[發明專利]一種基于SSA-WDCNN的滾動軸承故障診斷方法

在審

• 申請號: 202110291325.X
• 申請日: 2021-03-18
• 公開（公告）號: CN113065418A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 朱瑞;王明鑫;徐思宇;韓清鵬;夏鑫
• 申請（專利權）人: 上海電力大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種基于SSA?WDCNN的滾動軸承故障診斷方法，包括以下步驟：S1：對含噪聲的滾動軸承振動信號進行奇異譜分析，獲取重構后的振動信號；S2：將重構后的振動信號輸入到故障診斷模型進行訓練；S3：將待診斷的原始信號送入訓練好的故障診斷模型，進行滾動軸承故障診斷。與現有技術相比，本發明利用奇異譜分析的方法針對含噪聲的滾動軸承振動信號進行處理，基于首層卷積層為寬卷積層的卷積神經網絡對軸承振動信號進行診斷，提高信號特征的提取效果和準確性，進一步提升對滾動軸承故障的診斷準確性和診斷效率。

技術領域

本發明涉及故障診斷領域，尤其是涉及一種基于SSA-WDCNN的滾動軸承故障診斷方法。

背景技術

滾動軸承作為旋轉機械中關鍵的零部件之一，其健康狀況影響著整個旋轉機械系統的正常運行，對于軸承故障的及時發現能夠有效降低生產中的損失。目前針對于滾動軸承的故障診斷大都對其振動信號進行研究，但是，信號中的故障特征分量尤其是早期微弱故障特征極易被噪聲和其他無關信號分量淹沒，導致設備故障不能被及時發現。因此，利用信號分解方法將振動信號分解為一系列具有明確物理意義的子信號分量，進而從中提取故障特征分量，對機械故障診斷尤為重要。

現有技術中，通過使用自編碼器對含噪信號先進行降噪之后再將信號輸入到一維卷積神經網絡(One-Dimension CNN,1-DCNN)模型中實現故障信號的特征提取，但需要進行兩種模型的訓練且只針對信噪比為小于-1dB的測試信號。另外，還利用小波包分解先消除原始信號的部分干擾，隨后再采用經驗模態分解Empirical mode decomposition，EMD)進行故障特征提取，實現對整個信號的雙譜解調，但最終的雙譜圖分辨率不高。除此之外，對EMD改進后的集成經驗模式分解(ensemble empirical mode decomposition,EEMD)在信號降噪中也有應用，現有技術中將EEMD方法和塊閾值策略相結合對振動信號進行去噪，取得了相對較好的試驗結果，但其重構的信號與干凈信號存在較大的偏離，使用范圍局限于小信噪比信號。目前已有的相關研究中對于大噪聲的降噪和信號特征提取的效果一直不理想，導致一些故障信號在大的噪聲環境干擾下極容易出現診斷的偏差。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于SSA-WDCNN的滾動軸承故障診斷方法。

本發明的目的可以通過以下技術方案來實現：

一種基于SSA-WDCNN的滾動軸承故障診斷方法，包括以下步驟：

S1：對含噪聲的滾動軸承振動信號進行奇異譜分析，獲取重構后的振動信號；

S2：將重構后的振動信號輸入到故障診斷模型進行訓練；

S3：將待診斷的原始信號送入訓練好的故障診斷模型，進行滾動軸承故障診斷。

SSA即Singular Spectrum Analysis，奇異譜分析，WDCNN是指寬卷積核深度神經網絡。

優選地，所述的故障診斷模型為卷積神經網絡。

優選地，所述的卷積神經網絡的首層卷積層為寬卷積層。

優選地，所述的卷積神經網絡包括依次設置的第一卷積層、BN層、第一池化層、第二卷積層、第二池化層、第三卷積層、第三池化層、第四卷積層、第四池化層、第五卷積層和第五池化層、全連接層和softmax層，其中第一卷積層為寬卷積層。

優選地，所述的寬卷積層的卷積核寬度為64。

優選地，步驟S1具體包括：

S11：將含噪聲的滾動軸承振動信號轉化為軌跡矩陣；

S12：對軌跡矩陣進行奇異值分解；

S13：根據奇異值分解結果重構新的軌跡矩陣；