[發明專利]基于多局部模型決策融合的工業電機軸承故障診斷方法

有效

• 申請號: 202010425559.4
• 申請日: 2020-05-19
• 公開（公告）號: CN111380687B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 劉立;張子賢;孫寧;韓光潔
• 申請（專利權）人: 河海大學常州校區
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 丁濤

本發明公開了一種基于多局部模型決策融合的工業電機軸承故障診斷方法，包括：數據采集、數據處理、建立多局部診斷模型、決策級融合四個步驟，其中，數據采集，使用兩種不同類型的傳感器采集電機軸承相關的數據；數據處理，對收集到的兩種數據進行預處理和特征提取；建立多局部診斷模型，對處理過的兩種數據分別利用基于Bi?LSTM神經網絡建立局部診斷模型；決策級融合，基于DSmT理論對兩個局部診斷模型輸出的局部診斷結果進行決策級融合并得到最終診斷結果。本發明設計的工業電機軸承故障診斷方法可以更好地幫助工廠及時、準確地發現由軸承損壞引起的電機故障，一定程度上避免由于停機而對電機運行以及工廠生產效率的影響。

技術領域

本發明涉及一種基于多局部模型決策融合的工業電機軸承故障診斷方法，屬于電機故障檢測領域。

背景技術

在現如今的社會中，工業電機普遍為用電器或各種機械的運行提供動力。其中，電機軸承故障方面是電機易發故障中一個亟待解決的問題。據統計，40-70％的機電傳動系統和電機故障是由滾動軸承損壞引起的，這可能會導致由于停機而對電機運行造成極大影響，進而對工廠的生產效率產生影響，并造成一定程度的經濟影響，更有甚者，引起大型事故，使得操作人員的人身安全被威脅。因此，需要對電機軸承的各種不穩定或故障狀態進行排查，在故障出現之前進行預知并做出維修，避免因電機軸承故障而產生的各種影響。

隨著現代工業設備的迅猛發展，各類型傳感器被用于對軸承的健康狀況進行整體監測。但是，大多數軸承故障診斷方法僅專注于單一信息源，例如振動信號或電流信號。在復雜的工業系統中僅基于單個或者單類型傳感器捕獲完整的狀態信息可能不足，因此需要多個類型傳感器更大的概率捕獲更多的互補信息。

與圖像數據不同，工業電機軸承故障信號通常是一個復雜且不穩定的時間序列，并且故障特征通常會被背景噪聲和干擾信號所淹沒。大多數傳統的智能方法屬于淺層學習模型，難以有效地學習復雜的代表特征和非線性關系。因此，開發一種基于深度學習的新型故障診斷模型來有效地利用多傳感器數據來反映更全面的機械信息并實現更準確的診斷具有重要意義。

發明內容

為解決現有技術中的不足，本發明提供一種基于多局部模型決策融合的工業電機軸承故障診斷方法，不僅利用不同類傳感器數據來更精準的反映軸承機械信息，還利用基于Bi-LSTM模型學習特征與故障類型間復雜的非線性關系，從而對工業電機軸承進行準確故障診斷。

本發明中主要采用的技術方案為：

一種基于多局部模型決策融合的工業電機軸承故障診斷方法，包括如下步驟：

S1數據采集：分別采用兩種不同類型的傳感器采集電機軸承相關的數據；

S2數據處理：分別對兩種不同類型的傳感器采集到的兩種數據進行預處理和特征提取；

S3建立多局部診斷模型：對步驟S2處理過的兩種數據分別基于Bi-LSTM神經網絡建立局部診斷模型；

S4決策級融合：基于DSmT理論對兩個局部診斷模型輸出的局部診斷結果進行決策級融合并得到最終診斷結果。

優選地，所述步驟S1中，采用兩種不同類型的傳感器采集電機軸承相關的數據，一種為采用振動傳感器在軸承的外殼上收集振動數據，另一種為采用內置光電編碼器收集軸承的光電編碼器信號。

優選地，所述步驟S2中，對收集到的兩種數據進行預處理和特征提取，具體包括以下幾個步驟：

S2-1分別讀取振動傳感器和內置光電編碼器采集到的數據形成振動數據集和光電編碼器數據集；

S2-2采用留出法分別對振動數據集和光電編碼器數據集進行分類，其中，按3:1的比例將振動數據集分為振動數據訓練集與振動數據測試集，按3:1的比例將光電編碼器數據集分為光電編碼器數據訓練集與光電編碼器數據測試集；