[发明专利]一种动力轴系轴承故障检测方法及系统

说明书

本发明公开了一种动力轴系轴承故障检测方法及系统。该方法包括：利用奇异谱分解将原始振动信号分解成若干个频率尺度的奇异谱分量，并根据峭度准则选取有效奇异谱分量对信号进行重构；构建一维卷积神经网络结构，先将重构后的信号输入模型进行训练，充分提取信号的特征，再由输出层输出诊断结果，实现对故障轴承的精密诊断。本发明能有效地降低背景噪声的影响，提高稀疏表示的计算效率，实现有效的故障诊断。

技术领域

本发明涉及信号处理与深度学习领域，特别是涉及一种动力轴系轴承故障检测方法及系统。

背景技术

滚动轴承是旋转机械设备的重要组成部件之一，用于支撑旋转体并为传动系统提供扭矩和动力，从而保证其运行安全平稳。轴承故障会造成机械设备的异常，严重时甚至导致人员伤亡。

由于滚动轴承发生故障时，其振动信号往往表现出非平稳、非线性等特性，故障特征容易被强大的背景噪声所淹没，采用传统信号分析方法很难兼顾到非平稳信号的时频特性。小波分析、Wigner-Ville分布、短时傅里叶变换等时频域分析方法应运而生，但这些信号处理方法缺乏自适应性。例如，小波变换在处理非平稳信号之前需要预先设置基函数；Wigner-Ville分布的结果将包含交叉项；短时傅里叶变换需要预先设置窗函数,不同的窗函数可能带来不同的结果。因此，亟需一种具有自适应性的信号处理方法，以实现对轴承故障的准确识别。

发明内容

本发明的目的是提供一种动力轴系轴承故障检测方法及系统。

为实现上述目的，本发明提供了如下方案：

一种动力轴系轴承故障检测方法，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。

可选的，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。

可选的，所述神经网络模型为一维卷积神经网络结构。

可选的，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f_max/F_s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×(F_s/f_max)，其中，N为初始信号数据的长度，F_s为采样频率，f_max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。

可选的，所述设定阈值为10^-3。

本发明还提供了一种动力轴系轴承故障检测系统，包括：