[發明專利]一種基于頻譜的軸承故障分類方法及系統

有效

• 申請號: 202110557378.1
• 申請日: 2021-05-21
• 公開（公告）號: CN113295416B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 劉育瑋;吳建軍;程玉強;楊述明;胡潤生;崔孟瑜;戚元杰;鄧凌志;石業輝
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/00;G06K9/62
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 劉芳

本發明公開了一種基于頻譜的軸承故障分類方法及系統。方法包括S1、計算軸承每個狀態的振動信號的頻率頻譜；S2、計算軸承每種狀態之間的頻率差異；S3、計算每個狀態頻譜之間每個差異的比率K；S4、選擇比率K大于設定值的頻率振幅的頻率；S5、按照如下公式設置參數R，R＝R1/R2，R1為需要分析訓練集頻率的共同頻率振幅數，R2為所有的訓練集頻率的全部頻率振幅數；S6、從每個狀態中選取公共頻率的振幅形成R個特征向量，將計算出的特征向量輸入到K鄰近值分類，K均值聚類，線性支持向量機中進行分類。本發明通過較少的FFT和公共頻率選擇實現特征向量的選取，計算量小，便于工程實現。

技術領域

本發明涉及軸承故障分類領域，更具體地說，特別涉及一種基于頻譜的軸承故障分類方法及系統。

背景技術

裝備日益趨于大型化，在故障診斷和故障檢測領域中越來越多的研究表明，健康檢測和故障診斷對設備的安全運行起著至關重要的作用。軸承是設備中連接轉動件和支撐件的重要部件，已經有大量的故障檢測手段。

目前，應用于軸承故障分類的方法包括頻域中的特征頻率分析方法、包絡分析方法等，時域中的統計分析方法，神經網絡分析方法等。其中，特征頻率分析方法是最簡單的分析方法，但是在噪音較大，故障早期的時候，并不能及時有效的分析出故障；神經網絡方法，能夠較為準確的分辨出故障，但是需要準確的特征輸入或者大量的數據。這樣就導致了神經網絡的方法一般較為復雜。因此，需要一種簡便準確的、可用于工業上的軸承故障分類方法及系統。

發明內容

本發明的目的在于提供一種基于頻譜的軸承故障分類方法及系統，以克服現有技術所存在的缺陷。

為了達到上述目的，本發明采用的技術方案如下：

一種基于頻譜的軸承故障分類方法及系統，包括以下步驟：

S1、計算軸承每個狀態的振動信號的頻率頻譜；

S2、計算軸承每種狀態之間的頻率差異；

S3、計算每個狀態頻譜之間每個差異的比率K；

S4、選擇比率K大于設定值的頻率振幅的頻率；

S5、按照如下公式設置參數R，R＝R1/R2，R1為需要分析訓練集頻率的共同頻率振幅數，R2為所有的訓練集頻率的全部頻率振幅數；

S6、從每個狀態中選取公共頻率的振幅形成R個特征向量，將計算出的特征向量輸入到K鄰近值分類，K均值聚類，線性支持向量機中進行分類。

進一步地，所述軸承狀態包括正常工況軸承、內圈故障軸承、外圈故障軸承和滾動體故障軸承。

進一步地，所述步驟S1的具體步驟為：

S10、以設定采樣率且在同一恒定轉速下分別對正常工況軸承、內圈故障軸承、外圈故障軸承、滾動體故障軸承的振動信號進行采樣；

S11、將得到的數據點劃分為2ⁿ個點為一個狀態樣本；

S12、將劃分好的狀態樣本進行快速傅里葉變換，得到每個狀態的頻率頻譜，正常工況軸承的振動信號的頻率頻譜由矢量normal表示、內圈故障軸承的振動信號頻譜由矢量inne表示、外圈故障軸承的振動信號頻率由矢量outer表示、滾動體故障軸承的振動信號頻率由矢量rolling表示。

進一步地，所述步驟S11中的2ⁿ優選為32768。

進一步地，所述步驟S3中的K＝100％*Ai/Amax，Ai是表示頻譜中第i個頻率所對應的振幅，Amax是頻譜中的最大振幅