[发明专利]一种轴承故障诊断方法及系统

说明书

本发明提供一种轴承故障诊断方法及系统，其诊断方法包括：采集工况下故障轴承的实验数据并依次构建训练集，利用训练集建立分类模型；利用验证集和测试集优化分类模型的平滑因子，得到优化模型；最终，利用优化模型对轴承运行数据进行故障诊断。本发明分类模型具有较高的分类准确率，且训练更新速度较快。

技术领域

本发明属于轴承诊断技术领域，涉及一种轴承故障诊断方法及系统。

背景技术

滚动轴承健康状态对机电设备的性能、稳定性和使用寿命有巨大影响，若其发生故障将影响设备的正常工作，造成巨大的经济损失甚至人员伤亡。近年来，随着设备不断趋于智能化、复杂化，准确识别轴承故障及严重程度变得非常重要。传统的定期维修需消耗大量的人力物力，且难以实现设备的实时监控。因此实时监测、识别轴承故障类别，判断故障严重程度对保障设备长期安全可靠运行，具有重要意义。

AI的兴起，智能故障诊断方法逐渐成为故障诊断领域的主流算法。针对滚动轴承的故障，国内外学者进行了大量的研究，形成了大致两种诊断分类方法。一种是先对轴承信号进行特征提取得到训练集，训练反向传播神经网络，支持向量机等分类模型实现故障诊断分类，这类方法所需样本量较小，但对数据的抗噪声干扰能力较差。另一种是采用深度学习如卷积神经网络，深度置信网络等直接提取轴承信号的特征并进行诊断分类，这类方法有一定的抗噪声干扰能力，但需要大量的故障类型数据进行特征学习，模型训练更新耗费时间较长，无法保证在小样本下仍具有良好的特征学习能力。因此需要一种在小样本训练集下有较高的分类准确率，同时兼具较好的抗噪声干扰能力的诊断分类方法，用于轴承早期故障识别与诊断。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种轴承故障诊断方法及系统，用于解决上述问题。

为实现上述目的及其他相关目的，本发明提供一种轴承故障诊断方法，所述轴承故障诊断方法包括：

采集至少一种工况类型的故障轴承运行的实验数据；

依据所述实验数据构建训练集、验证集和测试集，利用所述训练集建立广义回归神经网络-柔性最大值分类模型；

利用所述验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，得到优化模型；

利用所述优化模型对轴承运行数据进行故障诊断。

于本发明的一实施例中，所述的利用验证集和测试集优化所述广义回归神经网络-柔性最大值分类模型的平滑因子，包括：

输入所述训练集展开训练所述广义回归神经网络-柔性最大值分类模型；

利用所述验证集训练所述广义回归神经网络-柔性最大值分类模型并计算适应度值；

顺序排列适应度值，获取最优适应度值并保存相应位置；

利用所述测试集得到所述最优适应度值的位置作为最优平滑因子，优化广义回归神经网络-柔性最大值分类模型。

于本发明的一实施例中，从轴承滚动体单点故障、滚动体多点故障、内圈单点故障、内圈多点故障、外圈单点故障、外圈多点故障、外圈滚子复合型故障、内圈滚子复合型故障中选取一种或多种故障类型作为所述工况类型。

于本发明的一实施例中，所述的依据所述实验数据构建训练集、验证集和测试集，为：利用变分模态分解所述实验数据构建训练集、验证集和测试集。

于本发明的一实施例中，所述的利用所述训练集建立广义回归神经网络-柔性最大值分类模型，包括：

构建广义回归神经网络；

构建柔性最大值归一化层函数；

给定输入量，获取广义回归神经网络的输出量并作为所述柔性最大值归一化层的输入量，获得分类模型输出向量；