ELM结合的优势。

表2不同信号处理方法与分类器模型结合的故障诊断效果评估

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。

Claims

1.一种滚动轴承故障诊断方法，其特征在于，包括：

采集待检测的滚动轴承振动信号；

将滚动轴承振动信号输入故障诊断模型获得故障诊断结果；

2.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述分类器模型为自适应权重粒子群优化极限学习机模型，采用十折交叉验证和粒子群优化的方法获得极限学习机最优的输入权重w和偏置b。

3.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，通过频谱互相关度确定适应变分模态分解的惩罚因子α步骤包括：

计算振动信号的傅里叶变换；

对不同中心频率的模态分量分别计算其傅里叶变换；

计算该惩罚因子α对应的SPC值SPC[i]；

获取惩罚因子α∈[100,8000]的所有SPC的平均值，选取最接近平均值的SPC对应的惩罚因子α作为最优的惩罚因子。

4.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述故障特征为振荡能量，所述振荡能量为：

其中，T为采样的时间间隔，x(T₀)为振动信号的初始状态。

5.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述故障诊断模型的建立步骤包括：

将训练集的故障特征输入到分类器模型中进行训练，获得训练完成的故障诊断模型；

将测试集输入到训练完成的故障诊断模型中输出故障诊断结果。

6.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述滚动轴承不同故障类型的时域振动信号是在不同故障类型滚动轴承的运行状态下，采用加速度传感器采集被检测轴承的振动信号。

7.如权利要求1所述的滚动轴承故障诊断方法，其特征在于，对每种故障类型的时域信号进行自适应变分模态分解，得到既定数量具有不同中心频率的模态分量。

8.一种滚动轴承故障诊断系统，其特征在于，包括：

9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-7任一所述的滚动轴承故障诊断方法。

10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一所述的滚动轴承故障诊断方法。