[發明專利]一種基于集合經驗模態分解和卷積神經網絡的滾動軸承故障診斷方法

在審

• 申請號: 202010008529.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111222458A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 張丹;陳永毅;宣琦;郭方洪
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G01M13/045
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于集合經驗模態分解和卷積神經網絡的故障診斷方法，包括以下步驟：(1)采集滾動體故障狀態、內圈故障狀態、外圈故障狀態和正常狀態下的滾動軸承振動信號，作為原始振動信號進行模型訓練；(2)將原始振動信號構建為訓練集和測試集；(3)對采集到的原始振動信號進行集成經驗模態分解，將原始的振動信號分解為n個本征模態分量；(4)構建卷積神經網絡，并利用訓練集對CNN進行訓練；(5)利用訓練好的模型對IMF分量進行特征提取；(6)將提取出來的特征作為支持向量機的輸入進行分類。本發明能夠有效削弱信號中的多余內容，經驗模態分解存在的混疊模態問題也得到了很好的解決；并能夠有效且準確的實現滾動軸承的故障檢測。

技術領域

本發明涉及滾動軸承的故障診斷技術領域，具體涉及一種基于集合經驗模態分解和卷積神經網絡的故障診斷方法，應用于現代機械設備中解決滾動軸承故障診斷問題。

背景技術

滾動軸承作為現代機械設備的關鍵器件，滾動軸承狀態是否正常直接影響到整個機械設備的平穩運行。據相關數據顯示，在現代機械中，由于滾動軸承無法正常使用而引起的機械故障約占總體故障的30％。此外，滾動軸承因污垢、銹蝕、潤滑油缺少發生的磨損常常導致其極易損壞，如果按照設計壽命定期維修，便會出現兩種情況：一是在正常使用期限內發生損壞，從而導致發生嚴重的意外事故；二是把超過使用期限但仍能正常使用的滾動軸承直接扔掉，造成不必要的浪費。傳統的滾動軸承檢測方法，工作人員需要定期將滾動軸承從設備上拆卸下來進行安全檢查，但這種方法既耗費人力和時間，又要支付巨額維護費用，嚴重影響生產進程。此外，滾動軸承故障振動信號中含有強烈的環境噪聲，具有非平穩、非線性特征以及提取特征困難等問題，如何設計合理的故障檢測和診斷方法成為了大家關注的焦點。

滾動軸承的故障診斷一般分為三部分，第一步需要將采集到的原始信號進行預處理，常見的信號預處理方法有傅里葉變換，小波變換，經驗模態分解等。第二步是對處理后的信號進行特征提取，隨著深度學習技術的不斷發展，通過卷積神經網絡(ConvolutionalNeural Networks,CNN)對信號進行自適應的特征提取成為了一種主流，其中的1D卷積神經網絡對于一維的時域信號有很強表征能力，能夠對關鍵特征進行有效提取。第三步是對提取出的特征進行分類，診斷出故障類型。

CNN是典型的有監督學習深度神經網絡，目前基于CNN的故障診斷模型都是直接利用CNN進行分類，這種方法的實現要求每個類別擁有足夠大的樣本，即便如此，仍然無法避免過擬合現象的產生，同時CNN自帶的分類器分類能力較弱，如何增強卷積神經網絡的分類能力成為了研究的重點。

發明內容

為了克服現有技術的不足，本發明的目的在于針對機械設備中的滾動軸承這一重要器件，提供了一種基于集合經驗模態分解和卷積神經網絡的支持向量機滾動軸承故障診斷方法，能夠有效削弱信號中的多余內容，經驗模態分解存在的混疊模態問題也得到了很好的解決；并能夠有效且準確的實現滾動軸承的故障檢測。

本發明的目的是通過以下技術方案實現的：

一種基于集合經驗模態分解和卷積神經網絡的故障診斷方法，包括以下步驟：

(1)采集滾動體故障狀態下、內圈故障狀態下、外圈故障狀態下和正常狀態下的滾動軸承振動信號，作為原始振動信號進行模型訓練；

(2)將原始振動信號構建為訓練集和測試集；

(3)對采集到的原始振動信號進行集合經驗模態分解(ensemble empirical modedecomposition，EEMD)，將原始的振動信號分解為n個本征模態分量(intrinsic modefunction，IMF)，EEMD分解的步驟如下：

(3.1)向原始信號x(t)中加入M次正態分布的白噪聲b_k(t)，(k＝1,2,...,M)，即

x_k(t)＝x(t)+b_k(t)