[發(fā)明專利]一種滾動(dòng)軸承故障智能診斷方法及其系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010846999.7
• 申請日: 2020-08-21
• 公開（公告）號: CN112146879A
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 尹經(jīng)天;張西良;劉庭瑞;倪夢瑤;毛天宇;閆妍
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種滾動(dòng)軸承故障智能診斷方法及其系統(tǒng)，包括以下步驟：收集軸承振動(dòng)的試驗(yàn)信號和實(shí)況信號；將軸承振動(dòng)的試驗(yàn)信號和實(shí)況信號做0?1標(biāo)準(zhǔn)化處理，并分別劃分訓(xùn)練集和測試集；構(gòu)建LSTM?softmax網(wǎng)絡(luò)，使用試驗(yàn)信號訓(xùn)練網(wǎng)絡(luò)，得到適用于試驗(yàn)的源網(wǎng)絡(luò)；計(jì)算試驗(yàn)信號與實(shí)況信號的動(dòng)態(tài)時(shí)間規(guī)整DTW距離；根據(jù)所述DTW的值，遷移源網(wǎng)絡(luò)的全部或部分結(jié)構(gòu)和參數(shù)，以此為基礎(chǔ)構(gòu)建目標(biāo)網(wǎng)絡(luò)，使用實(shí)況信號對新網(wǎng)絡(luò)訓(xùn)練，最終得到適用于實(shí)際工況的目標(biāo)網(wǎng)絡(luò)。本發(fā)明可以精確提取振動(dòng)信號的特征，避免了手工選擇特征，特征提取不精確的問題；解決了實(shí)際工況下不能獲得全生命周期數(shù)據(jù)，可用數(shù)據(jù)少，難以建立有效的診斷模型的問題，提高了故障診斷在實(shí)際生產(chǎn)中的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)械設(shè)備故障診斷領(lǐng)域，具體涉及一種基于遷移學(xué)習(xí)和深度學(xué)習(xí)的滾動(dòng)軸承故障智能診斷方法及其系統(tǒng)。

背景技術(shù)

滾動(dòng)軸承是機(jī)械設(shè)備中的重要部件，機(jī)械設(shè)備發(fā)生的故障很大一部分比例是軸承故障，損壞的軸承如果不能及時(shí)發(fā)現(xiàn)并更換掉，往往會影響設(shè)備精度，破環(huán)其他部件，嚴(yán)重的甚至?xí)斐缮a(chǎn)事故。軸承的損壞往往都是由于長期的工作磨損引起的，故障可分為：外圈故障、內(nèi)圈故障、保持架故障和滾珠故障，故障不同，軸承振動(dòng)信號的頻率、幅值和相位也會不同。根據(jù)振動(dòng)信號對軸承故障診斷是目前的主流方式，但是由于振動(dòng)信號是非線性非平穩(wěn)的，信號特征不明顯，并且實(shí)際工況下的歷史信號不足等困難，因此難以建立符合實(shí)際生產(chǎn)要求的模型。因此根據(jù)少量實(shí)際工況下的歷史信號，建立故障診斷模型準(zhǔn)確診斷滾動(dòng)軸承的故障，是實(shí)際生產(chǎn)中故障診斷的關(guān)鍵。

目前軸承的故障診斷方式分為基于物理模型和基于數(shù)據(jù)驅(qū)動(dòng)?；谖锢砟Ｐ偷姆绞绞峭ㄟ^考慮軸承與其他部件的相互作用以及外界施加的載荷，建立反映軸承狀態(tài)的物理模型，因此基于物理模型的方式需要對設(shè)備有深入的了解和豐富的經(jīng)驗(yàn)，然而在結(jié)構(gòu)復(fù)雜的設(shè)備中與軸承關(guān)聯(lián)的部件多，受力情況復(fù)雜，難以建立軸承的物理模型。

基于數(shù)據(jù)驅(qū)動(dòng)的方式是通過軸承的歷史信號與信號處理方法，建立可以診斷軸承故障的數(shù)學(xué)模型，隨著人工智能理論的發(fā)展，這種方式越來越普及。傳統(tǒng)的故障診斷方法主要特點(diǎn)是提取信號的時(shí)頻域特征，然后利用信號處理方法對特征分類，這種方式建立的模型精簡，計(jì)算量小且速度快，但存在需要手工選取特征，模型準(zhǔn)確度依賴工程師經(jīng)驗(yàn)等缺點(diǎn)。

目前基于深度學(xué)習(xí)模型的故障診斷是一種發(fā)展趨勢，其應(yīng)用特點(diǎn)是：利用歷史數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，將振動(dòng)信號進(jìn)行去噪、標(biāo)準(zhǔn)化、分組處理后，輸入深度學(xué)習(xí)模型即可得到診斷結(jié)果，這種方式改善了需要手工選擇特征，模型準(zhǔn)確率依賴特征等不足，但其需要大量的歷史數(shù)據(jù)來訓(xùn)練模型，然而在實(shí)際生產(chǎn)中，往往只能獲得設(shè)備軸承健康狀態(tài)下的振動(dòng)信號，難以獲得足夠的故障狀態(tài)下的振動(dòng)信號，因此深度學(xué)習(xí)模型在實(shí)際生產(chǎn)中往往難以取得較好的診斷效果。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明提供一種滾動(dòng)軸承故障智能診斷方法及其系統(tǒng)。在本發(fā)明中基于遷移學(xué)習(xí)和深度學(xué)習(xí)，將在試驗(yàn)臺采集的振動(dòng)信號稱為試驗(yàn)信號，將設(shè)備實(shí)際工況下的振動(dòng)信號稱為實(shí)況信號，以試驗(yàn)信號為訓(xùn)練數(shù)據(jù)，適用于實(shí)驗(yàn)條件下的故障診斷網(wǎng)絡(luò)稱為源網(wǎng)絡(luò)；以實(shí)況信號為訓(xùn)練數(shù)據(jù)，適用于實(shí)際工況下的故障診斷網(wǎng)絡(luò)稱為目標(biāo)網(wǎng)絡(luò)。針對實(shí)際工況下的可用訓(xùn)練數(shù)據(jù)少，特征提取困難，難以準(zhǔn)確對軸承故障診斷的問題，采用長短時(shí)間記憶(LSTM)網(wǎng)絡(luò)與歸一化指數(shù)(softmax)回歸模型對振動(dòng)信號進(jìn)行特征提取和診斷，采用遷移學(xué)習(xí)的思想，遷移源網(wǎng)絡(luò)的全部或部分結(jié)構(gòu)和參數(shù)，重新構(gòu)建網(wǎng)絡(luò)，并使用實(shí)況信號訓(xùn)練，得到適用于實(shí)際工況的目標(biāo)網(wǎng)絡(luò)，以此提高故障診斷在實(shí)際生產(chǎn)中的準(zhǔn)確性和可實(shí)現(xiàn)性。

本發(fā)明的技術(shù)方案是：一種滾動(dòng)軸承故障智能診斷方法，包括以下步驟：

步驟S1：振動(dòng)信號的采集：收集軸承振動(dòng)的試驗(yàn)信號和實(shí)況信號；

步驟S2：振動(dòng)信號的預(yù)處理：將軸承振動(dòng)的試驗(yàn)信號和實(shí)況信號做0-1標(biāo)準(zhǔn)化處理，并分別劃分訓(xùn)練集和測試集；