[發(fā)明專利]一種基于振動信號的滾動軸承智能故障診斷方法

有效

• 申請?zhí)枺?/td>: 202011497594.3
• 申請日: 2020-12-17
• 公開（公告）號: CN112668417B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設計）人: 盧熾華;李永超;劉志恩;宋偉志;安宏杰
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/77;G06V10/764;G06F18/2135;G06F18/24;G01M13/045
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 龔雅靜

1.一種基于振動信號的滾動軸承智能故障診斷方法，其特征在于，包括：

步驟1、通過前端采集模塊采集待測滾動軸承的三向振動加速度信號和轉速信號，其中，根據待測滾動軸承的類型及應用設備信息設定緩加速工況，待測滾動軸承從零轉速緩慢加速至最大轉速，振動時域信號及轉速時域信號經過預處理、采樣、量化和編碼實現數據的采集；

步驟2、通過5G通信傳輸模塊將振動時域信號及轉速時域信號實時傳輸到云端數據處理模塊；

步驟3、通過云端分析模塊對振動時域信號及轉速時域信號進行處理，振動時域信號及轉速時域信號經過快速傅里葉變換轉換成振動頻域信號及轉速頻域信號，并合成colormap圖，colormap圖中以頻率為橫坐標，轉速為縱坐標，通過colormap圖能夠展示共振、階次、沖擊和能量低中高頻段分布信息；

步驟4、將colormap圖轉換成二維灰度圖，將二維灰度圖進行分塊預處理，分塊預處理將綜合考慮轉速和頻段信息，分塊預處理包括A1區(qū)域、橫坐標擴展區(qū)域和縱坐標擴展區(qū)域，其中A1區(qū)域是主區(qū)域，涵蓋不同軸承類型的所有最大轉速范圍及不同軸承的基礎頻率范圍，是特征對比匹配的核心區(qū)域，二維灰度圖中，橫坐標擴展區(qū)域向頻率范圍擴展，縱坐標擴展區(qū)域向轉速范圍擴展，應對不同最高工作轉速軸承的分析診斷工作；

步驟5、建立智能學習模型，分析提取二維灰度圖中的特征點信息，進行特征識別，完成數據庫樣本的故障診斷時特征值檢索匹配過程，在訓練樣本庫過程中，當不同滾動軸承所有類型的故障均被訓練儲存后，將形成完善的云端數據庫，不同故障類型被以特征值集合形式保存，待測滾動軸承經過完整的測試、傳輸和處理過程將形成一套新的特征值，該特征值與數據庫中特征值進行檢索、匹配從而實現故障的診斷確定。

2.根據權利要求1所述的基于振動信號的滾動軸承智能故障診斷方法，其特征在于：所述步驟1中，使用三向加速度傳感器采集軸承端的振動加速度信號，借助編碼器采集轉速信號，振動加速度信號和轉速信號均通過數據采集卡進行驅動。

3.根據權利要求1所述的基于振動信號的滾動軸承智能故障診斷方法，其特征在于：在步驟3中，利用快速傅里葉變換將振動時域信號及轉速時域信號轉換成振動頻域信號及轉速頻域信號的公式為：

其中：X(k)為傅里葉變換結果，x(n)為時域信號，N為離散信號個數，根據W_n的對稱性和周期性可實現快速傅里葉變換。

4.根據權利要求1所述的基于振動信號的滾動軸承智能故障診斷方法，其特征在于：在步驟3中，通過修正的加權平均法將colormap圖轉化為二維灰度圖，在轉化過程中，在對代表振動幅值的每個像素值進行規(guī)范化處理，轉換過程中，加大R和B色的權重，提高轉換后特征保留度，轉換公式為：

Grey＝a×R+b×G+c×B，a+b+c＝1

其中，R、G、B分別為紅綠藍顏色值，Grey為得到的灰度值，通過修正a、b、c三個權重的數值實現期望變換。