[发明专利]一种动力轴系轴承故障检测方法及系统在审
申请号: | 202011412257.X | 申请日: | 2020-12-04 |
公开(公告)号: | CN112595515A | 公开(公告)日: | 2021-04-02 |
发明(设计)人: | 武朔晨;刘柏;方晓彤;周旋;唐庆;李汉智;田宏伟 | 申请(专利权)人: | 中国船舶工业综合技术经济研究院 |
主分类号: | G01M13/045 | 分类号: | G01M13/045;G06N3/04;G06N3/08 |
代理公司: | 北京高沃律师事务所 11569 | 代理人: | 王爱涛 |
地址: | 100081 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 动力 轴承 故障 检测 方法 系统 | ||
1.一种动力轴系轴承故障检测方法,其特征在于,包括:
获取轴承的振动信号;
采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量;
计算各所述奇异谱分量的峭度值,并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量;
基于所述目标奇异谱分量对振动信号进行重构,得到重构振动信号;
将所述重构振动信号输入训练好的神经网络模型,得到所述轴承是否发生故障的诊断结果。
2.根据权利要求1所述的动力轴系轴承故障检测方法,其特征在于,所述方法还包括:
获取样本数据集,所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签;
对所述轴承振动样本信号进行奇异谱分解,得到若干个频率尺度的奇异谱样本分量;
计算各所述奇异谱样本分量的峭度值,并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量;
基于所述目标奇异谱样本分量对振动信号进行重构,得到重构振动样本信号;
以所述重构振动样本信号为输入,以所述重构振动样本信号对应的轴承故障与否为标签,对神经网络进行训练,得到训练好的神经网络模型。
3.根据权利要求1或2所述的动力轴系轴承故障检测方法,其特征在于,所述神经网络模型为一维卷积神经网络结构。
4.根据权利要求1或2所述的动力轴系轴承故障检测方法,其特征在于,在奇异谱分解时,对嵌入维数的大小进行自适应的选择,选择方法如下:
当j=1,且fmax/Fs小于设定阈值时,设置嵌入维数M=N/3;当j>1时,设置嵌入维数M=1.2×(Fs/fmax),其中,N为初始信号数据的长度,Fs为采样频率,fmax为第j次迭代时,剩余分量的功率谱密度中的最大峰值对应的频率。
5.根据权利要求4所述的动力轴系轴承故障检测方法,其特征在于,所述设定阈值为10-3。
6.一种动力轴系轴承故障检测系统,其特征在于,包括:
振动信号获取模块,用于获取轴承的振动信号;
奇异谱分解模块,用于采用基于自适应法则选取嵌入维数的奇异谱分解算法将所述振动信号分解成若干个频率尺度的奇异谱分量;
筛选模块,用于计算各所述奇异谱分量的峭度值,并选取所述峭度值处于设定阈值范围内的奇异谱分量作为目标奇异谱分量;
重构模块,用于基于所述目标奇异谱分量对振动信号进行重构,得到重构振动信号;
诊断模块,用于将所述重构振动信号输入训练好的神经网络模型,得到所述轴承是否发生故障的诊断结果。
7.根据权利要求6所述的动力轴系轴承故障检测系统,其特征在于,所述振动信号获取模块,还用于获取样本数据集,所述样本数据集包括多个轴承振动样本信号以及各所述轴承振动样本信号所对应的轴承故障与否的标签;
所述奇异谱分解模块,还用于对所述轴承振动样本信号进行奇异谱分解,得到若干个频率尺度的奇异谱样本分量;
筛选模块,还用于计算各所述奇异谱样本分量的峭度值,并选取所述峭度值处于设定阈值范围内的奇异谱样本分量作为目标奇异谱样本分量;
重构模块,还用于基于所述目标奇异谱样本分量对振动信号进行重构,得到重构振动样本信号;
所述系统还包括:
神经网络训练模块,用于以所述重构振动样本信号为输入,以所述重构振动样本信号对应的轴承故障与否为标签,对神经网络进行训练,得到训练好的神经网络模型。
8.根据权利要求6或7所述的动力轴系轴承故障检测系统,其特征在于,所述神经网络模型为一维卷积神经网络结构。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国船舶工业综合技术经济研究院,未经中国船舶工业综合技术经济研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011412257.X/1.html,转载请声明来源钻瓜专利网。