CN115345192A - 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 - Google Patents

Abstract

本发明公开了一种变工况和复杂噪音环境下滚动轴承的故障诊断方法包括利用历史数据集获得故障诊断算法模型和将实时振动数据处理后输入算法模型进行诊断得到滚动轴承故障情况两个步骤。本发明方法具有人工经验要求低、损失率低等优点。

Description

一种变工况和复杂噪音环境下滚动轴承的故障诊断方法

技术领域

本发明涉及机械故障诊断领域，具体的涉及滚动轴承的故障诊断。

背景技术

目前的滚动轴承故障诊断方法主要由三大部分组成，第一部分是传统信号处理方法，第二部分是基于特征提取加机器学习的故障诊断方法，第三部分是基于深度学习的智能故障诊断方法。

传统信号处理方法主要有三种：时域分析、频域分析和时频域分析。时域分析：是指振动信号在一定的时域特点下，根据振动信号的均方根、峭度、平均值、波峰值等统计参数，分析系统的稳定性、瞬态和稳态性能。由于时域分析是直接在时间域中对系统进行分析的方法，所以时域分析具有直观和准确的优点。例如CN111220388A、CN112857806A所给出的技术方案。频域分析：振动信号可以表示为不同频率的正弦信号的合成。当不同振动信号(正常，故障)在不同频率的正弦函数作用时，会具有不同的频率特性，根据这些频率特性能区分出振动信号属于正常或故障，甚至为何种故障。例如CN107356432B、CN108956618B给出的技术方案。时频域分析：由于时域分析与频域分析对于信号的平稳性要求高，难以处理像滚动轴承故障数据这类非平稳信号。为了解决这个问题，时频分析方法被相继提出。时频分析主要是将故障信号在时域和频域的多维度表示，从而获取信号每个成分的时间、频率特性。例如CN104655423A、CN1825082B给出的技术方案。

现有技术中还有基于特征提取与机器学习的故障诊断方法，特征提取与机器学习的故障诊断方法主要利用传统的信号处理方法来提取特征，在运用机器学习方法来对特征进行区分，从而达到故障诊断的目的，其中机器学习方法主要包括：人工神经网络(ANN)、支持向量机(Support Vector Machine(SVM)和专家系统等。例如CN102607845B、CN103542929A等给出的技术方案。

对于基于深度学习的智能故障诊断方法：深度学习，作为近年来人工智能领域兴起的浪潮正在席卷全球，采用深度学习方法进行故障诊断，其主要利用深层网络来自动地挖掘出隐含在数据集下的代表性特征，深层网络将学习到的特征一层层往下传递，最终得到高级、抽象的代表性特征，节约人为选取特征的同时，也提高了特征的代表性与可靠度，因而基于深度学习等方面的故障诊断方法研究近年引起了有关专家的高度关注。例如CN104616033A给出的技术方案。

对于本领域来说，建立一套完整、系统全面的滚动轴承实时状态监测和故障诊断方案，利用物联网技术、大数据技术和人工智能深度学习算法等技术，融合时域分析、频域分析和时频域分析等分析算法，对滚动轴承进行故障诊断，确保故障诊断准确率，降低工业企业非计划外停机，减少因非计划外停机给工业企业带来的损失，是非常重要的。

发明内容

本发明的目的是提供一种变工况和复杂噪音环境下滚动轴承的故障诊断方法。

为实现上述技术目的，本发明将采用以下技术方案：

一种变工况和复杂噪音环境下滚动轴承的故障诊断方法，包括如下步骤：

S1：利用历史数据集生成故障诊断算法模型；S1步骤具体包括如下步骤：

S11：提取滚动轴承设备历史数据集，历史数据集包括多条历史数据；

S12：对S11步骤中历史数据集中全部历史数据通过时域分析获得时域分析参数；

S13：根据S12步骤的时域分析参数，判断S1步骤中获得的每一条历史数据的第一故障类型；

S14：根据第一故障类型的，对每一条历史数据进行频域分析，获得能量特征向量；

S15：将S15步骤得到的全部历史数据能量特征向量创建数据集，分别定义为训练集、验证集和测试集；

S16：将S15步骤中的训练集、验证集和测试集输入一维卷积神经网络模型进行训练，获得训练后的算法模型；

S2：将实时振动数据处理后输入S1步骤获得的算法模型，得到滚动轴承故障情况；S2步骤具体包括如下步骤：

S21：获得滚动轴承的实时数据，通过时域分析获得时域分析参数；

S22：根据S21步骤的时域分析参数，判断S21步骤中获得的实时数据的第一故障类型；

S23：根据第一故障类型的，对实时数据进行频域分析，获得能量特征向量；

S24：将S23步骤得到的能量特征向量使用S16步骤中获得算法模型进行运算，获得故障诊断结果。

进一步的：其中S12步骤中的时域分析的结果包括历史数据的均值、标准差、均方根、偏度、峭度、方根幅值、峰峰值、最大值和绝对平均幅值，进而算出偏度因数、峭度因数、脉冲因数、波形因数、峰值因数、裕度因数中的一个或者多个。

进一步的：其中S13步骤中第一故障类型由S12步骤中时域分析参数决定。

进一步的，其中S14步骤频域分析包括如下步骤：

S141：将待处理信号进行小波变换；

S142：将小波变换后产生的信号的小波系数与第一阈值进行比较，小于第一阈值的小波系数设定为零，大于第一阈值的小波系数保持不变；

S143：对S143步骤获得的信号采用db5小波进行3层小波分解得到各层分解系数ca3、cd3、cd2、cd1，再对各层分解系数进行重构，得到重构信号a3、d3、d2、d1及合成重构信号a0，随后求出第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量；将第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量进行补充集合经验模态分解得到各个IMF能量特征向量，提取前n个IMF分量，其中n为自然数。

进一步的，其中S15步骤频域分析包括如下步骤：

S151：将得到的能量特征向量创建数据集并划分训练集、验证集和测试集，划分比例为7:2:1。

进一步的，其中S16步骤中一维卷积神经网络模型使用序贯函数构建。

进一步的，设定算法模型训练参数批量数据大小batch_size＝128，训练轮数epochs＝60，故障类型数量num_classes＝10，振动信号长度length＝1024，每类样本的数量number＝1000，本模型一共有5层卷积层与池化层，第一层卷积核大小为64*1，除第一层外，其余卷积核的大小均为3*1，隐含层神经元为100，SoftMax层共有10个输出。

进一步的，其中S21步骤中，对实时数据通过流式计算Flink实时计算进行时域特征提取。

进一步的，其中S21步骤中的时域分析选取S12步骤中计算获得的参数中一个或者多个的类型获取该类型的时域分析结果。

进一步的，其中S22步骤判断第一故障类型的方法于S13步骤使用的方法相同。

进一步的，其中S23步骤获得能量特征向量与S13步骤使用的方法相同。

综上所述，本发明的有益效果是：1、克服了现有技术中存在的判断不精确、或者判断精确但自动程度低的问题；2、本发明采用的方法结合了时域方法、频域方法、大数据方法等，有效的提高了测试的准确度和自动化程度，降低了对人工经验的依赖；3、本发明的模型算法的损失低，预测值与真实值的接近程度高。

附图说明：

图1模型平台架构图；

图2算法中心架构图；

图3模型算法的混淆矩阵；

图4模型算法的ROC曲线；

图5模型算法的精度召回曲线；

图6模型算法的损失曲线；

图7模型算法的正确率曲线；

图8物联网平台架构。

具体实施方式：

下面将结合本发明中实施例中的附图，对本发明实施例中的技术方案进行清晰、完整的描述。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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

故障诊断分为两个阶段，即基于大数据平台的中数据湖滚动轴承的历史数据及滚动轴承的故障数据训练阶段和基于实时数据采集的滚动轴承故障诊断阶段。训练阶段主要完成基于海量滚动轴承历史数据完成模型算法的训练、验证和测试，确保滚动轴承模型算法有较高的准确率。故障诊断阶段为将训练好的模型算法下发到边缘端，结合Flink实时计算框架对实时采集上来的滚动轴承的振动数据和温度数据实时计算，然后提取时域特征、频域特征和时频域特征，再利用小波包分解算法去噪，去噪后的特征数据通过补充集合经验模态分解提取能量特征向量，最后将这些特征向量推送到平台下发的边缘侧的模型算法进行实时诊断，经过模型算法计算后出具诊断结果，并推送给在线监测系统和运维管理平台，实时通知有关工作人员查看诊断结果。

本发明方法分为两个部分，第一部分是训练模型算法，第二部分是进行诊断。在训练模型算法阶段主要经过以下步骤进行滚动轴承的模型算法训练：

从大数据平台中提取滚动轴承设备健康历史数据。对于滚动轴承的振动数据，获取其加速度信号，通过时域分析模块计算均值、标准差、均方根、偏度、峭度、方根幅值、峰峰值、最大值和绝对平均幅值，进而算出偏度因数、峭度因数、脉冲因数、波形因数、峰值因数、裕度因数。

根据计算出来的15个时域信号通过诊断模块进行该诊断信号分类，具体分类情况参见下表1。利用时域分析可以较为快速的获得初步故障诊断信息。在本发明中，定义初步故障类型为第一故障类型。

表1

对于本领域普通技术人员而言，以上特征与第一故障类型之间的关系仅为示例性的。本领域普通技术人员可以根据实际情况调整以上特征与第一故障类型之间的对应关系，包括将多个特征与第一故障类型之间进行关联，或者增加新的第一故障类型。

如果通过时域信号分析后，得到滚动轴承故障类型，以及故障的类型，则对振动信号进行频域分析，得到该信号的幅值谱、相位谱和功率谱。

在频域分析过程中，使用小波变换将由多种信号复合的复杂的信号分解。为了支持变工况且环境恶劣环境下的滚动轴承故障。例如，将内圈故障信号通过小波变换，经过小波变换后信号产生的小波系数较大，而噪声产生的小波系数较小且小于信号产生的小波系数，通过选择一个合适的阈值，将大于阈值的小波系数保留，同时将小于阈值的小波系数全部设为零，进而实现小波阈值降噪。小波阈值降噪的效果可以根据信噪比(SNR)和均方根误差(RMSE)来判断，一般信噪比越大，均方根误差越小说明降噪效果就越好。采用8种小波(db3、db5、db6、db8、sym3、sym5、sym6、sym8)和4种阈值(sqtwolog阈值、rigrsure阈值、heursure阈值、minimaxi阈值)的组合进行降噪，并计算相应的信噪比和均方根误差。然后，选择信噪比大、均方根误差小的小波和阈值进行降噪。对内圈故障数据采用不同的小波与阈值的组合进行小波阈值降噪，得到不同的小波与阈值的组合下的信噪比和均方根误差。

对小波阈值降噪后的信号采用db5小波进行3层小波分解得到各层分解系数ca3、cd3、cd2、cd1，再对各层分解系数进行重构，得到重构信号a3、d3、d2、d1及合成重构信号a0，然后求出第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量。

以上所提及的技术术语本身为现有技术中所熟知的，可以参考诸多教科书。本发明在于将以上技术手段进行选择和组合，从而能够获得本发明所描述的技术效果。在本发明中，本领域普通技术人员可以按照以上步骤的描述将本发明待处理的信号进行小波方法处理。

随后，将重构的能量信号进行补充集合经验模态分解(CEEMD，ComplementaryEnsemble Empirical Mode Decomposition)分解得到各个IMF分量，提取前8个IMF分量。

以上使用小波方法和CEEMD对信号进行处理后，得到的IMF值实现对原始信号精准重构。

针对每一条历史数据完成分析，将历史数据集中每条历史数据得到的能量特征向量创建数据集并划分训练集、验证集和测试集，划分比例为7:2:1。

随后使用序贯函数构建一维卷积神经网络模型，序贯函数可以使用Keras完成。Kera是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。本领域普通技术人员可以根据具体要求，使用Keras完成相应序贯函数的编程。

模型训练参数批量数据大小batch_size＝128，训练轮数epochs＝60，故障类型数量num_classes＝10，振动信号长度length＝1024，每类样本的数量number＝1000，本模型一共有5层卷积层与池化层，第一层卷积核大小为64*1，除第一层外，其余卷积核的大小均为3*1，隐含层神经元为100，SoftMax层共有10个输出，对应滚动轴承10种故障状态。

将训练集内的数据导入神经网络模型，通过多轮的训练，神经网络模型可以获得相应的适应性参数，完成对模型算法的训练。

由于本发明中已经划分训练集、验证集和测试集，因此，首先使用训练集进行训练，训练获得各参数。在确定模型的各参数后，使用验证集对模型进行验证。验证完毕后，使用测试集对模型进行测试。并评估训练集损失率、训练集精确度、验证集损失率和验证集精度，完成前述指定的训练轮数后，完成初步的模型算法训练。

本发明方法的第二部分是诊断。在完成模型的训练后进行诊断。

首先，获取待检测的滚动轴承的实时振动数据，通过流式计算Flink实时计算技术进行25个时域特征提取；根据计算出来的25个时域信号可以通过诊断模块进行该诊断信号进行分类，初步判断是否出现滚动轴承故障；

随后，根据时域分析实时计算得到的滚动轴承故障，则对振动信号进行频域分析，得到该信号的幅值谱、相位谱和功率谱，通过频域的信息可以诊断出故障出现的具体位置：外圈、内圈、滚动体还是保持架故障。不同的故障位置，需要采用不同处理参数。

接下来，利用小波包分析对频域特征进行小波阈值降噪。对小波阈值降噪后的信号采用db5小波进行3层小波分解得到各层分解系数，再对各层分解系数进行重构，得到重构信号，然后求出第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量；将重构的能量信号进行补充集合经验模态分解(CEEMD)分解得到各个IMF分量，最后计算各IMF的能量得到故障信号的能量特征向量，提取前8个IMF分量。

随后，调用第一部分中获得模型的算法进行实时故障诊断。诊断过程是将实时数据的IMF数值在诊断算法模型进行运算，从而获得相应的输出值。输出值对应于故障类型，从而获得故障诊断结果。获得故障诊断结果后，可以将故障诊断结果写入数据库，同时推送到在线监测系统，供相关工作人员实时掌握滚动轴承健康状况。

以下结合附图对本发明进一步进行说明。

图1示出了针对滚动轴承故障诊断的模型平台架构，分别由数据源、特征提取、模型中心和模型评估等部分组成。

数据源提供模型训练所需的滚动轴承的正常数据和故障数据，包括大数据平台上的所有滚动轴承数据和来自其他学术和科研的滚动轴承模型算法训练数据。根据现有的历史数据，可以对设定的算法模型结构进行训练，从而能够符合实际工况数据的算法模型。

特征提取提供时域特征、频域特征和时频域特征等模型训练所需的各类滚动轴承的特征模型。

模型中心则是提供滚动轴承模型训练所需的支撑能力平台，包括模型设计、训练集数据配置、验证集数据配置、测试集数据配置、模型训练、模型验证、模型测试、模型导出、实时诊断和本地诊断等。

模型评估则提供评估模型训练结果的综合评估，提供混淆矩阵、ROC曲线、精度召回曲线、损失曲线和正确率曲线等，帮助工作人员进行高效模型设计、模型训练和模型开发。

图2示出了针对算法中心的架构，包含数据源、特征提取、算法中心和算法评估等四大部分。数据源为算法中心提供滚动轴承训练数据和实时故障诊断数据，来自数据湖和其他学术及科研机构的滚动轴承仿真数据，帮助前期模型和算法训练。

特征提取提供时域特征、频域特征和时频域特征等用于算法训练。

算法中心提供用于时域分析、频域分析和时频域分析的时域算法、频域算法和时频域算法以及监督学习算法、无监督学习算法与深度学习算法等，是整个算法中心的核心，为滚动轴承故障诊断提供整套算法解决方案。

算法评估提供混淆矩阵、ROC曲线、精度召回曲线、损失曲线和正确率曲线，用于评估滚动轴承故障算法的训练准确率与损失率、验证准确率与损失率和测试准确率与损失率等。

图3示出了针对模型算法评估的混淆矩阵结果，重点关注本矩阵中的斜线部分，斜线中矩阵的数值表示本模型算法的准确率，每类故障数据在斜线矩阵中代表一个矩阵，矩阵中的数值代表模型算法训练的准确率。矩阵中的数值越低，表示模型算法需要进一步优化，优化过程贯穿时域特征、频域特征和时频域等特征提取模型算法调优、特征去噪算法调优、能量特征向量算法调优及卷积神经网络模型和算法等全过程调优。

图4示出了模型算法的ROC曲线，右下角图例标明了每类滚动轴承故障训练的ROC面积值，重点关注曲线包围起来的面积，面积越接近1，表示模型算法准确率越高，否则需要优化模型算法，优化过程贯穿时域特征、频域特征和时频域等特征提取模型算法调优、特征去噪算法调优、能量特征向量算法调优及卷积神经网络模型和算法等全过程调优。

图5示出了模型算法的精度召回曲线，左下角图例标明了每类滚动轴承故障训练的召回率面积值，面积越接近1，表示模型算法准确率越高，否则需要优化模型算法，优化过程贯穿时域特征、频域特征和时频域等特征提取模型算法调优、特征去噪算法调优、能量特征向量算法调优及卷积神经网络模型和算法等全过程调优。

图6示出了模型算法的损失曲线，曲线越逼近于0，表示模型算法的损失率越低，否则需要优化模型算法，优化过程贯穿时域特征、频域特征和时频域等特征提取模型算法调优、特征去噪算法调优、能量特征向量算法调优及卷积神经网络模型和算法等全过程调优。

图7示出了模型算法的正确率曲线，曲线越逼近于1，表示模型算法的其模型算法准确率越高否则需要优化模型算法，优化过程贯穿时域特征、频域特征和时频域等特征提取模型算法调优、特征去噪算法调优、能量特征向量算法调优及卷积神经网络模型和算法等全过程调优。

本发明方法利用滚动轴承历史故障数据进行前期模型算法训练，模型算法损失率为1.573033％，模型算法精度达到98.42697％，并在河北某钢铁厂的热轧产线粗轧区和精轧区的关键设备的滚动轴承进行实时故障诊断，故障诊断准确率达到95％以上，实时故障诊断结果延时可以控制在秒级以内。

以上所述，仅为本申请的具体实施方式，在本申请的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本申请的目的，本申请的保护范围应以权利要求的保护范围为准。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

Claims (11)

1.一种变工况和复杂噪音环境下滚动轴承的故障诊断方法，包括如下步骤：

S1：利用历史数据集生成故障诊断算法模型；S1步骤具体包括如下步骤：

S11：提取滚动轴承设备历史数据集，历史数据集包括多条历史数据；

S12：对S11步骤中历史数据集中全部历史数据通过时域分析获得时域分析参数；

S13：根据S12步骤的时域分析参数，判断S1步骤中获得的每一条历史数据的第一故障类型；

S14：根据第一故障类型的，对每一条历史数据进行频域分析，获得能量特征向量；

S15：将S15步骤得到的全部历史数据能量特征向量创建数据集，分别定义为训练集、验证集和测试集；

S16：将S15步骤中的训练集、验证集和测试集输入一维卷积神经网络模型进行训练，获得训练后的算法模型；

S2：将实时振动数据处理后输入S1步骤获得的算法模型，得到滚动轴承故障情况；S2步骤具体包括如下步骤：

S21：获得滚动轴承的实时数据，通过时域分析获得时域分析参数；

S22：根据S21步骤的时域分析参数，判断S21步骤中获得的实时数据的第一故障类型；

S23：根据第一故障类型的，对实时数据进行频域分析，获得能量特征向量；

S24：将S23步骤得到的能量特征向量使用S16步骤中获得算法模型进行运算，获得故障诊断结果。

2.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的：其中S12步骤中的时域分析的结果包括历史数据的均值、标准差、均方根、偏度、峭度、方根幅值、峰峰值、最大值和绝对平均幅值，进而算出偏度因数、峭度因数、脉冲因数、波形因数、峰值因数、裕度因数中的一个或者多个。

3.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的：其中S13步骤中第一故障类型由S12步骤中时域分析参数决定。

4.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S14步骤频域分析包括如下步骤：

S141：将待处理信号进行小波变换；

S142：将小波变换后产生的信号的小波系数与第一阈值进行比较，小于第一阈值的小波系数设定为零，大于第一阈值的小波系数保持不变；

S143：对S143步骤获得的信号采用db5小波进行3层小波分解得到各层分解系数ca3、cd3、cd2、cd1，再对各层分解系数进行重构，得到重构信号a3、d3、d2、d1及合成重构信号a0，随后求出第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量；将第3层低频小波重构序列a3和各层高频小波重构序列d3、d2、d1的能量进行补充集合经验模态分解得到各个IMF能量特征向量，提取前n个IMF分量，其中n为自然数。

5.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S15步骤频域分析包括如下步骤：

S151：将得到的能量特征向量创建数据集并划分训练集、验证集和测试集，划分比例为7:2:1。

6.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S16步骤中一维卷积神经网络模型使用序贯函数构建。

7.根据权利要求6所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，设定算法模型训练参数批量数据大小batch_size＝128，训练轮数epochs＝60，故障类型数量num_classes＝10，振动信号长度length＝1024，每类样本的数量number＝1000，本模型一共有5层卷积层与池化层，第一层卷积核大小为64*1，除第一层外，其余卷积核的大小均为3*1，隐含层神经元为100，SoftMax层共有10个输出。

8.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S21步骤中，对实时数据通过流式计算Flink实时计算进行时域特征提取。

9.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S21步骤中的时域分析选取S12步骤中计算获得的参数中一个或者多个的类型获取该类型的时域分析结果。

10.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S22步骤判断第一故障类型的方法与S13步骤使用的方法相同。

11.根据权利要求1所述的变工况和复杂噪音环境下滚动轴承的故障诊断方法，进一步的，其中S23步骤获得能量特征向量与S13步骤使用的方法相同。

Images