[发明专利]一种新的诊断电机轴承故障的检测方法

说明书

本发明涉及电机轴承预测性维护技术领域，且公开了一种新的诊断电机轴承故障的检测方法，解决了目前市场上的电机轴承故障检测过程中采用经典谱分析方法、基于深度学习方法和机器学习方法存在的问题；本发明的好处是弥补了基于频谱分析的检测方法无法或者置信度的问题，并且融合了机器学习方法对轴承故障检测，新的融合方法可以提高检测精度，并且出现检测错误时也能通过频谱分析来追根溯源，方法简单实用，具有较强的创新性和新颖性。

技术领域

本发明涉及电机轴承预测性维护技术领域，更具体地说是用于精确诊断轴承故障类型的一种新的检测方法，尤其涉及一种新的诊断电机轴承故障的检测方法。

背景技术

轴承是电机等旋转设备中使用最广泛的机械零部件之一，也是最容易出现故障的关键零部件。据统计在使用滚动轴承的旋转设备中，大约有30％的机械故障是由于滚动轴承引起的，其产生的各种潜在的故障包括内圈故障、外圈故障、滚珠故障和保持架故障等。因此轴承的故障诊断在电机预测性维护中占有举足轻重的作用。

轴承故障诊断目前遇到的主要问题是异常数据难于获取，所以一般标定的故障数据量比较少。经典方法是基于频谱分析，通过轴承固有故障频率来诊断，这类方法较为直观，但基于阈值的分类误差较大，也比较难以获取诊断的置信度；基于深度学习方法因受限于故障数据量也很难训练出精准模型；所以目前更倾向于使用机器学习方法，但准确率也有进一步提升的空间。

发明内容

为了克服现有技术不足，本发明目的在于提供一种新的诊断电机轴承故障的检测方法，它弥补了基于频谱分析的检测方法无法或者置信度的问题，并且融合了机器学习方法对轴承故障检测，新的融合方法可以提高检测精度，并且出现检测错误时也能通过频谱分析来追根溯源。

为实现上述目的，本发明提供如下技术方案：一种新的诊断电机轴承故障的检测方法；包括如下步骤：

S1、准备轴承训练数据，标定0位正常轴承，1为外圈故障，2为内圈故障；

S2、选择多尺度排列熵的参数，对数据训练数据进行特征提取，用PCA进行特征维度压缩；

S3、用Adaboost进行分类模型训练，确定下分类模型参数；

S4、用训练集进行Adaboost模型验证,并且输出置信度；

S5、频谱检测方法，获取检测结果和log(ratio)作为置信度；

S6、融合算法，通过置信度算出准确率，比较准确率来得到最终的诊断结果并记录；

优选的，轴承训练数据包括轴承外圈故障，内圈故障，正常轴承振动数据。

优选的，多尺度排列熵的参数选择具体包含了数据点N、嵌入维度m、时间延迟t和多尺度s等参数。

优选的，模型验证使用了轴承竞赛MFPT的数据进行训练和验证。

本发明的技术效果和优点：

本发明弥补了基于频谱分析的检测方法无法获取置信度的问题，并且融合了机器学习方法对轴承故障检测，新的融合方法可以提高检测精度，并且出现检测错误时也能通过频谱分析来追根溯源，而且本发明提供了一种行之有效的方法让两种不同的算法之间的结果可以互相比较，这种融合方法具有普适性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明的故障频率，故障类型和log(ratio)的关系示意图；

图2为本发明的故障频率，故障类型和log(ratio)的关系示意图。

图3为本发明的机器学习算法Adaboost在测试集上的示意图。