[发明专利]低速重载设备滚动轴承故障诊断方法、设备及介质

说明书

本发明提供的低速重载设备滚动轴承故障诊断方法、设备及介质，方法为：获取低速重载设备滚动轴承的振动信号，并对所述振动信号进行分析得到多种状态信号；对所述多种状态信号进行滤波降噪处理，得到降噪后信号；对所述降噪后信号构建三维特征，并求得三维特征的特征向量，将三维特征的特征向量中的部分特征向量作为输入，基于核极化核极限学习机算法建立滚动轴承故障诊断模型，其余部分特征向量输入到滚动轴承故障诊断模型，得到低速重载设备滚动轴承的故障诊断结果。本发明基于“EEMD能量熵‑形态学分形维数‑形态谱熵”的三维特征向量作为分类模型的输入，能准确的表征和识别轴承的工作状态，可以取得很好的故障状态辨识效果。

技术领域

本发明涉及机械故障诊断领域，尤其涉及低速重载设备滚动轴承故障诊断方法、设备及介质领域。

背景技术

冶金工业中很多低速重载的设备，如转炉倾动机构、钢包回转台、斗轮式堆取料机和无料钟炉顶布料器等，都是生产过程中的关重设备。这些设备属于大型化的重型机械，造价昂贵、备件周期长、零部件维修与更换的难度大。由于其长期在高温、高湿、多粉尘的恶劣环境下工作，并且常常需要承受成百上千吨的工作负载，因此设备的健康状态对保障生产的稳定运行具有重要影响。虽然基于振动分析的设备状态监测与故障诊断技术在国内外工业应用中逐渐得到了普及与推广，但是，对于低速重载设备仍然缺乏有效的故障分析方法，传统时频分析方法对解决低速重载设备的故障诊断存在难以有效提取多种故障并存情况下的故障特征、难以有效刻画设备故障特征的非平稳变化过程、对故障特征缺乏多尺度的分析手段等局限性。数学形态学最早在图像处理领域的应用非常广泛，近年来，利用数学形态学进行一维信号处理开始得到关注。数学形态学对信号完全基于时域进行分析处理，处理后波形不存在相移和幅值衰减等问题，且计算简单快速。

发明内容

针对上述技术问题，本发明提供一种低速重载设备滚动轴承故障诊断方法、设备及介质，基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入，能准确的表征和识别轴承的工作状态，可以取得很好的故障状态辨识效果。

为解决上述技术问题，本发明提供的技术方案是：

第一方面，本发明提供一种低速重载设备滚动轴承故障诊断方法，包括：

步骤S1，获取低速重载设备滚动轴承的振动信号，并对所述振动信号进行分析得到多种状态信号；

步骤S2，对所述多种状态信号进行滤波降噪处理，得到降噪后信号；

步骤S3，对所述降噪后信号构建三维特征，并求得所述三维特征的特征向量，其中所述三维特征包括EEMD能量熵，形态学分形维数和形态谱熵；

步骤S4，选取所述三维特征的特征向量中的部分特征向量作为输入，建立基于核极化核极限学习机的滚动轴承故障诊断模型，将其余部分特征向量输入到所述滚动轴承故障诊断模型中，得到所述低速重载设备滚动轴承的故障诊断结果。

本发明提供一种低速重载设备滚动轴承故障诊断方法，基于“EEMD能量熵-形态学分形维数-形态谱熵”的三维特征向量作为分类模型的输入，能准确的表征和识别滚动轴承的工作状态，可以取得很好的故障状态辨识效果。

进一步地，所述步骤S3，具体包括：

对所述降噪后信号进行EEMD分解，求得所述降噪后信号的EEMD能量熵；

以及基于数学形态学提取所述降噪后信号的形态学分形维数和形态谱熵；

根据所述降噪后信号的EEMD能量熵，所述降噪后信号的形态学分形维数和形态谱熵，构建三维特征，并求得所述三维特征的特征向量。

进一步地，所述对所述降噪后信号进行EEMD分解，求得所述降噪后信号的EEMD能量熵，具体包括：