CN116451019A - 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法 - Google Patents

一种基于cnn的旋转机械局部故障信号稀疏时频表示方法 Download PDF

Info

Publication number
CN116451019A
CN116451019A CN202310316873.2A CN202310316873A CN116451019A CN 116451019 A CN116451019 A CN 116451019A CN 202310316873 A CN202310316873 A CN 202310316873A CN 116451019 A CN116451019 A CN 116451019A
Authority
CN
China
Prior art keywords
time
frequency
fault
signal
sparse
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.)
Pending
Application number
CN202310316873.2A
Other languages
English (en)
Inventor
习慈羊
林慧斌
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310316873.2A priority Critical patent/CN116451019A/zh
Publication of CN116451019A publication Critical patent/CN116451019A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

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

Abstract

本发明公开了一种基于CNN的旋转机械局部故障信号稀疏时频表示方法，包括步骤：步骤S1，利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集；步骤S2，构造一个卷积神经网络模型并对模型进行训练；步骤S3，采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络模型输入的时频谱样本；步骤S4，采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该样本的稀疏时频表示；步骤S5，提取故障特征时频脊线并逐个比对各阶次故障特征时频脊线，进一步确定故障发生位置，从而完成旋转机械的高精度故障诊断。

Description

一种基于CNN的旋转机械局部故障信号稀疏时频表示方法
技术领域
本发明涉及旋转机械故障诊断技术，具体涉及一种基于CNN的旋转机械局部故障信号稀疏时频表示方法。
背景技术
旋转机械在非平稳工况下的状态监测和故障诊断关键在于准确刻画其特征频率随时间的变化规律。时频分析方法广泛应用于旋转机械非平稳振动信号的分析，受测不准原理限制，短时傅里叶变换难以获得满意的时频能量集中，特别是当采集的振动信号混有大量噪声时，这种时频能量分散容易导致提取出的故障时频特征线偏差较大，不能满足诊断要求。
由于旋转机械故障信号的理想时频表示在本质上是稀疏的，因此，人们开始尝试从稀疏表示角度来提高旋转机械故障信号在时频域中的稀疏性，从而提高旋转机械故障信号时频表示的时频能量集中。结合稀疏表示与时频表示的方法也被称为稀疏时频表示方法。(Hou F,Selesnick I,Chen J,et al.Fault diagnosis for rolling bearings underunknown time-varying speed conditions with sparse representation[J].Journalof Sound and Vibration,2021,494:115854.)对滚动轴承局部故障信号进行稀疏时频表示并完成故障诊断，该方法利用逆短时傅里叶变换算子，建立了基于l2-l1范数的一般稀疏时频表示问题，并通过迭代软阈值算法(Iterated Soft-thresholding Algorithm,ISTA)获取轴承局部故障信号的稀疏时频表示。然而，该方法在噪声的干扰下获取的故障特征时频脊线往往并不连续，不利于旋转机械在变转速工况下的精确故障诊断。
发明内容
本发明针对现有稀疏时频表示方法在噪声干扰下无法同时兼顾振动信号具有的时频稀疏特性和时频脊线连续特性等问题，提出了一种基于CNN的旋转机械局部故障信号稀疏时频表示方法。本发明方法首先利用旋转机械局部故障信号响应模型构建时频谱数据集，解决了实际工程中网络训练所需的实测振动信号标签难以获取的问题。然后构建和训练卷积神经网络模型，最后将训练好的卷积神经网络模型对旋转机械局部故障信号的时频表示进行稀疏化特征提取，所获得的时频表示具备高时频能量集中、高时频稀疏度以及连续的时频脊线的特点，可以用于旋转机械的高精度故障诊断。
本发明至少通过如下技术方案之一实现。
一种基于CNN的旋转机械局部故障信号稀疏时频表示方法，包括以下步骤：
S1、利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集；
S2、构造卷积神经网络模型并对模型进行训练；
S3、采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络输入的时频谱样本；
S4、采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该样本的稀疏时频表示；
S5、提取步骤S4中样本的稀疏时频表示中的故障特征时频脊线并逐个比对步骤S3中获得的各阶次故障特征时频脊线，进一步确定故障发生位置，完成旋转机械的高精度故障诊断。
进一步地，所述步骤S1中具体包括：
S11、根据旋转机械局部故障信号响应模型，建立理想的局部故障冲击仿真信号，旋转机械局部故障信号响应模型如下式所示：
式中：fdj表示系统的第j阶共振频率，ζj表示系统的第j阶阻尼比，bij表示第j阶共振下第i次脉冲响应的信号幅值，Ti表示第i次脉冲发生的时刻，u(t)表示单位阶跃响应函数，I为脉冲响应总次数，J为故障引起的系统共振总阶数，t为时间；
S12、对理想的局部故障冲击仿真信号加入高斯白噪声，得到含噪信号；
S13、分别对无噪信号和含噪信号依次进行信号分段、Hilbert解调并取包络谱以及时频变换并截取分析谱矩阵的预处理，以通过含噪信号做预处理获得的时频谱作为输入、无噪信号做预处理获得的时频谱作为标签，完成数据集的构建。
进一步地，所述步骤S1中采用Hilbert解调并取包络谱的目的在于获取以轴承或齿轮的故障特征频率为主要频率成分的信号分量。
进一步地，所述步骤S1中采用的时频变换可以是任意一种时频变换方式如短时傅里叶变换、小波变换以及魏格纳变换等。
进一步地，所述步骤S2中具体包括：
S21、卷积神经网络模型组成包括空洞卷积函数、批归一化函数和激活函数,其中空洞卷积函数不仅可以用于提取信号特征，还能在不增加超参数量的同时大幅增大卷积核的感受野，防止个别卷积操作的全部卷积像素点落入噪声区域；批归一化函数可以使得输入样本特征具有相同的均值与方差，这将降低模型参数的敏感度，有利于稳健地训练卷积神经网络模型；而激活函数可以使得卷积神经网络具备非线性数据拟合能力，从而提升卷积神经网络模型的特征提取能力；
S22、每个空洞卷积函数的步长为1，依据下式得到空洞卷积核的核尺寸与填充尺寸参数：
F＝2P+1
式中：F表示空洞卷积核的核尺寸，P表示空洞卷积核的填充尺寸；
S23、依据下式得到空洞卷积核的膨胀率参数：
max{rm+1-2rm,2rm-rm+1,rm}≤Km
式中：rm表示第m层空洞卷积的膨胀率，Km表示空洞卷积核的核尺寸；
S24、采用所述步骤S1中构造的数据集对构造的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
进一步地，所述步骤S3中具体包括：
S31、采集设备的振动加速度信号，并对其依次进行高通滤波、Hilbert解调并取包络谱以及时频变换并截取分析谱矩阵的预处理，以获得适用于卷积神经网络模型输入的时频谱；
S32、采集设备的输入轴转速信号，由设备的机械结构分析轴承和齿轮可能会发生的故障位置，并计算各种可能的故障位置下的各阶次故障特征时频脊线，时频脊线中各瞬时点的故障特征频率计算公式如下：
fc(t)＝n·c·fr(t),t∈[ts,te]
式中：fc(t)表示在t时刻某可能的位置下的瞬时故障特征频率，c为该位置故障时对应的故障特征频率系数，由元件的机械结构而定，fr(t)为该位置所在旋转轴在t时刻的瞬时转频，ts为振动信号采集起始时刻点，te为振动信号采集终止时刻点，n为瞬时故障特征频率的阶次，一般计算前几阶即可满足故障诊断需求；
进一步地，所述步骤S3中采用高通滤波的目的在于滤除实际信号中存在的非平稳调制低频成分的干扰。
进一步地，所述步骤S4中，采用所述步骤S2中训练好的卷积神经网络模型对所述步骤S3中获得的振动信号时频谱进行稀疏特征提取，得到振动信号的稀疏时频表示。
进一步地，所述步骤S5中具体包括：
S51、利用极大值处理提取振动信号的稀疏时频表示中各阶次下的故障特征时频脊线；
S52、逐阶次比对提取的故障特征时频脊线与所述步骤S3中计算得到的可能的故障位置下的故障特征时频脊线，在某阶次下，当被比较的脊线的曲线率误差小于允许误差值，则可进一步确定故障发生位置，此外，当多个阶次下被比较的脊线的曲线率误差均小于允许误差值时，故障诊断的结果将会更可靠。其中曲线率误差的计算公式如下：
式中，en为提取的n阶次下的脊线的曲线率误差，Nc为每条脊线的总时间点数，τp为第p点对应的时刻，fn(τp)为n阶次下的脊线在τp时刻对应的脊频率，fb(τp)为对应故障位置下在τp时刻的故障特征频率的基频。
本发明相对于现有技术具有的优点及效果：
(1)采用所提数据集训练获得的卷积神经网络模型具有较好的泛化性，一次训练完后可直接用于不同工况下的实际旋转机械局部故障信号时频表示的稀疏时频特征提取；
(2)所提方法相比传统的稀疏时频表示方法，具有更好的抗噪性能，能够同时兼顾振动信号的时频稀疏特性与脊线连续特性；
(3)本发明将卷积神经网络和时频表示进行结合，通过卷积神经网络的特征提取能力与时频表示来获取时频能量更加集中的稀疏时频表示并克服传统稀疏时频表示中时频脊线不连续的缺陷，完成精度更高的旋转机械局部故障诊断。
附图说明
为了更加明确地说明本发明的实施例或现有技术中的技术方案，下面会简要介绍实施例中所需要使用的图示。这些图示是本申请的一部分，但仅仅是非限制性的示例，用于展示发明概念，而非用于限制发明的范围。
图1是本发明实施例提供的一种基于CNN的旋转机械局部故障信号稀疏时频表示方法实施的流程图；
图2是本发明方法中用于数据集构造的流程图；
图3是本发明实施例中在实验中采集的原始振动信号的时域波形图；
图4是本发明实施例中原始振动信号经信号预处理后获得的时频谱样本示意图；
图5是本发明实施例中在实验中采集的输入轴转速曲线图；
图6是本发明实施例中所提方法获得的时频谱示意图；
图7是本发明实施例中基于短时傅里叶变换的稀疏时频表示对比方法获得的时频谱示意图；
具体实施方式
为了更清楚地描述本发明实施例的目的、技术方案和优点，下文将结合附图对其进行详细描述。需要指出的是，本文所述的实施例仅是本发明的一部分实施例，而非全部实施例。本领域的普通技术人员可以在不进行创造性劳动的情况下，根据本发明中所描述的实施例获得其他实施例，这些实施例都属于本发明的保护范围。
本发明实施例提供的一种基于CNN的旋转机械局部故障信号稀疏时频表示方法的实施流程，如图1所示。
以汽车五档变速箱中发生局部故障的齿轮为研究对象，对本发明进行进一步说明。包括以下步骤：
S1、利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集。构造流程如图2所示，本步骤具体包括：
S11、根据旋转机械局部故障信号响应模型，建立理想的局部故障冲击仿真信号，旋转机械局部故障信号响应模型如下式所示：
式中：fdj表示系统的第j阶共振频率，ζj表示系统的第j阶阻尼比，bij表示第j阶共振下第i次脉冲响应的信号幅值，Ti表示第i次脉冲发生的时刻，u(t)表示单位阶跃响应函数，I为脉冲响应总次数，J为故障引起的系统共振总阶数，t为时间序列；
S12、对理想的局部故障冲击仿真信号加入高斯白噪声，得到含噪信号；
S13、分别对无噪信号和含噪信号进行预处理，以通过含噪信号做预处理获得的时频谱作为输入、无噪信号做预处理获得的时频谱作为标签，完成时频谱数据集的构建。
在本发明的其中一些实施例中，所述预处理包括：分别对无噪信号和含噪信号依次进行信号分段、Hilbert解调并取包络谱以及时频变换并截取分析谱矩阵的。其中，采用Hilbert解调并取包络谱是为了获取以旋转机械(如轴承或齿轮)的故障特征频率为主要频率成分的信号分量。
在本发明的其中一些实施例中，所述时频变换的方式可以为任意一种时频变换，如傅里叶变换、小波变换以及魏格纳变换等。
S2、利用空洞卷积、批归一化与激活函数等神经网络组件构造一个卷积神经网络模型并对模型进行训练，具体包括：
S21、卷积神经网络模型的组件包括空洞卷积函数、批归一化函数和激活函数三种。其中空洞卷积函数不仅可以用于提取信号特征，还能在不增加超参数量的同时大幅增大卷积核的感受野，防止个别卷积操作的全部卷积像素点落入噪声区域；批归一化函数可以使得输入样本特征具有相同的均值与方差，这将降低模型参数的敏感度，有利于稳健地训练卷积神经网络模型；而激活函数可以使得卷积神经网络具备非线性数据拟合能力，从而提升卷积神经网络模型的特征提取能力；
S22、每个空洞卷积函数的步长为1，依据下式得到空洞卷积核的核尺寸与填充尺寸参数：
F＝2P+1
式中：F表示空洞卷积核的核尺寸，P表示空洞卷积核的填充尺寸；
S23、依据下式得到空洞卷积核的膨胀率参数：
max{rm+1-2rm,2rm-rm+1,rm}≤Km
式中：rm表示第m层空洞卷积的膨胀率，Km表示空洞卷积核的核尺寸；
S24、采用步骤S1中构造的时频谱数据集对构造的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
在本发明的其中一些实施例中，将空洞卷积分别与批归一化、激活函数搭配使用，表1为所提卷积神经网络模型的超参数。其中，D表示空洞卷积函数，B表示批归一化函数，L表示LeakyReLU激活函数，R表示ReLU激活函数。
表1卷积神经网络模型的超参数
S3、采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络模型输入的时频谱样本。
本步骤具体包括：
S31、从实验平台的设备端采集机械振动信号，对该信号依次进行高通滤波、Hilbert解调并取包络谱以及时频变换(在本发明的其中一些实施例中，采用短时傅里叶变换)并截取分析谱矩阵的预处理，以获得适用于卷积神经网络模型输入的时频谱。其中，采用高通滤波来滤除实际信号中存在的非平稳调制低频成分的干扰。
在本发明的其中一些实施例中，采集到的振动信号如图3所示，对其进行预处理后得到的时频谱如图4所示。
S32、从实验平台的设备端采集输入轴转速信号，这一步与所述步骤S31同时进行，在本发明的其中一些实施例中，采集到的转速信号如图5所示，由设备的机械结构分析轴承和齿轮可能会发生的故障位置，并计算各种可能的故障位置下的各阶次故障特征时频脊线，如轴承内圈、外圈、滚动体以及齿轮断齿等故障发生时的瞬时故障特征频率。
其中，时频脊线中各瞬时点的故障特征频率计算公式如下：
fc(t)＝n·c·fr(t),t∈[ts,te]
式中：fc(t)表示在t时刻某可能的位置下的瞬时故障特征频率，c为该位置故障时对应的故障特征频率系数，由旋转元件的机械结构而定，fr(t)为该位置所在旋转轴在t时刻的瞬时转频，ts为振动信号采集起始时刻点，te为振动信号采集终止时刻点，n为瞬时故障特征频率的阶次，一般计算前几阶即可满足故障诊断需求；
S4、采用步骤S2中训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该时频谱样本的稀疏时频表示。
在本发明的其中一些实施例中，得到的旋转机械局部故障信号的稀疏时频表示如图6所示。
为验证本发明方法的时频表示性能，选择同样基于短时傅里叶变换的稀疏时频表示方法进行对比，基于对比方法得到的振动信号时频表示如图7所示。对比图6和图7，可知相比上述传统的稀疏时频表示方法，本发明的稀疏时频表示方法更能兼顾振动信号具有的时频稀疏特性与时频脊线连续特性，因而可以更有利于旋转机械在变转速工况下的精确诊断。
S5、提取故障特征时频脊线并逐个比对所述步骤S3中依据计算公式获得的各阶次故障特征时频脊线，当被比对的脊线的曲线率误差小于允许误差值，则可进一步确定故障发生位置，从而完成旋转机械的高精度故障诊断。
本步骤具体包括：
S51、利用极大值处理提取所述步骤S4中获取的机械振动信号稀疏时频表示中各阶次下的故障特征时频脊线；
S52、逐阶次比对提取的故障特征时频脊线与所述步骤S3中计算得到的可能的故障位置下的故障特征时频脊线，在某阶次下，当被比较的脊线的曲线率误差小于允许误差值，则可进一步确定故障发生位置，此外，当多个阶次下被比较的脊线的曲线率误差均小于允许误差值时，故障诊断的结果将会更可靠。其中曲线率误差的计算公式如下：
式中，en为提取的n阶次下的脊线的曲线率误差，Nc为每条脊线的总时间点数，τp为第p点对应的时刻，fn(τp)为n阶次下的脊线在τp时刻对应的脊频率，fb(τp)为对应故障位置下在τp时刻的故障特征频率的基频。
在本发明的其中一些实施例中，对图6所示的旋转机械局部故障信号的稀疏时频表示分别提取1、2、3与5阶次的故障特征时频脊线并进行比对，可知，五档输出轴齿轮发生局部故障。
此外，从本发明方法获得的时频谱中提取出的故障特征时频脊线与理想的故障特征脊线的曲线率误差最大仅为1.29％，远低于允许用于旋转机械故障诊断的误差上限5％，因此，可认为本发明方法能够用于完成高精度的旋转机械设备故障诊断。
前述步骤前的序号是为了表述方便，不构成对步骤先后顺序的限制。
上述实施例是本发明提供的一个效果较佳的实施例，但这并不排除其他实施方式的存在。只要这些方式不违背本发明的原则和精神，对本发明进行的任何改变、调整、替换、组合或简化都应被视为等效的替代方式，并且这些替代方式也应该被视为本发明的保护范围之内。

Claims (10)

1.一种基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，包括以下步骤：
S1、利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集；
S2、构造卷积神经网络模型并对模型进行训练；
S3、采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线，同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络输入的时频谱样本；
S4、采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取，得到该样本的稀疏时频表示；
S5、提取步骤S4中样本的稀疏时频表示中的故障特征时频脊线并逐个比对步骤S3中获得的各阶次故障特征时频脊线，进一步确定故障发生位置，完成旋转机械的高精度故障诊断。
2.根据权利要求1所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S1中具体包括：
S11、根据旋转机械局部故障信号响应模型，建立理想的局部故障冲击仿真信号，旋转机械局部故障信号响应模型如下式所示：
式中：fdj表示系统的第j阶共振频率，ζj表示系统的第j阶阻尼比，bij表示第j阶共振下第i次脉冲响应的信号幅值，Ti表示第i次脉冲发生的时刻，u(t)表示单位阶跃响应函数，I为脉冲响应总次数，J为故障引起的系统共振总阶数，t为时间；
S12、对理想的局部故障冲击仿真信号加入高斯白噪声，得到含噪信号；
S13、分别对无噪信号和含噪信号进行预处理，以通过含噪信号做预处理获得的时频谱作为输入、无噪信号做预处理获得的时频谱作为标签，完成时频谱数据集的构建。
3.根据权利要求2所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S13中的所述预处理包括进行信号分段、Hilbert解调并取包络谱以及时频变换并截取分析谱矩阵。
4.根据权利要求3所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，所述时频变换为傅里叶变换、小波变换以及魏格纳变换中的任一种。
5.根据权利要求1所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S2中卷积神经网络模型的组件包括空洞卷积函数、批归一化函数和激活函数，其中空洞卷积函数用于提取信号特征以及在不增加模型超参数量的同时增大卷积核的感受野，批归一化函数用于使输入样本特征具有相同的均值与方差；激活函数用于使得卷积神经网络具备非线性数据拟合能力。
6.根据权利要求5所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，每个空洞卷积函数的步长为1，依据下式得到空洞卷积核的核尺寸与填充尺寸参数：
F＝2P+1
式中：F表示空洞卷积核的核尺寸，P表示空洞卷积核的填充尺寸；
依据下式得到空洞卷积核的膨胀率参数：
max{rm+1-2rm,2rm-rm+1,rm}≤Km
式中：rm表示第m层空洞卷积的膨胀率，Km表示空洞卷积核的核尺寸。
7.根据权利要求1所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S3中具体包括：
S31、采集设备的振动加速度信号，并对其进行预处理，获得适用于卷积神经网络模型输入的时频谱；
S32、采集设备的输入轴转速信号，由设备的机械结构分析轴承和齿轮可能会发生的故障位置，并计算各种可能的故障位置下的各阶次故障特征时频脊线，时频脊线中各瞬时点的故障特征频率计算公式如下：
fc(t)＝n·c·fr(t),t∈[ts,te]
式中：fc(t)表示在t时刻某可能的位置下的瞬时故障特征频率，c为该位置故障时对应的故障特征频率系数，fr(t)为该位置所在旋转轴在t时刻的瞬时转频，ts为振动信号采集起始时刻点，te为振动信号采集终止时刻点，n为瞬时故障特征频率的阶次。
8.根据权利要求1所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S31中的所述预处理包括：依次进行高通滤波、Hilbert解调并取包络谱以及时频变换并截取分析谱矩阵。
9.根据权利要求1所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S4中采用步骤S2中训练好的卷积神经网络模型对步骤S3中获得的振动信号时频谱进行稀疏特征提取，得到振动信号的稀疏时频表示。
10.根据权利要求1-9任一项所述的基于CNN的旋转机械局部故障信号稀疏时频表示方法，其特征在于，步骤S5中具体包括：
S51、提取振动信号的稀疏时频表示中各阶次下的故障特征时频脊线；
S52、逐阶次比对提取的故障特征时频脊线与步骤S3中计算得到的可能的故障位置下的故障特征时频脊线，在某阶次下，当被比较的脊线的曲线率误差小于允许误差值，则能进一步确定故障发生位置，其中曲线率误差的计算公式如下：
式中，en为提取的n阶次下的脊线的曲线率误差，Nc为每条脊线的总时间点数，τp为第p点对应的时刻，fn(τp)为n阶次下的脊线在τp时刻对应的脊频率，fb(τp)为对应位置下在τp时刻的故障特征频率的基频。
CN202310316873.2A 2023-03-27 2023-03-27 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法 Pending CN116451019A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310316873.2A CN116451019A (zh) 2023-03-27 2023-03-27 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310316873.2A CN116451019A (zh) 2023-03-27 2023-03-27 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法

Publications (1)

Publication Number Publication Date
CN116451019A true CN116451019A (zh) 2023-07-18

Family

ID=87123071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310316873.2A Pending CN116451019A (zh) 2023-03-27 2023-03-27 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法

Country Status (1)

Country Link
CN (1) CN116451019A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970105A (zh) * 2024-03-28 2024-05-03 浙江大学 基于信号融合的电机轴承早期故障诊断方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970105A (zh) * 2024-03-28 2024-05-03 浙江大学 基于信号融合的电机轴承早期故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN111504645B (zh) 一种基于频域多点峭度的滚动轴承故障诊断方法
CN111238814A (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
CN104215456B (zh) 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法
CN110987434A (zh) 一种基于去噪技术的滚动轴承早期故障诊断方法
He et al. A joint adaptive wavelet filter and morphological signal processing method for weak mechanical impulse extraction
CN105424366A (zh) 基于eemd自适应消噪的轴承故障诊断方法
CN108444696A (zh) 一种齿轮箱故障分析方法
CN116451019A (zh) 一种基于cnn的旋转机械局部故障信号稀疏时频表示方法
CN109813547A (zh) 基于稀疏分解优化算法的旋转机械局部型故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
Jie et al. Spectral kurtosis based on evolutionary digital filter in the application of rolling element bearing fault diagnosis
CN108398260B (zh) 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法
CN112362343A (zh) 基于调频字典的齿轮箱变转速下分布型故障特征提取方法
CN115876473A (zh) 基于PWVD和DenseNet的轴承故障诊断方法
CN114818815B (zh) 用于叶片振动测量的叶尖定时到达时刻的获取方法及系统
Tóth et al. On finding better wavelet basis for bearing fault detection
CN115808312A (zh) 基于可变形卷积和Transformer的滚动轴承故障诊断方法
CN113326782B (zh) 基于包络谱形态拟合的滚动轴承故障特征自动提取方法
CN107679013A (zh) 基于eemd‑hht与时频重排结合的转速曲线估计方法
CN110543820A (zh) 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法
CN111623968B (zh) 一种基于自适应形态滤波的故障特征提取方法
CN116662872A (zh) 汽车面板精整线轴承类机械故障诊断方法
CN114088077B (zh) 一种改进的半球谐振陀螺信号去噪方法
CN114742094A (zh) 一种基于深度形态卷积网络的振动信号缺陷特征提取方法
CN110044619A (zh) 一种基于稀疏多周期组套索的多故障特征辨识方法

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