[发明专利]基于LMD和脉冲神经网络的轴承故障诊断方法

说明书

本发明公开一种基于LMD和脉冲神经网络的轴承故障诊断方法，应用于机械故障诊断和计算机人工智能技术领域，针对现有技术利用SNN在机械故障诊断领域的性能研究的匮乏；本发明首先利用LMD将轴承振动信号分解为若干个PF分量，计算出这些PF分量和原始振动信号的统计学特征；接着将计算出的统计学特征进行min‑max归一化，利用高斯群编码的方法将归一化后的特征向量编码为脉冲序列；然后搭建脉冲神经网络模型，利用改进的Tempotron算法对脉冲神经网络模型的输入层与输出层之间的突触权重进行学习，直至满足训练终止条件，再利用训练好的模型进行故障诊断；实验表明本发明方法的诊断精度远高于传统方法。

技术领域

本发明属于机械故障诊断和计算机人工智能技术领域，特别涉及一种轴承故障诊断技术。

背景技术

轴承是旋转机械的关键部件，旋转机械的性能和剩余使用寿命在很大程度上取决于轴承的健康状况。轴承经常发生几种类型的损坏，这些损坏影响轴承的性能，进而影响整机的性能，导致安全风险和经济损失。如何判断轴承各种故障，在工业界受到了广泛的关注，提早进行故障诊断可以有效的避免严重的经济损失。

轴承发生故障就会运行异常，利用传感器收集故障轴承的振动原始信号也会随之发生异常，利用信号处理算法来提取出原始信号特征的方法已被广泛应用于故障诊断问题中。当轴承出现故障，传感器接收到的振动信号将准确的显示出调幅调频特性。利用局部均值分解(Local Mean Decomposition，LMD)算法分解信号能够得到原始振动信号的完整的时频信息和非稳态特性，LMD算法可以有效的帮助轴承故障诊断。脉冲神经网络(SpikingNeural Network,SNN)作为第三代神经网络，其使用脉冲神经元模型来模拟和解释生物神经元的信息处理过程。基于人工神经网络(Artificial Neural Network,ANN)的故障诊断方法其神经网络层数较深并且应用反向传播导致ANN的参数量和计算量大，并且与ANN相比，SNN的生物可解释性更强。SNN在很多领域表现出了不弱于其他神经网络的强大能力，但是很少有人研究SNN在机械故障诊断领域的性能。

发明内容

为解决上述技术问题，本发明提出一种基于LMD和脉冲神经网络的轴承故障诊断方法，结合脉冲神经网络(Spiking Neural Network,SNN)进行轴承故障诊断，相比于现有的方法，提高了诊断精度。

本发明采用的技术方案为：一种基于LMD和脉冲神经网络的轴承故障诊断方法，包括：

S1、采用LMD算法将原始轴承振动信号分解为若干个的PF分量，所述PF分量为包络信号和纯调频信号的乘积；

S2、计算各PF分量的若干统计学特征，得到第一统计学特征集合，计算原始轴承振动信号的若干统计学特征，得到第二统计学特征集合；根据第一统计学特征集合与第二统计学特征集合得到该原始轴承振动信号的特征向量；

S3、对原始轴承振动信号的特征向量进行归一化处理后；

S4、将归一化后的特征向量编码为脉冲时间信息；

S5、构建脉冲神经网络模型，所述脉冲神经网络模型的输入为脉冲时间信息，输出为故障类型；

S6、重复步骤S1-S4，得到由若干脉冲时间信息组成的训练集，根据该训练集S5建立的脉冲神经网络模型进行训练，得到训练完成的脉冲神经网络模型；

S7、采用经步骤S6训练完成的脉冲神经网络模型进行轴承故障诊断。

步骤S1的分解的结果为：

其中，x(t)表示原始轴承振动信号，PF_i(t)表示第i个PF分量，I表示最终分解得到的PF分量总数，r_I(t)表示最终分解得到的残差信号，且r_I(t)为单调函数。