[發明專利]一種振動圖像驅動的滾動軸承智能故障診斷方法

在審

• 申請號: 202111173286.X
• 申請日: 2021-10-08
• 公開（公告）號: CN113919220A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 樊紅衛;薛策譯;張旭輝;曹現剛;高爍琪;嚴楊
• 申請（專利權）人: 西安科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 陳翠蘭

1.一種振動圖像驅動的滾動軸承智能故障診斷方法，其特征在于，包括以下步驟；

步驟1)采集實驗平臺振動數據，并構建滾動軸承振動信號數據集；

步驟2)對步驟1)獲得的振動數據進行EMD-AADPC圖像轉換，得到二維振動圖像樣本集，并將其按預設比例劃分為訓練集、驗證集及測試集；

步驟3)構建用于分類識別的卷積神經網絡模型；

步驟4)輸入步驟2)中得到的訓練集對卷積神經網絡模型進行訓練，再根據驗證集測試結果進行超參數調試，最終保存最佳分類模型；

步驟5)將步驟2)中得到的測試集輸入步驟4)所得的最佳分類模型中進行測試。

2.根據權利要求1所述的一種振動圖像驅動的滾動軸承智能故障診斷方法，其特征在于，所述步驟1)具體為：規劃振動傳感器布置，包括故障軸承近端位置布置及故障軸承遠端位置布置；再進行上位機參數配置，進行數據采集并按照4類軸承狀態進行整理，從而構建滾動軸承振動信號數據集，所述4類軸承狀態分別為正常狀態、內圈故障、外圈故障與滾動體故障。

3.根據權利要求2所述的一種振動圖像驅動的滾動軸承智能故障診斷方法，其特征在于，所述步驟2)具體包括：

步驟2.1)數據段劃分：將步驟1)得到的滾動軸承振動信號數據集進行數據段劃分，即每一類故障狀態的數據集劃分為N段，其中第i段表示為Ni，每一段數據的長度為n；

步驟2.2)數據EMD降噪：對第i段數據進行EMD分解，得到若干組經驗模態分量IMF，依次計算每一組IMF與第i段數據的相關性，并按照相關性由高到低排列，取前6組IMF進行疊加得到降噪后的數據段，依次對N組數據段分別進行降噪處理得到降噪后的數據DNi，所述前6組IMF分別為IMF1～IMF6；

步驟2.3)計算步驟2.2)中各IMF的時域指標區別率：對N組DNi經EMD分解得到的6組IMF，分別計算每組IMF的時域指標a～l，時域指標a～l中每組包含6項IMF的時域指標，分別求N個IMF1～IMF6時域特征值的平均值得到時域指標a～l的向量，再計算該向量的標準差得到A～L，A～L定義為4類軸承狀態下數據各IMF對應10項時域指標a～l的區別率，其意義為IMF1～IMF6之間的特征值的區別程度，A～L越大則區別程度越大，反之則越小，取區別率最大的時域指標為zbS；

步驟2.4)EMD-AADPC振動圖像生成：將步驟2.3)中的IMF1～IMF6按下式依次進行AADPC轉換，如IMF1將轉換得到極坐標點P1(θ(i),γ(i))，計算公式如下式，

式中：θ(i)與γ(i)分別為第i個數據點在極坐標中對應的角度與半徑值；x_max為振動參量最大值；x_min為振動參量最小值；a為時間間隔；x_i為第i個振動參量值；x_i+a為第i+a個振動參量值；取值范圍3～10；adp為角度自適應率，其定義為：步驟2.3)中IMF1～IMF6所對應時域指標平均值數據組進行歸一化后，得到包含6個值的向量adp1～adp6，adp1～adp6依次對應IMF1～IMF6的角度自適應率，其值越大，對應的IMF將分配得到更多的角度因子，從而實現6個IMF在極坐標上不同程度的分布效果；b為角度放大系數，取π/90；為初始偏轉角度；

步驟2.5)樣本集的劃分：將經過步驟2.4)生成的EMD-AADPC振動圖像按照對應的故障狀態分別進行劃分，得到訓練集、驗證集與測試集，訓練集作用為訓練模型分類效果，驗證集參與調節模型超參數，測試集為最終效果評估。

4.根據權利要求3所述的一種振動圖像驅動的滾動軸承智能故障診斷方法，其特征在于，步驟2.3)中，每組IMF的時域指標a～l共10項，分別為IMF數據的最大值、最小值、平均值、峰-峰值、方差、峭度、波形因子、峰值因子、脈沖因子與裕度因子。

5.根據權利要求3所述的一種振動圖像驅動的滾動軸承智能故障診斷方法，其特征在于，步驟2.4)中，IMF1～IMF6分別分配的初始偏轉角度為0°、60°、120°、180°、240°與300°。