[发明专利]一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法

说明书

一种基于集合经验模态分解和卷积神经网络的故障诊断方法，包括以下步骤：(1)采集滚动体故障状态、内圈故障状态、外圈故障状态和正常状态下的滚动轴承振动信号，作为原始振动信号进行模型训练；(2)将原始振动信号构建为训练集和测试集；(3)对采集到的原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个本征模态分量；(4)构建卷积神经网络，并利用训练集对CNN进行训练；(5)利用训练好的模型对IMF分量进行特征提取；(6)将提取出来的特征作为支持向量机的输入进行分类。本发明能够有效削弱信号中的多余内容，经验模态分解存在的混叠模态问题也得到了很好的解决；并能够有效且准确的实现滚动轴承的故障检测。

技术领域

本发明涉及滚动轴承的故障诊断技术领域，具体涉及一种基于集合经验模态分解和卷积神经网络的故障诊断方法，应用于现代机械设备中解决滚动轴承故障诊断问题。

背景技术

滚动轴承作为现代机械设备的关键器件，滚动轴承状态是否正常直接影响到整个机械设备的平稳运行。据相关数据显示，在现代机械中，由于滚动轴承无法正常使用而引起的机械故障约占总体故障的30％。此外，滚动轴承因污垢、锈蚀、润滑油缺少发生的磨损常常导致其极易损坏，如果按照设计寿命定期维修，便会出现两种情况：一是在正常使用期限内发生损坏，从而导致发生严重的意外事故；二是把超过使用期限但仍能正常使用的滚动轴承直接扔掉，造成不必要的浪费。传统的滚动轴承检测方法，工作人员需要定期将滚动轴承从设备上拆卸下来进行安全检查，但这种方法既耗费人力和时间，又要支付巨额维护费用，严重影响生产进程。此外，滚动轴承故障振动信号中含有强烈的环境噪声，具有非平稳、非线性特征以及提取特征困难等问题，如何设计合理的故障检测和诊断方法成为了大家关注的焦点。

滚动轴承的故障诊断一般分为三部分，第一步需要将采集到的原始信号进行预处理，常见的信号预处理方法有傅里叶变换，小波变换，经验模态分解等。第二步是对处理后的信号进行特征提取，随着深度学习技术的不断发展，通过卷积神经网络(ConvolutionalNeural Networks,CNN)对信号进行自适应的特征提取成为了一种主流，其中的1D卷积神经网络对于一维的时域信号有很强表征能力，能够对关键特征进行有效提取。第三步是对提取出的特征进行分类，诊断出故障类型。

CNN是典型的有监督学习深度神经网络，目前基于CNN的故障诊断模型都是直接利用CNN进行分类，这种方法的实现要求每个类别拥有足够大的样本，即便如此，仍然无法避免过拟合现象的产生，同时CNN自带的分类器分类能力较弱，如何增强卷积神经网络的分类能力成为了研究的重点。

发明内容

为了克服现有技术的不足，本发明的目的在于针对机械设备中的滚动轴承这一重要器件，提供了一种基于集合经验模态分解和卷积神经网络的支持向量机滚动轴承故障诊断方法，能够有效削弱信号中的多余内容，经验模态分解存在的混叠模态问题也得到了很好的解决；并能够有效且准确的实现滚动轴承的故障检测。

本发明的目的是通过以下技术方案实现的：

一种基于集合经验模态分解和卷积神经网络的故障诊断方法，包括以下步骤：

(1)采集滚动体故障状态下、内圈故障状态下、外圈故障状态下和正常状态下的滚动轴承振动信号，作为原始振动信号进行模型训练；

(2)将原始振动信号构建为训练集和测试集；

(3)对采集到的原始振动信号进行集合经验模态分解(ensemble empirical modedecomposition，EEMD)，将原始的振动信号分解为n个本征模态分量(intrinsic modefunction，IMF)，EEMD分解的步骤如下：

(3.1)向原始信号x(t)中加入M次正态分布的白噪声b_k(t)，(k＝1,2,...,M)，即

x_k(t)＝x(t)+b_k(t)