CN115030903B

CN115030903B - 一种离心泵内滚动轴承早期故障在线诊断方法

Info

Publication number: CN115030903B
Application number: CN202210687638.1A
Authority: CN
Inventors: 董亮; 肖幸鑫; 刘厚林; 代翠; 王勇; 谈明高; 王凯; 吴贤芳; 周润泽
Original assignee: Jiangsu University; Zhenjiang Fluid Engineering Equipment Technology Research Institute of Jiangsu University
Current assignee: Jiangsu University; Zhenjiang Fluid Engineering Equipment Technology Research Institute of Jiangsu University
Priority date: 2022-06-16
Filing date: 2022-06-16
Publication date: 2023-07-07
Anticipated expiration: 2042-06-16
Also published as: CN115030903A

Abstract

本发明公开了一种离心泵内滚动轴承早期故障在线诊断方法，包括：信号处理、离线训练和在线诊断三个部分；信号处理包括采集水平振动信号，利用广义S变换与傅里叶逆变换进行振动信号的双时域变换，并重构信号s₁，使用连续小波变换将s₁转换为时频图；离心训练包括搭建深度卷积自编码模型并对模型进行训练，得到编码器模型；在线阶段获取正常状态下的振动信号的深度特征和当前时刻振动数据的深度特征，计算两者之间的高斯—布雷柯蒂斯距离作为轴承状态健康因子，滑动平均滤波对健康因子曲线进行平滑，利用四分位间距构建自适应异常阈值，得到轴承早期故障诊断结果。本发明拥有良好的诊断性能，存在较好的工程应用前景。

Description

一种离心泵内滚动轴承早期故障在线诊断方法

技术领域

本发明涉及离心泵内滚动轴承早期故障在线诊断技术，具体为一种基于双时域变换和深度学习的滚动轴承早期诊断方法。

背景技术

滚动轴承作为离心泵的关键零部件之一，起着支撑轴和承受载荷的重要作用，其运行状况直接影响整个泵系统的运转。由于离心泵的工作环境，导致滚动轴承长期处于高转速、高载荷的情形下，故障率大幅提高，因此及时诊断离心泵内滚动轴承早期故障发生是避免离心泵停机带来的巨大损失和影响的有效措施。

故障的发生是一个渐进的过程，在这个过程中传感器采集的振动信号包含大量的故障信息，因此振动信号被广泛用于故障诊断与诊断技术中，而离心泵内的滚动轴承早期故障下的振动信号存在故障特征不明显、故障信号微弱、信噪比低等问题。滚动轴承早期故障诊断主要分为两种：一是基于信号分析的方法，利用信号处理方法对传感器采集信号进行处理或者增强，结合轴承故障的特征频率等先验知识实现轴承早期故障的诊断；二是基于数据驱动的方法，提取采集信号的内部包含的故障特征进行故障诊断，数据驱动方法不需要故障特征频率等先验知识，但数据模型通常需要大量数据进行模型训练和模型优化，需要付出较大的代价才能实现准确的故障诊断。

现有的滚动轴承早期诊断方法已经取得了一定的成效，但在早期故障在线诊断方面仍存在以下问题：(1)在线早期故障诊断过程中存在误报警，识别准确率较低。(2)数据驱动模型在面对不同运行环境的滚动轴承无法自适应早期在线故障诊断，且当前在线故障预警效果大多依靠事先给定阈值。

发明内容

本发明的目的是提出一种离心泵内滚动轴承早期故障在线诊断方法，解决现有离心泵内滚动轴承早期故障在线诊断技术存在的误报警，阈值难以确定等难题。

本发明的目的可通过下列技术方案实现：一种离心泵内滚动轴承早期故障在线诊断方法，包括以下步骤：

S1.采集离心泵内滚动轴承水平方向上的振动信号；

S2.对步骤S1中采集的振动信号进行广义S变换和傅里叶逆变换可以得到振动信号的双时域表示，提取双时域变换矩阵的主对角元素重构故障信号s₁，使用连续小波变换得到信号时频矩阵，绘制时频图；

S3.搭建深度卷积自编码模型，并利用历史数据库，根据步骤S2中的信号处理方法后建立模型图片训练集，进行模型训练，计算损失，得到能够提取信号深度特征的编码器模型；

S4.根据步骤S3建立的深度卷积自编码模型提取正常状态下的振动信号的深度特征和当前时刻振动数据的深度特征，计算两者之间的高斯—布雷柯蒂斯距离作为轴承状态健康因子，滑动平均滤波对健康因子曲线进行平滑，利用四分位间距构建自适应异常阈值，得到轴承早期故障诊断结果。

可选地，所述步骤S2具体包括：

(a)对一维连续信号s(t)进行S变换，其数学式为：

公式一：

公式一中，τ为控制高斯窗位置的时移系数；f为载波频率；ST(τ,f)为S变换的结果矩阵，i虚数单位；

(b)在S变换的基础上引入高斯窗函数的调整因子q和p，则一维连续信号的广义S变换表达式为：

公式二：

(c)由于采集的轴承振动信号x＝x(kt)为离散信号，其中k＝0，1，2，…，n-1，n为信号长度，t为采样时间间隔，对广义S变换做离散化处理，结合傅里叶变换与卷积理论，则公式二可表示为：

公式三：

公式三中，H(α+f)表示x(t)的傅里叶变换，α为移位频率；

(d)令f＝n/NT，τ＝kT，则公式三可表示为：

公式四：

公式四中，i,m,n＝0,1,2,...,N-1，N为采样点数；T为采样间隔；

(e)对公式四得到的广义S变换的结果，进行傅里叶逆变换得到双时域变换的结果，表达式为：

公式五：

(f)由公式五计算结果得到采集振动信号的双时域变换矩阵，提取该矩阵的主对角线元素实现信号重构；

(g)利用连续小波变换得到重构信号的时频矩阵，并绘制时频图；

公式六：

公式六中，z为尺度参数，v为时间参数，f(t)为变换信号，

表示小波基函数，W_f(z,v)是f(t)连续小波变换后的时频矩阵。

可选地，所述步骤S3中深度卷积自编码模型由编码器Encoder和解码器Decoder组成；

(a)其中Encoder中包含4个卷积层和1个最大值池化层，输入时频图经Encoder得到图片特征向量z1。

(b)其中Decoder中包含5个反卷积层，输入特征向量z1，经Decoder得到自编码器重构后时频图；

(c)模型最优超参数使用随机搜索方法确定，使用Adam和动态学习率对模型训练进行优化；

(d)计算原始图片与重构图片的均方根损失loss，当loss达到足够小时，代表自编码器模型训练完成。

可选地，所述步骤S4具体包括：

(a)布雷柯蒂斯距离(Bray Curtis Distance，BCD)计算公式如下：

公式七：

公式七中，x，y表示不同状态下的滚动轴承特征向量。BCD用来计算特征向量之间的差异，取值在[0，1]；

(b)在BCD的基础上，引入高斯函数对得到的BCD进行加权，高斯函数的表达式如下：

公式八：

(c)其中GBC的计算公式如下：公式九：GBC(x,y)＝f[dist(x,y)]*dist(x,y)

可选地，所述步骤S4还具体包括：

(a)计算正常状态与当前状态的GBC，并记录得到健康因子序列HI：

公式十：HI＝GBC[normal_HI,current_HI(i)](i＝1,2,3,...,N)

公式十中，normal_HI为正常状态特征向量，current_HI(i)为当前时刻滚动轴承特征向量。

(b)利用滑动平均滤波对HI进行平滑处理：

公式十一：

式中，filter(u)为平滑后的HI序列，width为进行滑动平均滤波的窗口长度；u表示HI序列索引。

(c)计算filter(u)的较大四分位数，作为早期故障发生的阈值L；

(d)将平滑后的HI与异常阈值L进行比较：

若S＝-1则视为故障状态，S＝1则视为正常状态。

与现有技术相比，本发明的技术方法具有如下有益效果：

1.本发明设计了一种基于现代信号处理和深度学习技术相结合的离心泵内滚动轴承的早期故障在线诊断方法，解决了现有故障在线诊断技术存在误报警、准确率较低的问题。

2.本发明设计了一种基于高斯函数加权的布雷克蒂斯距离的相似性度量方法，赋予与正常状态相似度较低的特征较大的权重，能够尽可能早的识别早期故障的发生。

3.本发明仅需正常状态的轴承数据进行模型训练和在线诊断，不需要大量的故障数据进行辅助训练，避免了故障数据难以获得问题。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的实现流程图；

图2振动信号双时域变换谱图；

图3为重构信号经连续小波变换后的时域图；

图4为深度卷积自编码器训练损失曲线；

图5为特征提取的编码器模型结构示意图；

图6为bearing1_2健康因子变化图；

图7为bearing1_2早期故障诊断结果。

具体实施方式

为了使本发明的目的、技术方案与优点更为清楚，下面将结合附图和具体实施案例对本发明提出的方法进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参考图1-7所示，本发明主要为一种离心泵内滚动轴承早期故障在线诊断方法，所述方法包含以下几个步骤：

S1.采集离心泵内滚动轴承水平方向上的振动信号；本实施例中使用西安交通大学轴承数据中工况1的Bearing1_1和Bearing1_2全周期水平方向的振动信号数据进行后续验证；

S2.对Bearing1_1和Bearing1_2的全周期数据进行滑窗分割，每个样本包含2560个采样点，对每个样本进行广义S变换和傅里叶逆变换可以得到振动信号的双时域表示，提取双时域变换矩阵的主对角元素重构故障信号s₁，使用连续小波变换得到信号时频矩阵，绘制时频图，由此得到上述轴承在全寿命周期运行中的时频图集；

S3.搭建深度卷积自编码模型，以Bearing1_1时频图集作为自编码模型的训练样本，进行模型训练，计算损失，得到能够提取信号深度特征的编码器模型；

S31.其中Encoder中包含4个卷积层和1个最大值池化层，输入时频图的尺寸为96×96×3，经过4层卷积层和最大值池化层，每一层进行Batch Normalization和激活函数为PReLu，得到尺寸为16×16×3的隐空间特征向量z1，代表时频图在高维隐空间的特征映射。

S32.其中Decoder中包含5个反卷积层，输入特征向量z1尺寸为16×16×3，每一层进行Batch Normalization，前4层的激活函数为PReLu，最后一层的激活函数为Sigmoid，经Decoder得到重构后时频图尺寸为96×96×3，两者的差异采用均方根损失进行衡量。

S33.为了得到最小损失，利用随机搜索后确定深度自编码模型的超参数分别为：Bitch_Size＝42，Learning_rate＝0.00445，Weight_decay＝1.68e-08，Epoch＝2000。将训练样本中10％作为验证集，90％作为训练集，模型经2000次迭代计算后，模型损失达到6.9×10^-4。

S4.选择Bearing1_2初始运行时刻的时频图视为正常状态，提取正常状态下的振动信号的深度特征和后续全周期振动数据的深度特征，计算两者之间的高斯—布雷柯蒂斯距离作为轴承状态健康因子，滑动平均滤波对健康因子曲线进行平滑，利用四分位间距构建自适应异常阈值，得到轴承早期故障诊断结果；

S41.布雷柯蒂斯距离(Bray Curtis Distance，BCD)计算公式如下：

公式七：

BCD用来计算特征向量之间的差异，取值在[0，1]。

S42.在BCD的基础上，引入高斯函数对得到的BCD进行加权，高斯函数的表达式如下：

公式八：

S43.其中GBC的计算公式如下：

公式九：GBC(x,y)＝f[dist(x,y)]*dist(x,y)

S44.计算正常状态与当前状态的GBC，并记录得到健康因子序列HI：

公式十:HI＝GBC[x,y(i)](i＝1,2,3,...,N)

式中，x为正常状态特征向量，y(i)为当前时刻滚动轴承特征向量。

S45.利用滑动平均滤波对HI进行平滑处理：

公式十一:

式中，filter(n)为平滑后的HI序列，width为进行滑动平均滤波的窗口长度。

S46.计算filter(n)的较大四分位数，作为早期故障发生的阈值T。

S47.将平滑后的HI与异常阈值T进行比较：

若a＝-1则视为故障状态，a＝1则视为正常状态。

本发明使用故障预警时刻和误报警率对所述方法的离心泵内滚动轴承早期故障在线诊断能力进行评价，由故障诊断结果可知所提方法在Bearing1_2运行的33min时出现早期故障报警，且未出现误报警的问题，具有较高的报警准确率。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims

1.一种离心泵内滚动轴承早期故障在线诊断方法，其特征在于，包括以下步骤：

S1.采集离心泵内滚动轴承水平方向上的振动信号；

S2.对步骤S1中采集的振动信号进行广义S变换和傅里叶逆变换可以得到振动信号的双时域变换矩阵，提取双时域变换矩阵的主对角元素重构故障信号s₁，使用连续小波变换得到信号时频矩阵，绘制时频图；

S3.搭建深度卷积自编码模型，并利用历史数据库，根据步骤S2中的信号处理方法后建立训练集，进行模型训练，计算损失，得到能够提取信号深度特征的编码器模型；

2.根据权利要求1所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S2中具体操作步骤如下：

(a)对一维连续信号s(t)进行S变换，其数学式为：

公式一：

(b)在广义S变换的基础上引入高斯窗函数的调整因子q和p，则一维连续信号的广义S变换表达式为：

公式二：

(c)由于采集的轴承振动信号x＝x(kt)为离散信号，其中k＝0，1，2，…，n-1，n为信号长度，t为采样时间间隔，对广义S变换做离散化处理，结合傅里叶变换与卷积理论，则公式二表示为：

公式三：

公式三中，H(α+f)表示x(t)的傅里叶变换，α为移位频率；

(d)令f＝n/NT，τ＝kT，则公式三表示为：

公式四：

公式四中，i,m,n＝0,1,2,...,N-1，N为采样点数；T为采样间隔；

公式五：

公式六：

公式六中，z为尺度参数，v为时间参数，f(t)为变换信号，

表示小波基函数，W_f(z,v)是f(t)连续小波变换后的时频矩阵。

3.根据权利要求2所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S3中深度卷积自编码模型由编码器Encoder和解码器Decoder组成；

(a)其中Encoder中包含4个卷积层和1个最大值池化层，输入时频图经Encoder得到图片特征向量z1；

4.根据权利要求3所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S4中高斯—布雷柯蒂斯距离(Gaussian Bray Curtis Distance，GBC)具体操作步骤如下：

(a)布雷柯蒂斯距离(Bray Curtis Distance，BCD)计算公式如下：

公式七；

公式七中，x，y表示不同状态下的滚动轴承特征向量，BCD用来计算特征向量之间的差异，取值在[0，1]；

公式八:

公式八中a，b，c表示高斯函数系数；

(c)其中GBC的计算公式如下：公式九:GBC(x,y)＝f[dist(x,y)]*dist(x,y)。

5.根据权利要求4所述的离心泵内滚动轴承早期故障在线诊断方法，其特征在于，在所述步骤S4中基于滑动平均滤波的四分位数自适应异常阈值早期故障诊断方法具体操作步骤如下：

公式十:HI＝GBC[normal_HI,current_HI(i)](i＝1,2,3,...,N)

公式十中，normal_HI为正常状态特征向量，current_HI(i)为当前时刻滚动轴承特征向量；

(b)利用滑动平均滤波对HI进行平滑处理：

公式十一:

公式十一中，filter(u)为平滑后的HI序列，width为进行滑动平均滤波的窗口长度；u表示HI序列索引；

(c)计算filter(u)的较大四分位数，作为早期故障发生的异常阈值L；

(d)将平滑后的HI与异常阈值L进行比较：

若S＝-1则视为故障状态，S＝1则视为正常状态。