[發明專利]一種強噪聲環境下的滾動軸承智能故障診斷方法

在審

• 申請號: 202210210337.X
• 申請日: 2022-03-04
• 公開（公告）號: CN114705427A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 任海軍;韋沖;沈力;李琦;丁顯飛;羅亮;譚志強
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06F30/27
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 李金蓉

本發明公開了一種強噪聲環境下的滾動軸承智能故障診斷方法，首先，采用改進的小波閾值降噪算法將含有噪聲的軸承振動信號進行降噪處理；其次，采用改進的經驗小波變換對多分量信號分解得到若干個單分量信號，再對每個單分量信號進行解調，進而得到二維時頻圖；最后，建立卷積神經網絡圖像識別模型，以二維時頻圖作為輸入進行分類識別，輸出分類結果。本發明提出的改進小波閾值降噪算法避免了降噪后的信號在閾值點處不連續和存在偏差的問題。改進經驗小波變換可以自適應地選擇小波基和分解尺度，得到分辨率更高的小波時頻圖，本發明提出的基于時頻圖的卷積神經網絡故障診斷方法提高了故障診斷識別準確率，分類效果得到了有效提高。

技術領域

本發明涉及一種基于改進的小波閾值降噪算法結合卷積神經網絡的滾動軸承故障診斷，屬于滾動軸承振動信號處理和滾動軸承故障診斷領域。

背景技術

隨著現代技術的飛速發展，旋轉機械設備變得越來越復雜，且更加精密和智能化，在航空航天、石油化工和高速列車等工業領域中得到廣泛應用。滾動軸承作為旋轉機械設備中的關鍵部件，它的主要作用是減小運動時的摩擦系數，支撐機械旋轉體(Pan Honghu,He Xingxi,Tang Sai,et al.An improved bearing fault diagnosis method usingone-dimensional CNN and LSTM[J].Strojniski Vestnik-Journal of MechanicalEngineering,2018,64(7-8):443-452)。然而由于旋轉機械設備配合面之間的相對運動會產生連續磨損，所以滾動軸承長期在重載和強沖擊的惡劣環境下運行，容易發生故障。據相關研究表明，旋轉機械設備故障中由滾動軸承故障引發的占30％(張云強,張培林,王懷光,等.結合VMD和Volterra預測模型軸承振動信號特征提取[J].振動與沖擊,2018,37(03):129-135,152)，因此，早期檢測滾動軸承故障是一項重要的任務。故障診斷的最終目的是分析相關的外部信息，從而準確判斷內部部件的狀態，決定機械設備是否需要維護。20世紀30年代，滾動軸承檢測與診斷技術開始出現，各種自動化和智能化的新技術新方法不斷涌現，也在推動滾動軸承故障診斷技術不斷完善。

軸承是機械設備的重要零部件之一，軸承的損壞會造成巨大的經濟損失甚至危及人類生命(Hoang D T,Kang H J.A bearing fault diagnosis method based onautoencoder and particle swarm optimization-sup-port vector machine[M].Intelligent Computing Theories and Application,Springer,Cham,2018)。因此軸承的故障診斷是十分必要的。由于滾動軸承的工作環境復雜，所采集的信號中通常含有大量噪聲(王奉濤,鄧剛,王洪濤.基于EMD和SSAE的滾動軸承故障診斷方法[J].振動工程學報,2019,32(2):368-376)，因此需要對信號進行去噪處理來提高后期故障診斷的準確率。

滾動軸承故障診斷方法通過信號采集、故障信號特征提取、識別和分類故障類型三個步驟對滾動軸承進行有效診斷(王玉梅.滾動軸承故障診斷技術研究[D].哈爾濱:哈爾濱工業大學,2014)。傳統的特征提取方法時域統計分析或頻域統計分析無法充分地表現原始信號的故障特征，因此，小波分析、短時傅里葉變換、經驗模態分解和奇異值分解等時頻分析方法應運而生。