CN113176092A - 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于数据融合和改进经验小波变换的电机轴承故障诊断方法，包括如下步骤：(a)采集电机轴承在无故障和不同故障工况下的振动信号、电流信号和外圈温度，并进行处理；(b)对处理后的振动信号和电流信号进行EWT分解，并结合相关系数、峭度值和能量选取分量进行重构，进而得到包络谱图；(c)分别构建振动信号、电流信号和外圈温度的卷积神经网络模型，并进行训练；(d)利用DS证据理论融合卷积神经网络的结果，进而得到最终诊断结果；(e)采集当前电机轴承的数据，得到状态图，并输入至训练好的神经网络模型中，进行故障诊断和预测。从而该方法有效地解决单传感器故障诊断不准确、无法进行多故障诊断和预测的问题。

Description

基于数据融合和改进经验小波变换的电机轴承故障诊断方法

技术领域

本发明属于故障诊断领域，更具体地，涉及基于数据融合和改进经验小波变换的电机轴承故障诊断方法。

背景技术

在工业制造过程中，电机作为大部分自动化设备的动力元件或调整设备，扮演着举足轻重的地位。电机由于过载、高温、油污等工作环境的因素，电机的工作伴随着潜在的风险。一旦电机发生故障，将产生巨大的损失，严重时甚至危及工作人员的人生安全。而在电机所有的故障中，轴承故障占比最大，因此对电机轴承进行故障诊断具有十分重要的意义。

传统的电机轴承故障诊断方法，主要是采集一些可观测量，然后进行处理分析。常见的观测量主要包括振动信号、电流信号、温度信号、电压信号等。然而，对这些观测量进行处理分析，需要工作人员具有丰富的实际经验及深厚的背景知识。由于电机轴承故障早期，故障信号微弱，并且单传感器所得出的结论具有固定的不确定性，仅仅以单传感器的诊断结果进行故障诊断，存在误报、漏报等问题，如。同时，传统振动信号特征提取方法效果差，尤其是在振动故障信号微弱时的提取效果并不理想。现阶段流行的基于深度学习的故障诊断方法，对输入样本具有很高的要求，并且在输入样本复杂时，需要花费较长的训练时间。

现有技术中，主要有以下技术与本发明申请相关：

如公开号为CN109238698A的一种基于电流信号的电机轴故障诊断方法，采用：在模型训练阶段，获取轴承不同故障工况下的电流历史信号，并对其进行谐波信号提取，进而获得残差信号；对残差信号进行时、频域分析，获取故障特征指标，合并故障特征指标并训练，得到轴承故障诊断模型，从而进行故障诊断。而该发明仅利用电流信号对电机轴承进行故障诊断，存在诊断结果不准确和难以诊断轻度故障的问题。

如公开号为CN109883702A的一种基于时频域统计特征的电机轴承故障诊断方法，采用：同时采集电机轴承T时段的转速脉冲信号和振动信号并分段，利用健康指标公式求取所有段振动信号的健康指标，并对比故障阈值表得到每一段的故障程度等级，以故障等级最多的为电机轴承故障等级；计算所有段振动信号的希尔伯特包络谱图，同时计算有效频率，选取有效频率出现次数最多的为故障频率，进而确定轴承的故障部位。而该发明直接对分段振动信号进行希尔伯特包络谱求解，存在噪声信号影响包络谱图的准确性和增加包络谱图复杂度的问题。

发明内容

本发明针对现有技术的缺陷及需求，提出基于数据融合和改进经验小波变换的电机轴承故障诊断方法，针对不同故障类型的数据，通过对振动信号和电流信号进行改进EWT分解，得到最佳分量并重构。进一步得到重构信号的包络谱图，再以包络谱图和外圈轴承温度的时域波形图作为卷积神经网络(Convolutional Neural Networks，CNN)的输入，再利用合适的CNN对该样本集进行训练，并利用DS证据理论融合CNN的输出结果，进而实现不同故障的准确识别。

为实现上述目的，本发明的实现的技术方案为：

基于数据融合和改进经验小波变换的电机轴承故障诊断方法，包括下列步骤：

(a)采集电机轴承在无故障和不同故障工况下的二通道振动加速度信号、三通道电流信号和轴承外圈温度，并进行预处理；

(b)对二通道振动信号进行加权融合，三通道电流信号进行加权融合。并对融合得到的新数据进行归一化处理；

(c)利用改进经验小波变换(EWT)对归一化后的数据进行分解，并选取故障特征明显的分量进行重构。对重构的信号进行Hilbert包络解调，得到包络谱图。以包络谱图和温度时域图作为轴承状态图，进而得到样本集，并根据数据对应的故障状态设置故障状态标签；

(d)构建电机轴承卷积神经网络模型，将样本集作为电机轴承卷积神经网络模型的输入，对应的故障状态标签作为电机轴承卷积神经网络模型的期望输出，对电机轴承卷积神经网络进行训练。利用DS证据理论进行融合卷积神经网络得到的诊断结果，并输出最终结果；

(e)采集当前电机轴承的振动信号、电流信号和轴承外圈温度，采用步骤(c)中的相同的方法得到状态图。并将此状态图输入至步骤(d)训练好的电机轴承卷积神经网络模型中，进而得到当前电机轴承的故障诊断结果。

进一步优选地，在步骤(a)中，采集各故障工况的数据时，工况分别为：无故障、内圈轻度故障、内圈中度故障、内圈严重故障、外圈轻度故障、外圈中度故障、外圈严重故障、滚动体轻度故障、滚动体中度故障、滚动体严重故障、内圈加滚动体轻度故障、内圈加滚动体中度故障、外圈加滚动体轻度故障、外圈加滚动体中度故障和内圈加外圈加滚动体轻度故障；在采集其在无故障和不同故障工况下的二通道振动加速度信号时，两个通道是轴承的X方向和Y方向；采集三通道电流信号时，采集的是电机的三相电流；预处理为对振动信号进行自相关去噪。

进一步优选地，在步骤(b)中，所采用的加权融合算法为自适应加权融合算法；归一化处理的公式如下：

其中

是数据的平均数，max(x)是数据的最大值，min(x)是数据的最小值。

进一步优选地，在步骤(c)中,改进EWT的改动如下：

再分解之前对数据进行了小波去噪处理；

对频谱图进行了多次包络。

进一步优选地，在步骤(c)中,选取故障特征明显的分量时，综合考虑相关系数、峭度值和能量值进行选取；

进一步优选地，在步骤(d)中,构建的电机轴承卷积神经网络模型的个数为三，分别训练振动信号包络谱图、电流信号包络谱图和轴承外圈温度时域图；

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明提出同时利用电机的二通道振动加速度信号、三通道电流信号和外圈轴承温度进行故障检测，更好地解决了单传感器诊断结果不准确及难以诊断轻度故障的问题；

2、本发明通过在得到包络谱图之前，利用改进EWT进行分解、重构信号，降低了噪声对包络谱图的影响，使得各故障之间包络谱图差异更大，同时简化了图形复杂度，有效地提高了卷积神经网络的训练效率和诊断准确率；

3、本发明通过对三个卷积神经网络模型分别进行训练，并利用DS证据理论进行融合卷积神经网络得到的诊断结果，进而得到最终结果，有效地解决了信号量纲不同无法组合的问题；

4、本发明通过以十五种故障工况分别采集故障数据，使得本方法可以进行多故障诊断和故障预测。

附图说明

图1是按照本发明的优选实施例所构建的故障诊断方法流程图；

图2是按照本发明的优选实施例所构建的信息处理流程图；

图3是按照本发明的优选实施例所构建的卷积神经网络模型结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种基于数据融合和改进经验小波变换的电机轴承故障诊断方法，该方法包括：

步骤1：采集电机轴承在无故障和不同故障工况下的X方向和Y方向的二通道振动加速度信号、三相电流信号和轴承外圈温度，并对原始振动信号进行自相关去噪处理。工况分别为：无故障、内圈轻度故障、内圈中度故障、内圈严重故障、外圈轻度故障、外圈中度故障、外圈严重故障、滚动体轻度故障、滚动体中度故障、滚动体严重故障、内圈加滚动体轻度故障、内圈加滚动体中度故障、外圈加滚动体轻度故障、外圈加滚动体中度故障和内圈加外圈加滚动体轻度故障。

步骤2：对二通道振动信号进行自适应加权融合，三通道电流信号进行自适应加权融合。并对融合得到的新数据进行归一化处理。

步骤3：利用改进经验小波变换(EWT)对归一化后的数据进行分解，并综合相关系数、峭度值和能量值选取故障特征明显的分量进行重构。对重构的信号进行Hilbert包络解调，得到包络谱图。以振动信号的包络谱图、电流信号的包络谱图和外圈轴承温度时域图作为轴承状态图，进而得到样本集，并根据数据对应的故障状态设置故障状态标签。

步骤4：根据振动信号包络谱图、电流信号包络谱图和外圈轴承温度时域图的特点，分别构建电机轴承卷积神经网络模型。将样本集作为电机轴承卷积神经网络模型的输入，对应的故障状态标签作为电机轴承卷积神经网络模型的期望输出，对电机轴承卷积神经网络进行训练。再利用DS证据理论进行融合三种卷积神经网络得到的诊断结果，并输出最终结果。

步骤5：采集当前电机轴承的振动信号、电流信号和轴承外圈温度，采用步骤1、2、3中的相同的方法得到状态图。并将此状态图输入至步骤4训练好的电机轴承卷积神经网络模型中，进而得到当前电机轴承的故障诊断结果。

进一步地，步骤1中，自相关函数是用来描述随机信号X(t)在任意两个不同时刻s，t的取值之间的相关程度，其定义式为：

R(s,t)＝E(X(s)*X(t))

进一步地，步骤2中，自适应加权融合算法是在总体均方误差最小的前提下，根据各传感器观测值自适应地确定每个传感器的最优权值。其公式如下：

其中X为融合值，X_p为各传感器的值，n为传感器的个数，W_p为加权因子，且

W_p由如下公式给出：

其中

为X_p的方差。

进一步地，步骤2中，归一化处理公式如下：

其中

是数据的平均数，max(x)是数据的最大值，min(x)是数据的最小值。

进一步地，步骤3中，改进EWT的步骤(包括重构信号)如下：

(1)使用小波去噪对信号进行初步去噪处理；

(2)对去噪后的信号进行快速傅里叶变换；

(3)使用三次样条插值生成包络曲线；

(4)设置合适的阈值，去除干扰值，生成新的频谱图；

(5)对新生成的频谱图进行观察，如果可以很好的划分频率段，则进入步骤(6)，否则对包络效果不好的区域继续进行包络，以达到预期的效果；

(6)检测包络线中所有的极值。极大值点用于定义模态的中心频率，极小值点用来进行频谱分割，并根据分割的频谱进行EWT变换；

(7)求取得到的模态与原始信号的相关系数及各模态的峭度和能量，综合相关系数、峭度值和能量值进行信号固有模态选取。并根据选出的固有模态进行重构。

其中，步骤(1)中利用小波去噪对数据进行初步去噪，此处初步使用minimaxi阈值去噪，小波函数选择的是sym5，且分解到第三层；

步骤(2)中对信号使用快速傅里叶变换得到信号的频谱图，即F(x)＝FFT(x)；

步骤(3)中使用三次样条插值提取步骤(2)中频谱图的包络，如果可以很好地进行频谱分割，则进入步骤(6)，否则进入步骤(4)；

步骤(4)中，阈值设置按照如下公式：

S＝A_l+r(A_h-A_l)

其中，A_l为频谱中幅值的最小值，A_h为频谱中幅值的最大值；

步骤(6)中的经验小波变换(EWT)在确认分割区间Λ_n后，根据Meyer小波的构造方法构造经验小波，经验尺度函数为：

经验小波函数为：

其中：τ_n＝γω_n,

函数β(x)选择为：β(x)＝x⁴(35-84x+70x²-20x³)；

步骤(7)中，首先求出各分量与原始信号的相关系数，其值越大相关性越大，反之则越小。此处将阈值设置为最大值的1/5，小于阈值为无效分量，大于阈值为有效分量。然后根据峭度的表达式，求出每个分量的峭度值，分量的峭度值越大，故障信息越明显。此处根据正常数据的峭度值设置阈值。最后求出每个分量的能量值，根据求出的各分量能量值大小进行选取合适的分量。

其中求X和Y的相关系数表达式为：

式中：r为相关系数；Cov(X,Y)为X和Y的协方差；

为X的方差；

为Y的方差。

求各分量峭度值的表达式为：

式中：K为峭度值；

为信号x的均值；σ为信号x的标准差。

求各分量能量值的表达式为：

式中，E的值是信号f(t)的能量值。

进一步地，步骤3中的Hilbert变换是得到信号的包络谱图，该图用来表示信号的时频信息。Hilbert变换公式为：

式中：

为信号x(t)的Hilbert变换；

步骤3中的故障状态标签是卷积神经网络的期望输出，是一个一维向量，格式为[0,0,…,a_i,…,0]。根据采集的15个工况进行设置标签，因此向量的长度为15。标签设置结果为：无故障的标签为[1,0,0,…,0]，内圈轻度故障的标签为[0,1,0,…,0]，内圈中度故障的标签为[0,0,1,…,0]，内圈严重故障的标签为[0,0,0,1,…,0],外圈轻度故障的标签为[0,0,0,0,1,0,…,0]，外圈中度故障的标签为[0,0,0,0,0,1,0,…,0]，外圈严重故障的标签为[0,0,0,0,0,0,1,0,…,0]，滚动体轻度故障的标签为[0,0,0,0,0,0,0,1,0,…,0]，滚动体中度故障的标签为[0,0,0,0,0,0,0,0,1,0,…,0]，滚动体严重故障的标签为[0,0,0,0,0,0,0,0,0,1,0,…,0]，内圈加滚动体轻度故障的标签为[0,0,0,0,0,0,0,0,0,0,1,0,…,0]，内圈加滚动体中度故障的标签为[0,0,0,0,0,0,0,0,0,0,0,1,0,…,0]，外圈加滚动体轻度故障的标签为[0,…,0,1,0,0]、外圈加滚动体中度故障的标签为[0,…,0,1,0]，内圈加外圈加滚动体轻度故障的标签为[0,…,0,1]。

进一步地，步骤4中，所构建的卷积神经网络模型见图3。它有2个卷积层、2个池化层和2个全连接层组成，其中最后一个全连接层作为输出层。输出层最终输出一个一个一维向量，根据该向量进行故障诊断。每个不为0的值表示为该标签对应故障的可能性大小。

其中，输入层的大小归一化为32*32。

其中，卷积层的卷积核大小适实际情况而定，此处初步选用3*3的卷积核，步长为2进行运算，且进行权重归一化。并对卷积结果使用ReLU激活函数，得到激活结果。

ReLU公式如下：

ReLU(x)＝max(0,x)

其中，池化层用来降低卷积层输出的特征向量，此处使用最大池化，即

其中，全连接层的输出为一维向量，表示为Z＝[z1,z2,z3,…,zn]。最后一个全连接的神经元个数为15，输出的特征向量用来最终诊断。

进一步地，步骤4中，DS证据理论用来融合三个神经网络的输出结果，得到最终的诊断结果。其过程可以表示为：mass函数的构建、多条证据的组合和基于组合结果的证据决策。

Mass函数满足如下条件：

式中，Θ是互不相容事件的完备结合。

最终的判定结果表示为：

Claims (6)

1.基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，包括如下步骤:

(a)采集电机轴承在无故障和不同故障工况下的二通道振动加速度信号、三通道电流信号和轴承外圈温度，并进行预处理；

(b)对二通道振动信号进行加权融合，三通道电流信号进行加权融合，并对融合得到的新数据进行归一化处理；

(c)利用改进经验小波变换(EWT)对归一化后的数据进行分解，并选取故障特征明显的分量进行重构，对重构的信号进行Hilbert包络解调，得到包络谱图，以包络谱图和温度时域图作为轴承状态图，进而得到样本集，并根据数据对应的故障状态设置故障状态标签；

(d)构建电机轴承卷积神经网络模型，将样本集作为电机轴承卷积神经网络模型的输入，对应的故障状态标签作为电机轴承卷积神经网络模型的期望输出，对电机轴承卷积神经网络进行训练，利用DS证据理论进行融合卷积神经网络得到的诊断结果，并输出最终结果；

(e)采集当前电机轴承的振动信号、电流信号和轴承外圈温度，采用步骤(c)中的相同的方法得到状态图，并将此状态图输入至步骤(d)训练好的电机轴承卷积神经网络模型中，得到当前电机轴承的故障诊断结果。

2.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(a)中，在采集其在无故障和不同故障工况下的二通道振动加速度信号时，两个通道是轴承的X方向和Y方向；采集三通道电流信号时，采集的是电机的三相电流；预处理为对振动信号进行自相关去噪。

3.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(b)中，所采用的加权融合算法为自适应加权融合算法；归一化处理的公式如下：

其中

是数据的平均数，max(x)是数据的最大值，min(x)是数据的最小值。

4.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(c)中，改进EWT的改动如下：

在分解之前对数据进行了小波去噪处理；

对频谱图进行了多次包络。

5.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(c)中，选取故障特征明显的分量时，综合考虑相关系数、峭度值和能量值进行选取。

6.如权利要求1所述的基于数据融合和改进经验小波变换的电机轴承故障诊断方法，其特征在于，在步骤(d)中，构建的电机轴承卷积神经网络模型的个数为三，分别训练振动信号包络谱图、电流信号包络谱图和轴承外圈温度时域图。

Images