[發(fā)明專利]一種振動(dòng)圖像驅(qū)動(dòng)的滾動(dòng)軸承智能故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111173286.X
• 申請(qǐng)日: 2021-10-08
• 公開(kāi)（公告）號(hào): CN113919220A
• 公開(kāi)（公告）日: 2022-01-11
• 發(fā)明（設(shè)計(jì)）人: 樊紅衛(wèi);薛策譯;張旭輝;曹現(xiàn)剛;高爍琪;嚴(yán)楊
• 申請(qǐng)（專利權(quán)）人: 西安科技大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 陳翠蘭

本發(fā)明公開(kāi)了一種振動(dòng)圖像驅(qū)動(dòng)的滾動(dòng)軸承智能故障診斷方法，首先針對(duì)滾動(dòng)軸承數(shù)據(jù)選擇區(qū)別率最大的時(shí)域特征指標(biāo)，據(jù)此計(jì)算各層IMF的角度自適應(yīng)率，再對(duì)振動(dòng)數(shù)據(jù)進(jìn)行EMD?AADPC振動(dòng)圖像轉(zhuǎn)換，生成EMD?AADPC振動(dòng)圖像樣本并劃分訓(xùn)練、驗(yàn)證與測(cè)試數(shù)據(jù)集；搭建CNN分類模型，使用訓(xùn)練集樣本進(jìn)行訓(xùn)練，并根據(jù)驗(yàn)證集結(jié)果進(jìn)行模型超參數(shù)優(yōu)化調(diào)節(jié)，獲得最佳模型訓(xùn)練參數(shù)，再采用測(cè)試數(shù)據(jù)集進(jìn)行模型診斷性能評(píng)估。本發(fā)明實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障診斷，且診斷方式變得更加智能化、高效化。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)械故障診斷領(lǐng)域，特別是涉及滾動(dòng)軸承故障診斷方向，具體涉及一種EMD-AADPC(Empirical Mode Decomposition-Adaptive Angle Distribution PolarCoordinate，經(jīng)驗(yàn)?zāi)B(tài)分解-自適應(yīng)角度分配極坐標(biāo))振動(dòng)圖像與CNN(ConvolutionalNeural Network，卷積神經(jīng)網(wǎng)絡(luò))的滾動(dòng)軸承故障診斷方法

背景技術(shù)

機(jī)械裝備的安全運(yùn)行是現(xiàn)代工業(yè)生產(chǎn)的重要保障，軸承作為機(jī)械裝備中必不可少的一部分，滾動(dòng)軸承的故障診斷技術(shù)受到極大的關(guān)注。滾動(dòng)軸承一般由內(nèi)圈、外圈、滾動(dòng)體和保持架組成，在經(jīng)過(guò)長(zhǎng)時(shí)間的運(yùn)轉(zhuǎn)工作后易發(fā)生多種故障，故對(duì)滾動(dòng)軸承故障的快速、精確識(shí)別是一項(xiàng)巨大的挑戰(zhàn)，并且具有重要的意義。

傳統(tǒng)的滾動(dòng)軸承故障診斷主要是通過(guò)對(duì)振動(dòng)信號(hào)進(jìn)行信號(hào)處理以獲得特征信息，不同類型的振動(dòng)信號(hào)一般會(huì)選擇不同的分析算法；隨著深度學(xué)習(xí)等智能算法的迅速發(fā)展，并與各學(xué)科進(jìn)行交叉融合，智能診斷方法在機(jī)械故障診斷上受到廣泛應(yīng)用，相比較傳統(tǒng)故障診斷方法，它沒(méi)有嚴(yán)格的先驗(yàn)知識(shí)要求，能夠減小對(duì)人工特征提取的依賴。CNN是一種前饋型神經(jīng)網(wǎng)絡(luò)，它具有良好的提取數(shù)據(jù)特征表示的能力，在處理圖像時(shí)表現(xiàn)出其優(yōu)越性，故出現(xiàn)了以圖像數(shù)據(jù)驅(qū)動(dòng)分類模型的診斷方法；現(xiàn)有振動(dòng)圖像驅(qū)動(dòng)的方法中，其振動(dòng)圖像樣本在不同狀態(tài)數(shù)據(jù)間的特征表現(xiàn)不明確，所包含特征信息單一，無(wú)法自適應(yīng)的增強(qiáng)樣本特征等問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種振動(dòng)圖像驅(qū)動(dòng)的滾動(dòng)軸承智能故障診斷方法，以解決現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明能夠?qū)崿F(xiàn)滾動(dòng)軸承故障的智能、準(zhǔn)確及高效診斷。

為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：

一種振動(dòng)圖像驅(qū)動(dòng)的滾動(dòng)軸承智能故障診斷方法，包括以下步驟；

步驟1)采集實(shí)驗(yàn)平臺(tái)振動(dòng)數(shù)據(jù)，并構(gòu)建滾動(dòng)軸承振動(dòng)信號(hào)數(shù)據(jù)集；

步驟2)對(duì)步驟1)獲得的振動(dòng)數(shù)據(jù)進(jìn)行EMD-AADPC圖像轉(zhuǎn)換，得到二維振動(dòng)圖像樣本集，并將其按預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集及測(cè)試集；

步驟3)構(gòu)建用于分類識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟4)輸入步驟2)中得到的訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，再根據(jù)驗(yàn)證集測(cè)試結(jié)果進(jìn)行超參數(shù)調(diào)試，最終保存最佳分類模型；

步驟5)將步驟2)中得到的測(cè)試集輸入步驟4)所得的最佳分類模型中進(jìn)行測(cè)試。

進(jìn)一步地，所述步驟1)具體為：規(guī)劃振動(dòng)傳感器布置，包括故障軸承近端位置布置及故障軸承遠(yuǎn)端位置布置；再進(jìn)行上位機(jī)參數(shù)配置，進(jìn)行數(shù)據(jù)采集并按照4類軸承狀態(tài)進(jìn)行整理，從而構(gòu)建滾動(dòng)軸承振動(dòng)信號(hào)數(shù)據(jù)集，所述4類軸承狀態(tài)分別為正常狀態(tài)、內(nèi)圈故障、外圈故障與滾動(dòng)體故障。

進(jìn)一步地，所述步驟2)具體包括：

步驟2.1)數(shù)據(jù)段劃分：將步驟1)得到的滾動(dòng)軸承振動(dòng)信號(hào)數(shù)據(jù)集進(jìn)行數(shù)據(jù)段劃分，即每一類故障狀態(tài)的數(shù)據(jù)集劃分為N段，其中第i段表示為Ni，每一段數(shù)據(jù)的長(zhǎng)度為n；