[發明專利]基于并行特征學習和多分類器的滾動軸承故障診斷方法

有效

• 申請號: 201910331462.4
• 申請日: 2019-04-24
• 公開（公告）號: CN110110768B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 王奇斌;趙博;程廣凱;孔憲光;馬洪波;常建濤
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;王品華

本發明提出了一種基于多分類器集成和并行特征學習的滾動軸承智能故障診斷方法，旨在提高模型的分類精度，實現步驟為：獲取訓練樣本集和測試樣本集；建立多個堆棧自編碼器模型，以訓練樣本集為輸入對堆棧式自編碼器模型進行并行訓練，提取訓練樣本集的多個特征；基于softmax模型對提取的特征進行特征評價，根據相應的閾值和評價指標值篩選特征構成特征子集；根據特征子集建立基于softmax模型的多個分類器，以特征子集為輸入獲取每個分類器的分類精度，根據閾值重新選擇多個分類器構造集成多分類器模型，通過多數投票法獲得集成多分類器模型預測標簽，將預測標簽與滾動軸承故障類型進行映射，實現滾動軸承的智能故障診斷。

技術領域

本發明屬于旋轉機械智能故障診斷技術領域，涉及一種滾動軸承故障診斷方法，具體涉及一種基于并行特征學習和集成多分類器的滾動軸承故障智能診斷方法，可用于滾動軸承等旋轉機械的故障自動診斷。

背景技術

旋轉機械在工業設備中起著重要作用。滾動軸承是電機、風力發電機組和齒輪箱等旋轉機械中最重要的部件之一，它由滾動體、外圈、內圈和保持架組成。滾動軸承通常在復雜的工況下工作，如不同的工作條件、振動、溫度、載荷等，這些因素往往會導致滾動軸承性能的下降甚至故障失效。滾動軸承的性能狀態直接影響著設備的運行安全，因此，自動、準確地診斷滾動軸承的故障狀態非常重要。

滾動軸承故障診斷主要是通過對滾動軸承運行時的一些動態參數如溫度、振幅、位移等信號進行分析處理，對滾動軸承不同工況的數據進行識別，從而達到故障診斷的目的。通常，評價一種滾動軸承故障診斷方法好壞的指標有診斷精度、診斷效率、魯棒性、客觀性等。滾動軸承故障診斷方法可分分為傳統故障診斷方法和智能故障診斷方法。智能診斷方法通常包含三個步驟：1)數據采集，2)特征提取和選擇，3)故障分類診斷。根據特征提取和選擇過程使用的方法不同，智能診斷方法可分為基于淺層特征學習的智能故障診斷方法和基于深層特征學習的智能故障診斷方法。

傳統故障診斷方法多利用物理模型基于信號處理技術建立故障診斷模型，如經驗模態分解和小波分解。然而，在實際工程應用中原始振動信號往往呈現出復雜、非線性和多噪聲的特點，對于故障類型、故障嚴重程度及故障方向的準確診斷需要依賴先進的信號處理技術，此外，復雜工況下的軸承性能狀態的準確描述需要從原始信號中提取大量時域、頻域和時頻域特征，通常從這些特征中選擇與診斷目標相關性強、更具代表性的特征是一項盲目、主觀且費時的工作，所以傳統的故障診斷方法依賴于專家經驗進行特征選擇，缺少客觀性，難以對實際工程中復雜工況下的軸承故障狀態進行自動、準確地識別。

滾動軸承智能故障診斷方法是基于數據驅動，運用傳感器和計算機技術發展起來的一類方法，如支持向量機、主成分分析、人工神經網絡、堆棧式自編碼器、卷積神經網絡、深度置信網絡等。其中，支持向量機、主成分分析和人工神經網絡等智能診斷方法雖然能擺脫對專家經驗的依賴，實現了滾動軸承性能狀態特征的自適應學習，提高了故障診斷結果的客觀性，但是，這種故障診斷方法是一種基于淺層特征學習的智能故障診斷方法，很難從原始數據中提取出深層特征。因此，這種方法的特征學習能力弱，故障分類診斷精度低。