[發(fā)明專利]一種基于振動(dòng)信號(hào)的滾動(dòng)軸承智能故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011497594.3
• 申請(qǐng)日: 2020-12-17
• 公開(kāi)（公告）號(hào): CN112668417B
• 公開(kāi)（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 盧熾華;李永超;劉志恩;宋偉志;安宏杰
• 申請(qǐng)（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/77;G06V10/764;G06F18/2135;G06F18/24;G01M13/045
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 龔雅靜

本發(fā)明公開(kāi)了一種基于振動(dòng)信號(hào)的滾動(dòng)軸承智能故障診斷方法，包括通過(guò)前端采集模塊采集檢測(cè)待測(cè)滾動(dòng)軸承的三向振動(dòng)加速度信號(hào)和轉(zhuǎn)速信號(hào)，通過(guò)5G通信傳輸模塊將振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)實(shí)時(shí)傳輸?shù)皆贫藬?shù)據(jù)處理模塊，通過(guò)云端分析模塊對(duì)振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)進(jìn)行處理，振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)經(jīng)過(guò)快速傅里葉變換轉(zhuǎn)換成振動(dòng)頻域信號(hào)及轉(zhuǎn)速頻域信號(hào)，并合成colormap圖，通過(guò)colormap圖能夠展示共振、階次、沖擊、能量低中高頻段分布信息，將colormap圖轉(zhuǎn)換成二維灰度圖，建立智能學(xué)習(xí)模型，分析提取二維灰度圖中的特征點(diǎn)信息，進(jìn)行特征識(shí)別，采用勻加速工況下信號(hào)，增加了轉(zhuǎn)速信號(hào)采集，在振動(dòng)信號(hào)上增加維度，提高基礎(chǔ)信息量，提升精度。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承故障診斷技術(shù)領(lǐng)域，具體涉及一種基于振動(dòng)信號(hào)的滾動(dòng)軸承智能故障診斷方法。

背景技術(shù)

滾動(dòng)軸承廣泛存在于旋轉(zhuǎn)機(jī)械中，其狀態(tài)的損壞將嚴(yán)重影響旋轉(zhuǎn)機(jī)械的運(yùn)行狀態(tài)及性能實(shí)現(xiàn)。因此，滾動(dòng)軸承的狀態(tài)檢測(cè)及故障診斷一直是人們關(guān)注的方向。隨著傳感器技術(shù)的發(fā)展，可以更加方便的從機(jī)械設(shè)備獲取大量的測(cè)試數(shù)據(jù)，從而推動(dòng)了基于測(cè)試信號(hào)的故障診斷技術(shù)的發(fā)展。

在滾動(dòng)軸承的故障診斷中，基于振動(dòng)信號(hào)的傅里葉變換(FFT)、小波變換(WPT)、經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)都是常見(jiàn)的診斷技術(shù)。從時(shí)域或頻域信號(hào)中分析、提取特征，結(jié)合軸承的幾何參數(shù)綜合判斷實(shí)現(xiàn)故障診斷，但這些診斷技術(shù)極其依賴于技術(shù)人員的分析經(jīng)驗(yàn)和理論水平，通常耗時(shí)耗力且最終結(jié)果無(wú)法保證。近年來(lái)，隨著智能學(xué)習(xí)及大數(shù)據(jù)技術(shù)的發(fā)展，振動(dòng)信號(hào)結(jié)合智能學(xué)習(xí)算法的故障診斷分類技術(shù)逐漸進(jìn)入人們的視野。

現(xiàn)有技術(shù)對(duì)滾動(dòng)軸承的故障診斷中，滾動(dòng)軸承的振動(dòng)信號(hào)通常為穩(wěn)態(tài)測(cè)試數(shù)據(jù)，且不包含轉(zhuǎn)速信號(hào)，這往往會(huì)遺漏關(guān)鍵信息，結(jié)果診斷誤差不易保證；且采用PC作為處理器，數(shù)據(jù)樣本庫(kù)相對(duì)較小且分散，不利于智能學(xué)習(xí)模型的實(shí)時(shí)訓(xùn)練和精度提高；另外，采用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行深度學(xué)習(xí)，實(shí)現(xiàn)自動(dòng)化故障診斷，但是卷積神經(jīng)網(wǎng)絡(luò)模型需要足夠大的訓(xùn)練庫(kù)才能保證模型精度，對(duì)于滾動(dòng)軸承這種故障類型相對(duì)較少的故障診斷不是最優(yōu)選擇。

發(fā)明內(nèi)容

根據(jù)現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于振動(dòng)信號(hào)的滾動(dòng)軸承智能故障診斷方法，采用勻加速工況下信號(hào)，增加了轉(zhuǎn)速信號(hào)采集，在振動(dòng)信號(hào)上增加維度，提高基礎(chǔ)信息量，且采用主成分分析法進(jìn)行圖像識(shí)別，基于相對(duì)大的訓(xùn)練樣本庫(kù)做到高精度模型，并引入大數(shù)據(jù)云平臺(tái)及5G無(wú)線通信技術(shù)，有利于提高智能學(xué)習(xí)模型精度和診斷系統(tǒng)的環(huán)境適應(yīng)性。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：

一種基于振動(dòng)信號(hào)的滾動(dòng)軸承智能故障診斷方法，包括：

步驟1、通過(guò)前端采集模塊采集待測(cè)滾動(dòng)軸承的三向振動(dòng)加速度信號(hào)和轉(zhuǎn)速信號(hào)，其中，根據(jù)待測(cè)滾動(dòng)軸承的類型及應(yīng)用設(shè)備信息設(shè)定緩加速工況，待測(cè)滾動(dòng)軸承從零轉(zhuǎn)速緩慢加速至最大轉(zhuǎn)速，振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)經(jīng)過(guò)預(yù)處理、采樣、量化和編碼實(shí)現(xiàn)數(shù)據(jù)的采集；

步驟2、通過(guò)5G通信傳輸模塊將振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)實(shí)時(shí)傳輸?shù)皆贫藬?shù)據(jù)處理模塊；

步驟3、通過(guò)云端分析模塊對(duì)振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)進(jìn)行處理，振動(dòng)時(shí)域信號(hào)及轉(zhuǎn)速時(shí)域信號(hào)經(jīng)過(guò)快速傅里葉變換轉(zhuǎn)換成振動(dòng)頻域信號(hào)及轉(zhuǎn)速頻域信號(hào)，并合成colormap圖，通過(guò)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(zhuǎn)換成二維灰度圖；

步驟5、建立智能學(xué)習(xí)模型，分析提取二維灰度圖中的特征點(diǎn)信息，進(jìn)行特征識(shí)別，完成數(shù)據(jù)庫(kù)樣本的故障診斷時(shí)特征值檢索匹配過(guò)程，在訓(xùn)練樣本庫(kù)過(guò)程中，當(dāng)不同滾動(dòng)軸承所有類型的故障均被訓(xùn)練儲(chǔ)存后，將形成完善的云端數(shù)據(jù)庫(kù)，不同故障類型被以特征值集合形式保存，待測(cè)滾動(dòng)軸承經(jīng)過(guò)完整的測(cè)試、傳輸和處理過(guò)程將形成一套新的特征值，該特征值與數(shù)據(jù)庫(kù)中特征值進(jìn)行檢索、匹配從而實(shí)現(xiàn)故障的診斷確定。