CN116842364A - 一种异步电机滚动轴承故障方法 - Google Patents
一种异步电机滚动轴承故障方法 Download PDFInfo
- Publication number
- CN116842364A CN116842364A CN202310807196.4A CN202310807196A CN116842364A CN 116842364 A CN116842364 A CN 116842364A CN 202310807196 A CN202310807196 A CN 202310807196A CN 116842364 A CN116842364 A CN 116842364A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- frequency
- matrix
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005096 rolling process Methods 0.000 title claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims abstract description 5
- 238000011056 performance test Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G01M13/045—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
-
- 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
-
- 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
- G06N3/0464—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种异步电机滚动轴承故障方法,1、通过振动传感器采集轴承的振动加速度信号;2、对原始信号进行经验模态分解后,进行滤波重构获取后续处理的目标信号;3、对分解出的一系列本征模态函数进行筛选;4、对目标信号进行滑动窗口分段后获取目标信号的时频域能量特征;5、希尔伯特变换处理得到的本征模态函数;6、定位特征频率;7、故障特征区间定位;8、区间内故障特征信息提取;9、故障特征集;10、故障特征集优化;11、卷积神经网络模型搭建;12、训练集调整;13、模型训练;14、模型分类性能测试,设计了基于卷积网络的故障诊断方案实现了对轴承故障的跨工况状态分类。具有人工干预少、适用于多场景和诊断准确率高等特点。
Description
技术领域
本发明属于电机故障诊断领域,具体为一种异步电机轴承故障诊断方法。
背景技术
异步电机被广泛运用于国防、交通和生产生活等领域中。异步电机轴承不可避免的会出现故障,尤其是当电机在恶劣的环境下长期高负荷运行时,轴承会出现磨损、金属疲劳甚至断裂等故障。而导致轴承故障的因素还有很多,例如加工、安装、润滑等环节的不当操作会引起轴承工作面的损坏。在电机运行过程中,过载运行也会导致轴承出现胶合故障。在实际生产环境中,轴承故障会导致其性能急剧下降,运行可靠性降低。因此对轴承进行故障诊断,及时维护或更换轴承可以降低故障扩大的可能性,避免发生严重性事故。如果电机发生故障,会影响整个系统的运行,甚至造成经济损失和人员伤亡。而在异步电机诸多故障中,轴承故障占比最高,及时发现并更换故障轴承能够有效避免发生级联故障。
电机轴承故障诊断主要有人为观测、基于信号处理的诊断以及基于深度学习的诊断。其中人为观测的方法指工作人员直接观测设备的声和热等特性并与自身积累的经验对比,对轴承的运行状态进行判断。该方法在实际操作时,误差大且耗时长,同时受到主观因素的影响,因此无法对故障诊断进行精确的诊断。
基于信号处理的诊断主要包括傅里叶变换、小波变换、模态分解以及希尔伯特-黄变换等。而在待处理的诸多检测信号中,振动信号是最常用的,因为故障的基本特征是轴承在转动时会产生冲击脉冲,在振动信号中则表现出对应的周期性脉冲和振幅的调制。傅里叶变换获取目标信号的频谱,通过分析频谱成分实现故障诊断,但是当对象为非平稳非线性信号时,该变换的应用效果不佳。原因在于该方法对时间变化不敏感,在时域上无法刻画信号的局部特征。因此小波变换被用于提升频域特征的提取能力。小波变换通过对目标信号进行分解和重构获取能量谱,分析其时频域上的特征后判断是否故障,需要时可以引入其他指标进行辅助判断,但是小波变换在使用时需要选取基底,导致在变换过程中引入了人为干扰,对结果产生影响。同时当小波变换被用于处理噪声和信号频带混叠的环境中时,难以取的良好的效果,因此将经验模态分解运用到信号处理的领域进行自适应的分解。经验模态分解不需要先验基函数,直接根据信号极值分解信号,是一种完全自适应的信号处理方式,经验模态分解将信号分解为一组按频率降序排列的包含原始信号不同频率成分的本征模态函数。但是经验模态分解的分解结果中可能会伴随模态混叠的现象,得到的成分中可能有虚假部分,经验模态分解容易受噪声干扰、理论支撑不够坚固,因此变分模态分解被用于克服EMD的缺陷。希尔伯特变换处理本征模态函数,就组合出了一种新的处理方式,即希尔伯特-黄变换,在多种实验环境下验证后,对非平稳信号进行时频域分析时,HHT可以同时获取信号的时频域信息。虽然通过对信号的时频域特征进行分析能够实现对故障的诊断,但是传统的依靠信号分析结果进行故障诊断的方法要求人员具备较高的专业知识,使得在实际运用中遇到不少阻碍。
伴随着人工智能的发展,深度学习现在已经被广泛的应用于故障诊断中。深度学习的一般定义是通过训练多层次的网络结构以实现对未知数据的分类或者回归的方式,基本思路为构建多层网络对目标进行多层次的表现,最终用高层次特征表达数据信息。卷积神经网络则是一类包含卷积计算的深度前馈神经网络。使用卷积神经网络进行故障诊断一般有两种途径,一种是直接用时序信号训练模型;另一种则是先将信号转换为二维图像,然后利用二维网络进行图像分类。在对比了多种模型和多种信号特征的轴承故障分类效果后,得到的结论是直接使用原始信号作为输入时的模型训练效果不佳,而提取时频域特征进行训练的效果优于单一域特征。因此,在更多的情况下,进行深度学习之前都会进行信号的预处理,而特征提取一般是以信号处理方式为支撑的。
现有技术如下
与专利CN110672327A“一种基于基于多层降噪技术的异步电机轴承故障诊断方法”的技术对比;
一、专利CN110672327A中的诊断范围为轴承的内外圈故障,而我们的诊断范围包括内外圈故障以及滚动体故障和正常状态4种情况。
二、专利CN110672327A中信号预处理阶段使用了小波变换,并没有描述具体采用何种小波函数能获取最佳诊断效果,最终计算出的特征频率收到人为因素的影响。
三、专利CN110672327A中对本征模态函数进行筛选时直接舍弃高频分量,随后使用方差贡献度是否大于阈值进行取舍;而我们则是将其高频信号视为信号特征的一部分,继续参与后续步骤,使用的筛序标准为本征函数能量占整体信号能量的比值是否大于阈值。
四、专利CN110672327A中并没有考虑经验模态分解中可能出现的模态混叠、端点效应等缺陷。
五、专利CN110672327A中计算实际特征频率和理论特征频率进行比较实现故障诊断,而我们是使用特征频率进行故障信息定位以提取特征信息训练神经网络。
从以上分析可以看出基于信号处理的方式需要人为的对特征进行评判标准的设定。基于深度学习的方式则是在特征提取阶段对信号的时频域信息进行了二次处理,如各种熵运算或者其他数据分析方式。在故障诊断阶段则很少专注于模型对不同对象的诊断性能。因此,对异步电机滚动轴承故障诊断记性深入研究很有必要。
发明内容
为解决上述技术问题,本发明提出了一种异步电机滚动轴承故障方法,设计了基于卷积网络的故障诊断方案实现了对轴承故障的跨工况状态分类。具有人工干预少、适用于多场景和诊断准确率高等特点。
为实现上述目的,本发明采取的技术方案是:
一种异步电机滚动轴承故障方法,具体步骤如下;
1)通过振动传感器采集轴承的振动加速度信号;
2)对原始信号进行经验模态分解后,进行滤波重构获取后续处理的目标信号;
识别出信号x(t)中的所有极值点,采用三次样条函数构成上下包络线,建立上下包络曲线的平均曲线m(t),使用原始信号减去平均曲线得到的部分便是本征模态函数;
h1(t)=x(t)-m(t)
如果h1(t)满足本征模态函数条件,h1(t)便作为第一个本征模态函数,否则以h1(t)为输入重复上述步骤,直到hk(t)满足条件时作为第一个本征模态函数,即C1(t)和信号的剩余部分r1(t),两者的表达式为:
C1(t)=hk(t)
r1(t)=x(t)-C1(t)
对剩余部分的r1(t)继续进行经验模态分解,直到rn(t)的值小于预设值或者为单调信号或者只有一个极点时结束。因此原始信号与本征模态函数分量和余量之间的关系为:
使分解信号满足第二个条件,定义了每一个本征模态函数迭代步骤的终止准则为限制标准差;
根据实际应用效果,将标准差限制在0.2~0.3之间;
3)对分解出的一系列本征模态函数进行筛选;
依据为使用各个函数的能量占目标信号能量的比值是否高于阈值,计算方式为:
式中,pk表示能量占比,μk(t)表示不同本征模态函数,将阈值设置为0.01,删除本征模态函数中能量占比低于该值的成分,然后将剩余信号进行叠加,得到的新信号即后续处理的目标信号;
4)对目标信号进行滑动窗口分段后获取目标信号的时频域能量特征,使用方式为经由变分模态分解获取本征模态函数;
对得到目标信号进行如下处理,假设有k个具有有限带宽的模态分量vk(t)共同组成一个多分量信号,每个本征模态函数的中心频率为ω(t),则有:
通过希尔伯特变换得到模态分量的解析信号,计算单边谱后,利用指数进行修正,将每个模态函数的频谱调制到对应的基频带;
通过高斯平滑,即引入L2范数梯度平方根对信号解调,得到各模态函数带宽描述为:
对变分模型添加的约束条件为模态和为输入信号;
为了解决上述过程中方程的约束最优化问题,引入拉格朗日乘子λ和二阶惩罚因子α,将其转化为无约束变分问题;
利用交替方向乘子法对分量及中心频率进行连续更新,直到得到原问题的最佳解,更新步骤为:
更新模态函数vk(t)
更新中心频率ω(t)
对所有大于零的频率进行提升:
重复直到参数满足约束条件时停止迭代:
5)希尔伯特变换处理得到的本征模态函数,方程如下:
反变换为:
希尔伯特变换的表达式是将实输入信号x(t)与单位冲击响应h(t)=1/πt进行了卷积运算,视作将实信号进行了一次滤波操作,而该滤波器的傅里叶变换为:
该滤波器保持实信号x(t)振幅不变的情况下,在频谱上将其正频率部分移相-π/2,将负频率部分移相π/2,在希尔伯特黄变换中,希尔伯特变换被用来处理的到一组本征模态函数,以得到原始实信号的时频域能量谱,因此假设其中一个本征模态函数为m(t),对其进行希尔伯特变换则有:
需要构建的关于输入信号m(t)的复信号为:
其中幅值am、相位θm(t)、瞬时频率fk(t)分别为:
得出原始输入的实信号与IMFs的关系式为
本征模态函数包含的原始信号的频率成分随着阶数增加而逐渐减少,在满足分解的收敛条件后,余量r(t)所包含的频率成分是所有输出信号中最低的,同时r(t)是一个周期大于信号记录长度的单调函数,对重构原始信号的贡献度很低,因此一般不将其代入后续的变换处理,因此得到的原始信号的解析式表达为:
而将其振幅在时频面上进行标记,就能够得到希尔伯特时频域谱的表达式为
6)定位特征频率;
7)故障特征区间定位;
8)区间内故障特征信息提取;
使用步骤3)所述方法对区域内所有频率成分进行筛选,去除其中能量占比低于阈值的频率成分后,按照时间顺序提取出每一个频率成分的能量值和频率,构建规模为2*L的特征矩阵,其中L为短信号长度,特征区域中保留的成分数量即矩阵特征数量,将其全体进行平均后一个短信号对应一个故障特征矩阵;
9)故障特征集:
对不同故障位置的振动信号重复步骤1)~步骤8)完成分类对象的训练集制作L;
10)故障特征集优化:
在训练神经网络前,对故障特征集进行预处理,将其中偶数行即能量值所在的行进行放大;
11)卷积神经网络模型搭建:
选取使用卷积神经网络,为应对梯度消失、过拟合以及训练准确率不足的问题,对模型进行适应性调制。
12)训练集调整;
在训练过程中如果正常,该步骤(12)跳过,如果出现了由于原始信号数据量少,切片出的短信号数量不足,导致故障特征集规模过小,使用数据集复用的方式进行数据集扩充,基于输入归一化、批量归一化以及每次训练时随机舍弃神经元的策略,能够从相同输入中学习到不同的特征;
13)模型训练:
使用步骤1)~步骤12),完成特征集的制作以及模型的搭建,将特征集重复n次后,对其进行随机乱序,矩阵对应标签也采用相同的方式打乱,在随机排序前,矩阵与标签一一对应,相同标签的矩阵在空间排序上构成一个集合;在乱序后,矩阵和标签保持一一对应,但是矩阵分布不构成标签集合的空间分布;
14)模型分类性能测试;
在完成步骤13)后,获得了能够对输入信号进行状态诊断的模型,需要使用测试集进行模型实用测试,步骤14)使用的信号需要满足的条件是没有参与步骤1)~步骤13)的模型训练过程,同时需要满足与训练集和验证集来自同一数据源。使用步骤1)~步骤9)的数据集方法对测试信号进行处理。在模型测试环节,需要对模型进行调用,对信号进行分类。
作为本发明进一步改进,所述步骤1)振动加速度信号包括正常状态下振动信号、内圈故障振动信号、外圈故障振动信号以及滚动体故障振动信号。
作为本发明进一步改进,所述步骤2)~步骤4)为信号预处理阶段,所述信号预处理阶段使用了经验模态分解、能量占比滤波以及变分模态分解的组合。
作为本发明进一步改进,所述步骤6)定位特征频率,具体方法如下:
在得到的时频域能量谱中对故障区间进行定位,以强化特征信息,方法如下:
假设主轴的转动频率为fr,轴承滚动体数量为N,滚动体直径为d,轴承直径为D,接触角为α,则得到轴承的各组成部分的故障特征频率如下:
轴承内圈故障特征频率为:
轴承外圈故障特征频率为:
滚动体故障特征频率为:
作为本发明进一步改进,所述步骤7)定位区间为ft=[0.5,1.5]fx,其中ft为故障特征区间,fx为故障特征频率。
作为本发明进一步改进,所述步骤7)根据故障特征频率进行区间上下限计算,进行范围限定,划取能量谱中局部区域视为携带强相关特征信息区域。
作为本发明进一步改进,所述步骤9)具体如下将同一故障位置特征矩阵作为一个集合,标注相同标签后,将特征矩阵重新排列,转换为M*N的矩阵其中M表示矩阵长度,N表示宽度,转换前后的矩阵形状关系为M*N=2*
作为本发明进一步改进,所述步骤10)放大公式为:
E=ae+b
其中E为放大后能量值,e为原始能量值,a为放大系数,b为偏置。放大原则为尽可能解决能量值与频率值之间的量级差异过大问题,但是不能破坏两者之间的相对大小;同时添加偏置使能量数值与零进行区分。
作为本发明进一步改进,所述步骤11)卷积神经网络结构如下:
卷积神经网络由23层网络组成,其中所有卷积层均使用大小为3*3的卷积核;
具体结构为,第一层为能够对输入矩阵进行归一化的大小为100*100的输入层,之后是5个组合层,每个组合按先后顺序包括卷积层,批量归一化层和ReLU激活层,其中后两者的参数设置不变,第一个和第二个组合中的卷积层使用了32个卷积核;第三个和第四个组合中的卷积层使用了64个卷积核,最后一层使用了128个卷积核,随后采用移动步长为2*2的最大池化层减少参数规模,然后使用舍弃比例为0.5的随机舍弃层对进一步处理传输对象,使用大小为64*1的全连接层整合传输对象,经过ReLU激活层后使用大小为4*1的全连接层输出四种类型的分类概率,使用softmax层使输出的概率和为1,最后使用分类层选取概率最高的一项标签作为输出。
作为本发明进一步改进,所述步骤13)模型训练具体如下:
将乱序后的特征矩阵集按照4比1的比列分为训练集和验证集,设置的参数包括优化算法、模型迭代次数,初始学习率,每次训练的数据数量;
采用1500;初始学习率需要根据实际测试进行调整;
采用0.001;每次训练的数据量根据训练效果进行调整;
采用128,绘制实时训练曲线,准确率和损失值曲线形状较理想,最终训练集准确率能达到100%,验证集准确率能够达到99.7%。
与现有技术相比,本发明的有益效果为:
本发明提出了一种先进的异步电机滚动轴承故障诊断方法,该方法利用卷积神经网络(CNN)对轴承故障进行跨工况状态分类,具有人工干预少、适用于多场景和诊断准确率高等特点。这种方法可以帮助减少机械设备的故障率,提高生产效率,并降低维护成本。
传统的轴承故障诊断方法通常需要大量的人工干预和经验,而且适用于单一工况状态的诊断。而本发明的方法则利用卷积神经网络,自动地从数据中学习特征表示和分类器,无需过多的人工干预。此外,该方法还适用于不同的工况状态和场景,具有更广泛的适用性。
具体而言,本发明的方法包括以下步骤:首先,利用传感器采集异步电机滚动轴承的振动信号,并进行数据预处理。其次,通过卷积神经网络对预处理后的数据进行特征提取和分类。最后,根据分类结果进行故障诊断和定位。
通过对实际应用中的大量数据进行实验评估,本发明的方法表现出了较高的诊断准确率和稳定性。与其他诊断方法相比,本发明的方法具有更少的误差和更高的鲁棒性。这使得该方法在实际应用中具有广泛的价值,可以帮助机械设备维护人员更快速、更准确地发现和解决轴承故障问题,从而提高生产效率并降低维护成本。
附图说明
图1是本发明故障诊断方法的流程图;
图2是经验模态分解及成分筛选图;
图3是重构信号片段的希尔伯特黄能量谱;
图4是特征提取示意;
图5是卷积神经网络结构图;
图6是模型准确率曲线和损失值曲线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
实施例
图1是本发明故障诊断方法的流程图。
在本实施例中,以异步电机滚动轴承的振动信号作为输入,经由预处理、特征提取、模型训练以及故障诊断等步骤,输出滚动轴承的状态,如图1所示,本发明一种蓝屏抠图方法,包括以下步骤:
S1、信号预处理
S1.1、信号成分滤除及重构
对振动信号进行经验模态分解,计算其中各个本征模态函数携带的能量值,计算振动信号的能量值,计算所有本征模态函数能量占信号能量的比例。如图2所示。删除其中比值低于0.01的本征模态函数,将保留的成分叠加后获得重构信号。
S1.2、获取重构信号能量谱
在获取重构信号后,基于变分模态分解不适合处理长信号的特性,对重构信号进行滑动窗口切片处理,实施例中采用窗口长度为5000,滑动长度为1000.对短信号进行变分模态分解后进行希尔伯特黄变换后,获取一组时频域能量谱,如图3所示。
S2、制作故障特征集
从能量谱中提取出能够表征故障特征的信息,制作故障特征集,构建用于训练神经网络的集合
S2.1故障定位
根据滚动轴承集合参数计算出不同状态下的轴承特征频率,以其为中心进行上下限扩充获取故障特征区域,对其中的频率成分进行能量值占比筛选,阈值同样设置为0.01。
S2.2特征提取
以特征区间中保留的n个成分为对象,将每一个成分的能量值和频率值按照时间顺序排列为2行5000列的矩阵,进实验测试,需要对能量行进行放大,对其进行重构后获得一个100行100列的特征矩阵。将得到的n个100*100的特征矩阵进行平均,最终一个短片段得到一个特征矩阵,如图4所示。
S2.3训练集制作
本实施例中的振动信号,包含正常状态、内圈故障状态、外圈故障状态以及滚体故障状态一共四种情况,将4种状态分别标记为0,1,2,3。经上述过程制作的特征矩阵包括了1404张0标签矩阵、1404张1标签矩阵、2340张2标签矩阵以及1676张3标签矩阵。经实验分析,在此基础上需要对训练集进行优化处理,对整体训练集进行3次复用,将其规模扩充为原始的4倍。
S3、滚动轴承故障诊断
本实施例搭建的神经网络结构如图5,模型准确率曲线和损失值曲线如图6,使用经由S1、S2制作出的训练集按照4:1的比例分为训练集和验证集后训练卷积神经网络模型。完成训练后的模型,对训练集分类准确率为100%,对验证集分类准确率为99.7%。经由S1到S2.2处理待分类信号获取测试矩阵,调用神经网络对测试矩阵分类完成轴承故障诊断。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (10)
1.一种异步电机滚动轴承故障方法,其特征在于:具体步骤如下;
1)通过振动传感器采集轴承的振动加速度信号;
2)对原始信号进行经验模态分解后,进行滤波重构获取后续处理的目标信号;
识别出信号x(t)中的所有极值点,采用三次样条函数构成上下包络线,建立上下包络曲线的平均曲线m(t),使用原始信号减去平均曲线得到的部分便是本征模态函数;
h1(t)=x(t)-m(t)
如果h1(t)满足本征模态函数条件,h1(t)便作为第一个本征模态函数,否则以h1(t)为输入重复上述步骤,直到hk(t)满足条件时作为第一个本征模态函数,即C1(t)和信号的剩余部分r1(t),两者的表达式为:
C1(t)=hk(t)
r1(t)=x(t)-C1(t)
对剩余部分的r1(t)继续进行经验模态分解,直到rn(t)的值小于预设值或者为单调信号或者只有一个极点时结束。因此原始信号与本征模态函数分量和余量之间的关系为:
使分解信号满足第二个条件,定义了每一个本征模态函数迭代步骤的终止准则为限制标准差;
根据实际应用效果,将标准差限制在0.2~0.3之间;
3)对分解出的一系列本征模态函数进行筛选;
依据为使用各个函数的能量占目标信号能量的比值是否高于阈值,计算方式为:
式中,pk表示能量占比,μk(t)表示不同本征模态函数,将阈值设置为0.01,删除本征模态函数中能量占比低于该值的成分,然后将剩余信号进行叠加,得到的新信号即后续处理的目标信号;
4)对目标信号进行滑动窗口分段后获取目标信号的时频域能量特征,使用方式为经由变分模态分解获取本征模态函数;
对得到目标信号进行如下处理,假设有k个具有有限带宽的模态分量vk(t)共同组成一个多分量信号,每个本征模态函数的中心频率为ω(t),则有:
通过希尔伯特变换得到模态分量的解析信号,计算单边谱后,利用指数进行修正,将每个模态函数的频谱调制到对应的基频带;
通过高斯平滑,即引入L2范数梯度平方根对信号解调,得到各模态函数带宽描述为:
对变分模型添加的约束条件为模态和为输入信号;
为了解决上述过程中方程的约束最优化问题,引入拉格朗日乘子λ和二阶惩罚因子α,将其转化为无约束变分问题;
利用交替方向乘子法对分量及中心频率进行连续更新,直到得到原问题的最佳解,更新步骤为:
更新模态函数vk(t)
更新中心频率ω(t)
对所有大于零的频率进行提升:
重复直到参数满足约束条件时停止迭代:
5)希尔伯特变换处理得到的本征模态函数,方程如下:
反变换为
希尔伯特变换的表达式是将实输入信号x(t)与单位冲击响应h(t)=1/πt进行了卷积运算,视作将实信号进行了一次滤波操作,而该滤波器的傅里叶变换为:
该滤波器保持实信号x(t)振幅不变的情况下,在频谱上将其正频率部分移相-π/2,将负频率部分移相π/2,在希尔伯特黄变换中,希尔伯特变换被用来处理的到一组本征模态函数,以得到原始实信号的时频域能量谱,因此假设其中一个本征模态函数为m(t),对其进行希尔伯特变换则有:
需要构建的关于输入信号m(t)的复信号为:
其中幅值am、相位θm(t)、瞬时频率fk(t)分别为:
得出原始输入的实信号与IMFs的关系式为
本征模态函数包含的原始信号的频率成分随着阶数增加而逐渐减少,在满足分解的收敛条件后,余量r(t)所包含的频率成分是所有输出信号中最低的,同时r(t)是一个周期大于信号记录长度的单调函数,对重构原始信号的贡献度很低,因此一般不将其代入后续的变换处理,因此得到的原始信号的解析式表达为:
而将其振幅在时频面上进行标记,就能够得到希尔伯特时频域谱的表达式为
6)定位特征频率;
7)故障特征区间定位;
8)区间内故障特征信息提取;
使用步骤3)所述方法对区域内所有频率成分进行筛选,去除其中能量占比低于阈值的频率成分后,按照时间顺序提取出每一个频率成分的能量值和频率,构建规模为2*L的特征矩阵,其中L为短信号长度,特征区域中保留的成分数量即矩阵特征数量,将其全体进行平均后一个短信号对应一个故障特征矩阵;
9)故障特征集:
对不同故障位置的振动信号重复步骤1)~步骤8)完成分类对象的训练集制作L;
10)故障特征集优化:
在训练神经网络前,对故障特征集进行预处理,将其中偶数行即能量值所在的行进行放大;
11)卷积神经网络模型搭建:
选取使用卷积神经网络,为应对梯度消失、过拟合以及训练准确率不足的问题,对模型进行适应性调制。
12)训练集调整;
在训练过程中如果正常,该步骤(12)跳过,如果出现了由于原始信号数据量少,切片出的短信号数量不足,导致故障特征集规模过小,使用数据集复用的方式进行数据集扩充,基于输入归一化、批量归一化以及每次训练时随机舍弃神经元的策略,能够从相同输入中学习到不同的特征;
13)模型训练:
使用步骤1)~步骤12),完成特征集的制作以及模型的搭建,将特征集重复n次后,对其进行随机乱序,矩阵对应标签也采用相同的方式打乱,在随机排序前,矩阵与标签一一对应,相同标签的矩阵在空间排序上构成一个集合;在乱序后,矩阵和标签保持一一对应,但是矩阵分布不构成标签集合的空间分布;
14)模型分类性能测试;
在完成步骤13)后,获得了能够对输入信号进行状态诊断的模型,需要使用测试集进行模型实用测试,步骤14)使用的信号需要满足的条件是没有参与步骤1)~步骤13)的模型训练过程,同时需要满足与训练集和验证集来自同一数据源。使用步骤1)~步骤9)的数据集方法对测试信号进行处理。在模型测试环节,需要对模型进行调用,对信号进行分类。
2.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤1)振动加速度信号包括正常状态下振动信号、内圈故障振动信号、外圈故障振动信号以及滚动体故障振动信号。
3.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤2)~步骤4)为信号预处理阶段,所述信号预处理阶段使用了经验模态分解、能量占比滤波以及变分模态分解的组合。
4.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤6)定位特征频率,具体方法如下:
在得到的时频域能量谱中对故障区间进行定位,以强化特征信息,方法如下:
假设主轴的转动频率为fr,轴承滚动体数量为N,滚动体直径为d,轴承直径为D,接触角为α,则得到轴承的各组成部分的故障特征频率如下:
轴承内圈故障特征频率为:
轴承外圈故障特征频率为:
滚动体故障特征频率为:
5.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤7)定位区间为ft=[0.5,1.5]fx,其中ft为故障特征区间,fx为故障特征频率。
6.根据权利要求4所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤7)根据故障特征频率进行区间上下限计算,进行范围限定,划取能量谱中局部区域视为携带强相关特征信息区域。
7.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤9)具体如下将同一故障位置特征矩阵作为一个集合,标注相同标签后,将特征矩阵重新排列,转换为M*N的矩阵其中M表示矩阵长度,N表示宽度,转换前后的矩阵形状关系为M*N=2*。
8.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤10)放大公式为:
E=ae+b
其中E为放大后能量值,e为原始能量值,a为放大系数,b为偏置。放大原则为尽可能解决能量值与频率值之间的量级差异过大问题,但是不能破坏两者之间的相对大小;同时添加偏置使能量数值与零进行区分。
9.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤11)卷积神经网络结构如下:
卷积神经网络由23层网络组成,其中所有卷积层均使用大小为3*3的卷积核;
具体结构为,第一层为能够对输入矩阵进行归一化的大小为100*100的输入层,之后是5个组合层,每个组合按先后顺序包括卷积层,批量归一化层和ReLU激活层,其中后两者的参数设置不变,第一个和第二个组合中的卷积层使用了32个卷积核;第三个和第四个组合中的卷积层使用了64个卷积核,最后一层使用了128个卷积核,随后采用移动步长为2*2的最大池化层减少参数规模,然后使用舍弃比例为0.5的随机舍弃层对进一步处理传输对象,使用大小为64*1的全连接层整合传输对象,经过ReLU激活层后使用大小为4*1的全连接层输出四种类型的分类概率,使用softmax层使输出的概率和为1,最后使用分类层选取概率最高的一项标签作为输出。
10.根据权利要求1所述的一种异步电机滚动轴承故障方法,其特征在于:所述步骤13)模型训练具体如下:
将乱序后的特征矩阵集按照4比1的比列分为训练集和验证集,设置的参数包括优化算法、模型迭代次数,初始学习率,每次训练的数据数量;
采用1500;初始学习率需要根据实际测试进行调整;
采用0.001;每次训练的数据量根据训练效果进行调整;
采用128,绘制实时训练曲线,准确率和损失值曲线形状较理想,最终训练集准确率能达到100%,验证集准确率能够达到99.7%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807196.4A CN116842364A (zh) | 2023-07-04 | 2023-07-04 | 一种异步电机滚动轴承故障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310807196.4A CN116842364A (zh) | 2023-07-04 | 2023-07-04 | 一种异步电机滚动轴承故障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842364A true CN116842364A (zh) | 2023-10-03 |
Family
ID=88159472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310807196.4A Pending CN116842364A (zh) | 2023-07-04 | 2023-07-04 | 一种异步电机滚动轴承故障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842364A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117851873A (zh) * | 2024-03-07 | 2024-04-09 | 唐智科技湖南发展有限公司 | 一种基于动态接触角的轴承运行状态评估方法及系统 |
CN117929952A (zh) * | 2024-03-21 | 2024-04-26 | 国网(山东)电动汽车服务有限公司 | 一种电动汽车充电桩的新型电弧故障检测方法 |
-
2023
- 2023-07-04 CN CN202310807196.4A patent/CN116842364A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436023A (zh) * | 2023-12-18 | 2024-01-23 | 深圳市鸿明机电有限公司 | 一种基于卷积神经网络的伺服电机故障诊断方法 |
CN117708574A (zh) * | 2024-02-02 | 2024-03-15 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117708574B (zh) * | 2024-02-02 | 2024-04-12 | 江苏南高智能装备创新中心有限公司 | 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法 |
CN117851873A (zh) * | 2024-03-07 | 2024-04-09 | 唐智科技湖南发展有限公司 | 一种基于动态接触角的轴承运行状态评估方法及系统 |
CN117851873B (zh) * | 2024-03-07 | 2024-05-28 | 唐智科技湖南发展有限公司 | 一种基于动态接触角的轴承运行状态评估方法及系统 |
CN117929952A (zh) * | 2024-03-21 | 2024-04-26 | 国网(山东)电动汽车服务有限公司 | 一种电动汽车充电桩的新型电弧故障检测方法 |
CN117929952B (zh) * | 2024-03-21 | 2024-05-28 | 国网(山东)电动汽车服务有限公司 | 一种电动汽车充电桩的新型电弧故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842364A (zh) | 一种异步电机滚动轴承故障方法 | |
CN110866365B (zh) | 基于部分迁移卷积网络的机械设备智能故障诊断方法 | |
CN110502991B (zh) | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN109827777B (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN110991424A (zh) | 基于最小熵解卷积和堆叠稀疏自编码器的故障诊断方法 | |
CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN112733742B (zh) | 一种基于深度学习的铁路货车下拉杆圆销故障检测方法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
Han et al. | An intelligent fault diagnosis method of variable condition gearbox based on improved DBN combined with WPEE and MPE | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
CN113032898A (zh) | 一种半挂牵引车工况的构建方法 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断系统及方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN116522124A (zh) | 一种基于环境因素影响的溶解氧含量预测方法和系统 | |
CN113569685A (zh) | 机床主轴轴承故障诊断模型建立、故障诊断方法和系统 | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
Yeh et al. | Using convolutional neural network for vibration fault diagnosis monitoring in machinery | |
CN112683532B (zh) | 轴承的跨工况条件对抗诊断方法 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 |
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 |