[發明專利]基于滾子狀態的隧道掘進機主軸承故障診斷方法及系統

在審

• 申請號: 202210654995.8
• 申請日: 2022-06-10
• 公開（公告）號: CN115017950A
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 伏星辰;陶建峰;劉成良;丁浩倫;徐傳超
• 申請（專利權）人: 上海交通大學;上海智能制造功能平臺有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于滾子狀態的隧道掘進機主軸承故障診斷方法，其特征在于，包括：

步驟S1：獲取主軸承滾子的三軸振動數據；

步驟S2：通過變分模態分解方法去除滾子內傳感器數據的運動趨勢項；

步驟S3：建立雙流多通道深度卷積神經網絡訓練滾子三軸振動數據。

2.根據權利要求1所述的基于滾子狀態的隧道掘進機主軸承故障診斷方法，其特征在于：所述滾子內部集成加速度計和無線傳輸模塊。

3.根據權利要求1所述的基于滾子狀態的隧道掘進機主軸承故障診斷方法，其特征在于，所述步驟S2包括：

步驟S2.1：對采集到的主軸承滾子振動信號進行分解，得到k個本征模態分量u_k(t)，計算得到各分量中心角頻率ω_k；實現過程包括：

通過希爾伯特變換得到模態的解析信號，并計算其單邊頻譜，將解析信號乘指數項使中心頻帶ω_k轉移至基頻帶，計算帶寬的方程為：

式中，*表示卷積運算，表示對時間t求梯度，j為虛數單位，δ(t)是狄利克雷函數，k為模態數量；根據分量窄帶條件建立約束優化問題方程：

引入拉格朗日乘子λ和二次罰因子α，通過增廣拉格朗日函數L({u_k},{ω_k},λ)將建立的約束優化問題化為無約束優化問題：

其中，λ(t)為拉格朗日算子，f(t)為原始信號，采用交替方向乘子法尋找增廣拉格朗日函數的鞍點，基于模態u_k和中心頻率ω_k的更新方程得到頻域優化問題的解：

ω_k，和分別是模態、中心頻率、原始信號和拉格朗日乘子的傅里葉變換，n為迭代次數，按以上步驟不斷迭代直至剩余信號和原始信號能量比值小于收斂閾值ε時終止：

步驟S2.2：將分解得到的低頻本征模態分量中心角頻率與計算的滾子自轉頻率理論值進行比較，用以表征滾子運動趨勢項；

通過枚舉方法判斷低頻模態與滾子趨勢的近似程度，取目標函數為

min‖f_r-ω₁/2π‖

從而確定模態數k；

滾子自轉頻率表達式為：

其中，f_r、f_c、f_i分別為滾子自轉、滾子中心繞軸心以及內圈的轉動頻率，D_i與d分別為內圈和滾子直徑；

步驟S2.3：去除表征滾子運動趨勢項的本征模態分量，對剩余的本征模態分量重構，得到去除趨勢項的主軸承故障監測振動數據。

4.根據權利要求1所述的基于滾子狀態的隧道掘進機主軸承故障診斷方法，其特征在于，所述步驟S3包括以下子步驟：

步驟S3.1：將通過變分模態分解方法去除運動趨勢項的滾子x軸、y軸振動數據以及原始z軸數據共同建立故障數據集，一部分采用重疊采樣方法進行數據增強生成訓練樣本，另一部分經過不重疊采樣生成測試樣本，按7：3：1的比例將樣本劃分成訓練集、驗證集和測試集；

步驟S3.2：構建雙流多通道深度卷積神經網絡，包括雙通道深度卷積神經網絡和單通道深度卷積神經網絡，將x軸和y軸的無趨勢項徑向振動信號輸入雙通道深度卷積神經網絡訓練多方位的徑向振動特征，將z軸方向軸向數據通過單通道深度卷積神經網絡單獨進行訓練得到軸向振動特征；

步驟S3.3：通過神經網絡全連接層融合滾子旋轉過程中的多方位徑向振動和軸向振動特征，采用Softmax邏輯回歸函數計算多分類任務的概率分布。