CN113916535B - 基于时频和cnn的轴承诊断方法、系统、设备及介质 - Google Patents

基于时频和cnn的轴承诊断方法、系统、设备及介质 Download PDF

Info

Publication number
CN113916535B
CN113916535B CN202111256543.6A CN202111256543A CN113916535B CN 113916535 B CN113916535 B CN 113916535B CN 202111256543 A CN202111256543 A CN 202111256543A CN 113916535 B CN113916535 B CN 113916535B
Authority
CN
China
Prior art keywords
bearing
fault
time
frequency
signals
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
Application number
CN202111256543.6A
Other languages
English (en)
Other versions
CN113916535A (zh
Inventor
米大斌
王双海
王剑峰
刘红
丁立斌
姜文
王建辉
郭学强
金鑫
商文霞
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.)
Hebei Jointto Energy Investment Co ltd
Original Assignee
Hebei Jointto Energy Investment Co ltd
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 Hebei Jointto Energy Investment Co ltd filed Critical Hebei Jointto Energy Investment Co ltd
Priority to CN202111256543.6A priority Critical patent/CN113916535B/zh
Publication of CN113916535A publication Critical patent/CN113916535A/zh
Application granted granted Critical
Publication of CN113916535B publication Critical patent/CN113916535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

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

Abstract

本发明涉及一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质，其方法包括：首先，获取变转速工况下多个轴承振动信号；其次，将轴承振动信号分为多个分段信号并进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；接着，将分段时频图输入卷积神经网络以获得各个轴承振动信号的故障类别；再者，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；最后，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。本发明克服了变工况下的噪声干扰，很好地提取了故障特征信息及转速信息，具有较大的应用价值及推广意义。

Description

基于时频和CNN的轴承诊断方法、系统、设备及介质
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质。
背景技术
随着新能源发展的需求日益增加，风能逐渐成为了一种重要的新能源。风力发电机组的稳定运行对电力系统的稳定至关重要。风电场大多位于偏远地区，气候环境恶劣，电网设备条件较差，风电机组故障频次较多，严重地影响机组的使用寿命。轴承作为风机的重要组成部分，发挥着举足轻重的作用。其是否处于正常状态，直接影响整机的稳定运行。因此，对风电机组主轴承的故障诊断是十分必要的。运转的轴承一旦发生故障，可能会造成巨大的经济损失甚至安全隐患。
在实际中，大多数风机的运行状况都较为复杂。在变转速的工况下，轴承发生故障的同时，常常伴随着巨大的噪声，这种噪声目前也没有有效消除的方法。因此很多基于稳速工况下的故障诊断产生了很大的局限性。这也就使得变转速工况下的故障诊断成为了重难点所在。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质，其解决了现有技术针对变工况下的信号处理难以有效去噪的技术问题。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种基于时频分析和CNN的变转速轴承故障诊断方法，包括：
获取变转速工况下多个轴承振动信号；
将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；
基于按预设比例配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；
对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；
求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
可选地，获取变转速工况下多个轴承振动信号包括：
获取升速工况下的多个轴承振动信号，所述多个轴承振动信号包括健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号。
可选地，获取变转速工况下多个轴承振动信号之后，还包括：对所述多个轴承振动信号进行降采样处理。
可选地，将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图包括：
将每一个轴承振动信号按照频率变化分为100段信号，每段信号长度为20000；
对所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的300个分段信号进行希尔伯特变换，分别得到所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的故障分量的包络信号；
对所述故障分量的包络信号进行时频分析，得到300张分段时频图。
可选地，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线包括：
对已确定故障类别的各个轴承振动信号进行降采样处理；
求取经降采样的各个轴承振动信号的希尔伯特包络信号，再经短时傅里叶变换得到时频分析矩阵；
基于所述时频分析矩阵得到时频分析图，并从所述时频分析图中提取故障特征曲线。
可选地，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息包括：
依据轴承的元件参数、转速和轴承动力学，得到轴承各部位的故障特征频率；
依据轴承各部位的故障特征频率和轴承的转频，得到不同故障类别的故障特征系数；
将所述故障特征曲线上各点的频率值除以对应的故障特征系数得到各个时刻的轴承转速信息；
其中，故障特征系数为轴承各部位的故障特征频率与轴承的转频的比值。
可选地，所述故障特征频率包括：
外圈故障频率：
Figure BDA0003324269620000031
内圈故障频率：
Figure BDA0003324269620000032
其中，fr为轴承的转频，Z为滚动体个数，d为滚动体直径，D为轴承节径，α是接触角。
第二方面，本发明实施例提供一种基于时频分析和CNN的变转速轴承故障诊断系统，包括：
振动信号获取模块，用于获取变转速工况下多个轴承振动信号；
时频分析模块，用于将每一个轴承振动信号按照频率变化分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；
卷积神经网络模块，用于基于按预设比例随机配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；
故障特征曲线提取模块，用于对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；
转速信息分析模块，用于求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
第三方面，本发明实施例提供一种基于时频分析和CNN的变转速轴承故障诊断设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
(三)有益效果
本发明的有益效果是：本发明以变转速轴承信号作为研究对象，先使用卷积神经网络对故障信号进行深度学习以实现故障类型的区分；而在区分故障类别后，利用短时傅里叶变换提取出故障特征曲线并利用求取的故障特征系数反推出了故障轴承的实时转速信息。本发明在避免了繁琐的信号处理步骤的同时，有效的区分了变转速工况下的不同故障类型，同时本发明克服了变工况下的噪声干扰，很好地提取了故障特征信息及转速信息，因此本发明具有较大的工程应用价值及推广意义。
附图说明
图1为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的流程示意图；
图2为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的内圈故障轴承时域图及频谱图；
图3为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的外圈故障轴承时域图及频谱图；
图4为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的三种健康情况下的时频图；
图5为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的步骤S2的具体流程示意图；
图6为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的三种健康情况下的时频图；
图7为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的卷积神经网络结构图；
图8为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的混淆矩阵示意图；
图9为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的步骤S4的具体流程示意图；
图10为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的内圈故障轴承时频分析曲线；
图11为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的内圈故障轴承故障特征曲线提取；
图12为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的步骤S5的具体流程示意图；
图13为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的实验装置台；
图14为本发明提供的一种基于时频分析和CNN的变转速轴承故障诊断方法的整体流程示意图。
具体实施方式
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示，本发明实施例提出的一种基于时频分析和CNN的变转速轴承故障诊断方法，包括：首先，获取变转速工况下多个轴承振动信号；其次，将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；接着，基于按预设比例随机配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；再者，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；最后，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
本发明以变转速轴承信号作为研究对象，先使用卷积神经网络对故障信号进行深度学习以实现故障类型的区分；而在区分故障类别后，利用短时傅里叶变换提取出故障特征曲线并利用求取的故障特征系数反推出了故障轴承的实时转速信息。本发明在避免了繁琐的信号处理步骤的同时，有效的区分了变转速工况下的不同故障类型，同时本发明克服了变工况下的噪声干扰，很好地提取了故障特征信息及转速信息，因此本发明具有较大的工程应用价值及推广意义。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
具体地，本发明提供一种基于时频分析和CNN的变转速轴承故障诊断方法，其包括：
S1、获取变转速工况下多个轴承振动信号。为了对故障类型进行区分，首先分别在升速工况下从健康和有内圈，外圈缺陷的故障轴承中采集了轴承振动信号，因此，多个轴承振动信号包括健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号。健康轴承转速从14.1Hz升高到23.8Hz，内圈故障轴承转速从13.5Hz升高到28.5Hz，外圈故障轴承从12.9Hz升高到23.0Hz。
在步骤S1之后，还包括：
对健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号进行降采样。由于高采样率导致数据量太大，因此必须执行降采样的操作，降采样后的健康，内圈故障，外圈故障轴承信号频谱图如图2和图3所示。
S2、将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图。
在步骤S2中对降采样后的信号做希尔伯特包络变换，包络谱分析是机械设备振动信号分析的一种常用方法，使用希尔伯特变换获取故障分量的包络信号可以增强故障相关特征，再画出时域分析图与频谱分析图。接着，分别对这三种健康状况的轴承进行短时傅里叶变换，结果如图4所示。在图4中发现，当已知转速信息和故障类别时，可以清晰地在外圈缺陷和内圈缺陷的故障轴承时频分析图中找到对应的内圈故障特征频率和外圈故障特征频率，这也证明了时频分析的方法可以更好的提取轴承的故障信息。
如图5所示，步骤S2包括：
S21、将每一个轴承振动信号按照频率变化分为100段信号，每段信号长度为20000。此处，按频率变化指按顺序截取即可，因为是采用的升速工况下的信号，即按顺序截取。
S22、对健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的300个分段信号进行希尔伯特变换，分别得到健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的故障分量的包络信号。
S23、对故障分量的包络信号进行时频分析，得到300张分段时频图。
在上述步骤中，本发明将每种类型的轴承振动信号按照频率变化分为100段信号，每段信号长度为20000。并对这300段信号进行时频变换，得到300张分段时频图，如图6所示，展示了三种故障类型第1，50，100张时频图。
S3、基于按预设比例随机配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别。
卷积神经网络是一个多层的神经网络，由卷积层、下采样层、全连接层交替连接构成。在卷积层，前一层的特征图与卷积核进行卷积运算，然后经过激活函数得到这一层的特征图，每一个卷积核对应一个特征图。
卷积过程的表达式定义为式：
Figure BDA0003324269620000081
其中，i表示卷积层的第i层，k表示第i层特征图的值，c表示第i层的卷积核数，*表示卷积运算，
Figure BDA0003324269620000082
表示第i层的输入特征图，
Figure BDA0003324269620000083
是输出特征图，
Figure BDA0003324269620000084
和
Figure BDA0003324269620000085
分别代表了卷积核的权重和偏差。
降采样层是对上一个卷积层得到的特征进行抽样，以达到降低维度的作用，减小了计算的复杂度。把输入的特征图像分割为不重叠的矩形区域，转而对相应的矩形区域做运算，这样的降采样方式叫做池化。对每个矩形区域取最大值的运算被称为最大池化，取均值的运算则称为均值池化。经过池化区域大小为n×n的池化运算后，输出的特征图边长变为原来的1/n，特征图的个数不变。考虑到信息的损失情况，池化矩阵不宜取得过大。
将降采样后得到的所有特征图的每个像素依次展开，排成一列，构成特征向量。特征向量与输出层全连接，构成全连接层。将卷积神经网络用来做分类任务时，会在全连接层训练一个分类器。输出层输出的是一个实数向量，其节点数与所分类别数一致，每个节点的输出值表示该样本属于对应类别的概率。
图7示出了卷积神经网络的架构，卷积神经网络可以根据实际情况来选择网络的各个结构参数。
本发明为实现对轴承不同故障的智能诊断，搭建了卷积神经网络，该网络中，有3个卷积层和2个最大池化层，1个全连接层和1个输出层。使用matlab作为实验平台，在Windows10系统、英特尔酷睿i7-9750H处理器和16GB内存的计算机上运行。本发明在卷积层采用ReLU作为激活函数。按6：2：2的比例，随机挑选180张图片作为训练集，60张图片作为验证集，60张图片作为测试集进行卷积神经网络训练。
在使用卷积神经网络进行深度学习后，使用测试集进行验证，得到混淆矩阵如图8所示。如图可知，经过卷积神经网络训练可以达到对训练集数据故障类型100％的诊断准确率。
S4、对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线。
如图9所示，步骤S4包括：
S41、对已确定故障类别的各个轴承振动信号进行降采样处理。
S42、求取经降采样的各个轴承振动信号的希尔伯特包络信号，再经短时傅里叶变换得到时频分析矩阵。
S43、基于时频分析矩阵得到时频分析图，并从时频分析图中提取故障特征曲线。
S5、求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
在具体实施例中，根据故障轴承的故障特征系数及故障特征曲线对故障轴承进行实时转速的求取。以上述内圈故障信号为例。由于整段故障信号样本过大无法直接进行处理，所以对信号进行降采样操作，并求取希尔伯特包络谱，最后进行短时傅里叶变换得到时频分析矩阵并作图。内圈故障短时傅里叶变换时频图如图10。接下来，如图11所示，从时频图中提取故障特征脊线，脊线是基于故障特征曲线提取出的纯线条用于后续提取转速过程。并对该试验台轴承进行故障特征系数的计算，求得内圈故障特征系数为5.43。根据脊线中所示故障特征曲线特定点的频率值除以对应的故障特征系数得到特定时刻的转速信息。以第3秒为例，所得故障特征频率为99.65hz。所以根据上述方法，求得该时刻实时转速为18.35Hz。
如图12所示，步骤S5包括：
S51、依据轴承的元件参数、转速和轴承动力学，得到轴承各部位的故障特征频率。
S52、依据轴承各部位的故障特征频率和轴承的转频，得到不同故障类别的故障特征系数。
S53、将所述故障特征曲线上各点的频率值除以对应的故障特征系数得到各个时刻的轴承转速信息。
滚动轴承在运转过程产生的振动信号是由固有振动与故障引起的振动冲击成分组成。对于固有振动振源主要包括两类：第一类是由部件加工误差引起的振动，这类误差主要是加工机械精度引起，使得轴承滚道与滚体较为粗糙，该类振动的难以检测；第二类是滚动轴承的表面缺陷引起的振动，这类振动虽是故障引起的，但是这类振动不含冲击成分；固有振动产生的频率称为固有频率，它与轴承本身有关。
滚动轴承内、外圈的固有振动频率计算表达式为：
Figure BDA0003324269620000101
式中，n为振动阶数；E为弹性模量；I为套圈横截面惯性矩；γ为材质密度；A为套圈横截面积；D为轴承滚道节径；g为重力加速度。
有时滚动体也会产生振动，滚动体的固有振动频率为：
Figure BDA0003324269620000111
式中，d为滚动体直径。
当轴承的不同部位出现故障时，轴承在转动会与发生故障的位置碰撞产生冲击，这种冲击所产生的频率与轴承无故障下的固有频率不同，其特点为冲击持续时间短，信号频带范围宽。对于不同故障，它的故障频率也不同，因此将此频率称之为故障特征频率。根据滚动轴承元件参数、转速和轴承动力学，可计算出轴承各部位的故障特征频率。为了减少不利因素的影响，一般假设轴承外圈固定，滚动体不会在滚道中相对滑动，各部件没有发生形变，计算出滚动轴承不同故障时特征频率如表1所示。
表1故障轴承振动特征
Figure BDA0003324269620000112
根据表中的故障特征频率公式可以看出，故障频率与轴承的转频fr、固有参数相关。在恒速工况下，故障频率特征为定值。而在变速工况下，故障频率特征为变值，此时称为瞬时故障特征频率。可由表1公式中的故障特征频率，推导出轴承各部位的故障频率与转频比值为定值，将定值称为故障特征系数。因此对变转速滚动轴承故障诊断可以利用计算同一时间点IFCF(故障特征频率)与转频比值，根据比值与故障特征系数完成故障诊断，或者根据转频和故障特征系数计算出不同故障类型下IFCF，并与时频谱提取的IFCF进行比较，来完成故障诊断与识别。
其中，故障特征系数为轴承各部位的故障频率与转频的比值。
进一步地，故障特征频率包括：
外圈故障频率：
Figure BDA0003324269620000121
内圈故障频率：
Figure BDA0003324269620000122
滚动体故障频率：
Figure BDA0003324269620000123
保持架故障频率：
Figure BDA0003324269620000124
其中，fr为轴承的转频，Z为滚动体个数，d为滚动体直径，D为轴承节径，α是接触角。
基于上述步骤，本发明使用卷积神经网络和时频变换的方法对故障类型和转速信息分别进行辨识，以达到在变转速工况下对轴承故障类型进行区分并对实时转速进行提取的目的。
此外，本发明还提供一种基于时频分析和CNN的变转速轴承故障诊断系统，包括：
振动信号获取模块，用于获取变转速工况下多个轴承振动信号；
时频分析模块，用于将每一个轴承振动信号按照频率变化分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；
卷积神经网络模块，用于基于按预设比例随机配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；
故障特征曲线提取模块，用于对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；
转速信息分析模块，用于求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
由于本发明上述实施例所描述的系统/装置，为实施本发明上述实施例的方法所采用的系统/装置，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统/装置的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都属于本发明所欲保护的范围。
再者，本发明还提供一种基于时频分析和CNN的变转速轴承故障诊断设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
以及，本发明还提供一种计算机可读存储介质，其上存储有计算机可执行指令，可执行指令被处理器执行时实现如上所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
在具体实施例中，为了验证本文诊断变转速轴承故障类型的可行性，本文使用了渥太华大学的公开数据集。该实验数据在SpectraQuest机械故障模拟器上(MFS-PK5M)测得，实验装置如图所示，转轴由AC电机驱动和控制。左侧放置一个健康轴承。右侧是实验轴承，可按需替换。加速度计(型号623C01)用来测量和收集振动数据。此外，安装增量编码器(EPC型号775)以测量轴转速。具体装置如图13所示，实验轴承类型为ER16K，节圆直径38.52mm，滚动体直径7.94mm，滚动体个数为9。根据轴承的故障频率与转频比值，可以求得内圈故障系数等于5.43。外圈故障系数等于3.57。在整个测试过程中采样频率设置为200kHz，采样持续时间10s。
综上所述，本发明提供了一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质，如图14所示，本发明首先利用时频分析方法对故障特征进行提取，再利用卷积神经网络(Convolutional Neural Networks,CNN)对不同故障类型的分段时频分析图进行深度学习以进行故障类型诊断。最后通过短时傅里叶方法(short-term Fouriertransform，STFT)做出时频分析图，根据故障特征系数的理论值反推故障轴承转速信息。本发明使用一种基于图像识别的变转速轴承故障诊断方法，在避免了繁琐的信号处理步骤的同时，有效的区分了变转速工况下的不同故障类型。在区分故障类别后，利用短时傅里叶变换提取出故障特征曲线并利用求取的故障特征系数反推出了故障轴承的实时转速信息。并进行了有效性的验证，体现了该方法具有一定的工程应用价值。。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，包括：
获取变转速工况下多个轴承振动信号；
将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；
基于按预设比例配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；
对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；
求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
2.如权利要求1所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，获取变转速工况下多个轴承振动信号包括：
获取升速工况下的多个轴承振动信号，所述多个轴承振动信号包括健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号。
3.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，获取变转速工况下多个轴承振动信号之后，还包括：对所述多个轴承振动信号进行降采样处理。
4.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图包括：
将每一个轴承振动信号按照频率变化分为100段信号，每段信号长度为20000；
对所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的300个分段信号进行希尔伯特变换，分别得到所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的故障分量的包络信号；
对所述故障分量的包络信号进行时频分析，得到300张分段时频图。
5.如权利要求4所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线包括：
对已确定故障类别的各个轴承振动信号进行降采样处理；
求取经降采样的各个轴承振动信号的希尔伯特包络信号，再经短时傅里叶变换得到时频分析矩阵；
基于所述时频分析矩阵得到时频分析图，并从所述时频分析图中提取故障特征曲线。
6.如权利要求1所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息包括：
依据轴承的元件参数、转速和轴承动力学，得到轴承各部位的故障特征频率；
依据轴承各部位的故障特征频率和轴承的转频，得到不同故障类别的故障特征系数；
将所述故障特征曲线上各点的频率值除以对应的故障特征系数得到各个时刻的轴承转速信息；
其中，故障特征系数为轴承各部位的故障特征频率与轴承的转频的比值。
7.如权利要求2所述的一种基于时频分析和CNN的变转速轴承故障诊断方法，其特征在于，所述故障特征频率包括：
外圈故障频率：
Figure FDA0003324269610000021
内圈故障频率：
Figure FDA0003324269610000031
其中，fr为轴承的转频，Z为滚动体个数，d为滚动体直径，D为轴承节径，α是接触角。
8.一种基于时频分析和CNN的变转速轴承故障诊断系统，其特征在于，包括：
振动信号获取模块，用于获取变转速工况下多个轴承振动信号；
时频分析模块，用于将每一个轴承振动信号按照频率变化分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；
卷积神经网络模块，用于基于按预设比例随机配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；
故障特征曲线提取模块，用于对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；
转速信息分析模块，用于求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。
9.一种基于时频分析和CNN的变转速轴承故障诊断设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任一项所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的基于时频分析和CNN的变转速轴承故障诊断方法步骤。
CN202111256543.6A 2021-10-27 2021-10-27 基于时频和cnn的轴承诊断方法、系统、设备及介质 Active CN113916535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111256543.6A CN113916535B (zh) 2021-10-27 2021-10-27 基于时频和cnn的轴承诊断方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111256543.6A CN113916535B (zh) 2021-10-27 2021-10-27 基于时频和cnn的轴承诊断方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN113916535A CN113916535A (zh) 2022-01-11
CN113916535B true CN113916535B (zh) 2022-08-09

Family

ID=79243107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111256543.6A Active CN113916535B (zh) 2021-10-27 2021-10-27 基于时频和cnn的轴承诊断方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113916535B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565000B (zh) * 2022-04-28 2022-08-12 西安航天动力研究所 一种球轴承的故障确定方法、设备以及存储介质
CN115824647B (zh) * 2023-02-16 2023-05-12 南京凯奥思数据技术有限公司 基于均方差时域降采样的轴承故障诊断方法及诊断设备

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
CN109883702A (zh) * 2019-03-05 2019-06-14 西安交通大学 一种基于时频域统计特征的电机轴承故障诊断方法
CN109977920A (zh) * 2019-04-11 2019-07-05 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN110702411A (zh) * 2019-09-23 2020-01-17 武汉理工大学 一种基于时频分析的残差网络滚动轴承故障诊断方法
CN111238814A (zh) * 2019-09-30 2020-06-05 杭州安脉盛智能技术有限公司 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
WO2021148170A1 (en) * 2020-01-23 2021-07-29 Siemens Aktiengesellschaft Method for determining a remaining useful life of a bearing

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6321602B1 (en) * 1999-09-28 2001-11-27 Rockwell Science Center, Llc Condition based monitoring by vibrational analysis
US10852214B2 (en) * 2017-05-19 2020-12-01 Nutech Ventures Detecting faults in wind turbines

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
CN109883702A (zh) * 2019-03-05 2019-06-14 西安交通大学 一种基于时频域统计特征的电机轴承故障诊断方法
CN109977920A (zh) * 2019-04-11 2019-07-05 福州大学 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN110702411A (zh) * 2019-09-23 2020-01-17 武汉理工大学 一种基于时频分析的残差网络滚动轴承故障诊断方法
CN111238814A (zh) * 2019-09-30 2020-06-05 杭州安脉盛智能技术有限公司 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
WO2021148170A1 (en) * 2020-01-23 2021-07-29 Siemens Aktiengesellschaft Method for determining a remaining useful life of a bearing

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
滚动轴承故障诊断的阶比多尺度形态学解调方法;徐亚军等;《振动工程学报》;20130415;第26卷(第02期);第252-258页 *

Also Published As

Publication number Publication date
CN113916535A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN107144430B (zh) 一种基于增量学习的轴承故障诊断方法
CN113916535B (zh) 基于时频和cnn的轴承诊断方法、系统、设备及介质
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测系统
CN111458144B (zh) 一种基于卷积神经网络的风力发电机故障诊断方法
CN110110768A (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN112160877A (zh) 一种基于sfa和cnn的风机轴承故障诊断方法
CN112766200A (zh) 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法
CN111076934A (zh) 一种基于s变换诊断轴承潜在故障的方法
Han et al. A novel intelligent fault diagnosis method based on dual convolutional neural network with multi-level information fusion
Zare et al. Convolutional neural networks for wind turbine gearbox health monitoring
CN117708574B (zh) 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
CN114048787A (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
Yu et al. Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN
CN114897292B (zh) 基于多尺度残差卷积变分网络故障诊断方法和诊断系统
Wang et al. Research on fault diagnosis method of wind turbine bearing based on deep belief network
Li et al. Deep learning based end-to-end rolling bearing fault diagnosis
Li et al. Bearing Intelligent Fault Diagnosis Under Complex Working Condition Based on SK-ES-CNN
Jiang et al. Innovative Bearing Fault Diagnosis Method: Combining Swin Transformer Deep Learning and Acoustic Emission Technology
Guo et al. A Novel Bearing Fault Diagnosis Method Based on the DLM-CNN Framework
Wu et al. Multi-Channel vibration signals fusion based on rolling bearings and MRST-Transformer fault diagnosis model
Huang et al. Fault Diagnosis of Rolling Bearings Based on Spectral Kurtosis Graph and LFMB Network
Aguilera Diaz et al. Fault diagnosis of drivetrain systems based on vibration signals and convolutional neural networks
Zhang et al. Qualitative diagnosis of bearing fault based on convolutional neural network
Miao et al. A Novel Intelligent Diagnosis Method for Bearing Based on Fused-feature Images
Choudhury et al. A Deep Learning Based Fault Diagnosis Method Combining Domain Knowledge and Transfer Learning

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