[发明专利]一种基于深度神经网络的轴承工况检测方法及系统

说明书

本发明涉及故障检测技术领域，具体涉及一种基于深度神经网络的轴承工况检测方法及系统，所述方法为：首先获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，接着构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；通过将待检测的振动信号分解为若干个本征模函数；并采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种，本发明能够实现轴承工况的自动检测。

技术领域

本发明涉及故障检测技术领域，具体涉及一种基于深度神经网络的轴承工况检测方法及系统。

背景技术

滚动轴承是旋转机械中最常见和关键的零部件之一，及时准确地掌握其故障损伤情况，对保障机械设备安全运行、避免经济损失和灾难性事故具有重要的意义。故障诊断的本质就是模式识别，而深度学习作为机器学习研究中的一个新领域，近年来已成功应用于各类模式识别领域。与一般的神经网络和机器学习模型相比，深度学习可以更精确、高效地解决复杂问题。

可见，如何有效利用深度学习实现轴承工况的自动检测，具有重要的现实意义。

发明内容

为解决上述问题，本发明提供一种基于深度神经网络的轴承工况检测方法及系统，能够实现轴承工况的自动检测。

为了实现上述目的，本发明提供以下技术方案：

根据本发明第一方面实施例提供的一种基于深度神经网络的轴承工况检测方法，包括：

获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本；

构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型；

将待检测的振动信号分解为若干个本征模函数；

采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，所述轴承工况的检测结果为运行正常、滚动体故障、内圈故障及外圈故障四种状态中任一种。

进一步，所述获取传感器采集到的原始振动信号，根据原始振动信号生成训练样本，具体为：

获取设置在滚动轴承上的加速度传感器采集的原始振动信号；

标记所述原始振动信号的状态，所述原始振动信号的状态包括轴承在运行正常、滚动体故障、内圈故障及外圈故障；

对所述原始振动信号进行抽样，并对抽样后的信号进行归一化处理，得到标准化信号；

对标准化信号进行平均分段采样，得训练样本。

进一步，所述构建深度置信网络，将训练样本作为深度置信网络的输入，对深度置信网络进行训练，得到故障识别模型，具体为：

采用3层RBM神经网络和BPNN神经网络自下而上堆叠构建深度置信网络；

设定深度置信网络的学习率和各层的节点数，将训练样本输入深度置信网络，先以无监督学习的方式逐层训练，再利用BPNN神经网络的误差反向传播原则进行权值和偏置的微调；

将完成训练的深度置信网络作为故障识别模型。

进一步，所述将待检测的振动信号分解为若干个本征模函数，具体为：

采用集合经验模态分解算法将待检测的振动信号分解为若干个本征模函数。

进一步，所述采用故障识别模型对本征模函数进行识别，得到轴承工况的检测结果，具体为：

将若干个所述本征模函数分别输入故障识别模型，得到若干个识别结果；