[發明專利]一種軸承設備的故障診斷方法

有效

• 申請號: 201910342040.7
• 申請日: 2019-04-26
• 公開（公告）號: CN110070060B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 曹雪;王哲人;王向敏;鳳震宇
• 申請（專利權）人: 天津開發區精諾瀚海數據科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 石家莊知住優創知識產權代理事務所(普通合伙) 13131
• 代理人: 林艷艷

1.一種軸承設備的故障診斷方法，其特征在于，包括下述步驟：

(1)在軸承設備上對內圈、外圈和滾動體分別布置了多個不同故障等級的單點故障，利用傳感器采集內圈、外圈和滾動體分別在正常狀態和多個不同故障等級狀態下的振動信號數據，分為正常數據和故障數據；

(2)對步驟(1)中軸承設備的振動信號數據進行預處理，使用小波包分解原始振動信號各頻段的能量值，提取參數特征作為樣本數據；然后隨機抽樣作為訓練數據樣本，并對測試數據樣本進行標簽化處理，將訓練數據樣本等量劃分為多組，其中一組輸出到步驟(3)，剩余組分別作為新增數據增量；

(3)采用基于樣本分布信息的重采樣方法分別將訓練數據樣本劃分為噪聲域、邊界域和安全域，并用不同策略進行多數類欠采樣和少數類過采樣，將處理后的兩類數據樣本合并得到相對平衡的數據樣本，依據樣本分布信息為其賦予不同的權重；然后輸入到步驟(4)；

(4)將用于訓練深度學習模型的訓練樣本加入隨機噪聲，作為去噪自動編碼器的輸入進行無監督貪婪逐層預訓練，對樣本數據提取故障特征，然后輸入到步驟(5)；

(5)將步驟(4)得到的故障特征作為輸入向量訓練一組集成SVM分類器進行故障模式分類；進行步驟(6)；

(6)若步驟(2)中無新增數據增量加入，則步驟(5)輸出分類診斷得出的軸承故障類型；若步驟(2)中有新增數據增量加入，則對新增數據增量采用動態加權的重采樣方法進行增量的非平衡處理，并依據樣本分布狀態的改變動態調整原有樣本的權重；然后進行步驟(4)確定故障特征，并將其作為新增特征，進行步驟(7)；

(7)利用新增特征對步驟(5)中的集成SVM分類器進行動態評價，依據基分類器對新增特征的識別準確率，利用集成SVM分類器動態評價算法計算動態加權，并淘汰不能適應當前運行狀態的基分類器；進行步驟(8)；

所述步驟(7)中集成分類模型進行動態評價算法為：

依據已有集成SVM分類模型對增量特征進行分類的正確率計算基分類器對當前設備狀態的適應性權重為：

上式中E_N為基分類器對增量特征的分類正確率；

由于設備狀態隨時間不斷變化，較早訓練得到的基分類器存在隨時間推進逐漸失效的變化過程；因此給予其一個動態遺忘因子f，并計算基分類器的時間衰減權重：

V_forget＝V·f

上式中V為未更新前基分類器權重，動態遺忘因子f的計算方法如下：

式中m為基分類器在增量過程對增量特征進行分類的次數；

將基分類器的適應性權重和時間衰減權重的均值作為其動態遺忘權重：

式中V_adapt為基分類器適應性權重，V_forget為基分類器時間衰減權重，即動態遺忘權重為：

(8)采用有效增量篩選算法選擇最有價值的新增特征訓練新的基分類器，然后采用增量信息融合算法更新步驟(5)的集成SVM分類器，然后進行步驟(6)；

(9)待步驟(1)-(8)完成訓練數據樣本對集成SVM分類器的更新后，利用傳感器采集待測軸承設備的內圈、外圈和滾動體的振動信號數據，將其作為新增數據增量進行步驟(6)-(8)的處理，輸出軸承故障類型。