[发明专利]一种电机轴承故障诊断方法及系统

说明书

本发明提供一种电机轴承故障诊断方法及系统，均能够：对采集到的连续振动故障信号进行预处理，得到对应的故障特征信息向量；对故障特征信息向量进行训练得到故障分类模型；利用故障分类模型，对实测的轴承振动信号进行在线分类，并将输出的每一个分类按照预先设定的标签化规则进行数字标签化；对数字标签化得到的标签进行分析，输出代表发生故障的标签；基于CLPSO‑FPN网络搭建电机轴承的故障诊断模型；对所搭建的故障诊断模型进行训练；根据输出的标签激活训练好的故障诊断模型中的对应库所，之后根据训练好的电机故障诊断模型进行故障诊断推理。本发明用于抑制复杂系统故障诊断模型空间爆炸问题，用于提高轴承故障诊断模型故障诊断的适应性和准确性。

技术领域

本发明涉及电机轴承故障诊断领域，具体涉及一种电机轴承故障诊断方法及系统。

背景技术

科学技术的发展促使电机逐渐小型化、集成化，而电机轴承的工作状态直接影响到电机的工作效率和抗干扰能力。轴承一旦发生故障，各功能模块将产生非线性和模糊的故障关系，不利于设备故障诊断和排除工作。因此电机轴承故障诊断对电机的正常运行至关重要。

传统电机轴承故障诊断方式主要包括定量和定性两种方式，其中基于定量分析的数据驱动是较为常见的故障诊断方式。比如现有技术中提出了基于小波变换、模糊熵和支持向量机的方法，可有效去除轴承的振动干扰信号，提高强噪声下的故障诊断能力，但是无法自适应的分割频谱，故障诊断缺乏适应性。现有技术中提出了基于经验模态分解和主元分析的故障诊断方式，通过经验模态分解提取主要轴承故障振动信号，结合主元分析减少特征向量的维数，实现故障特征信息的有效缩减，结合支持向量机实现轴承故障分类。现有技术中提出了最小二乘支持向量机的故障诊断方式，结合非线性特征和时域特征信息融合的方式，解决轴承故障分类准确度较低问题。现有技术中提出了基于深度信念网络的轴承故障诊断方式，该网络由多个受限玻尔兹曼机堆叠而成，通过组合低层特征的方式发现数据的特征信息，实现连续故障数据的实时故障分类，提高故障诊断的准确度和效率。上述基于定量分析的方式能够对采集的轴承故障数据进行信号分析，通过提取特征信息实现故障定位，但在复杂系统中各功能模块间的故障关系具有非线性和模糊的特性，部分功能模块的故障原因无法通过数据驱动的方式进行诊断，缺乏整体性。

为此，本发明提供一种电机轴承故障诊断方法及系统，用于解决上述问题。

发明内容

针对现有技术的上述不足，本发明提供一种电机轴承故障诊断方法及系统，用于解决传统定量分析方式故障诊断缺乏整体性和定性分析方式故障诊断缺乏时效性的问题，用于抑制复杂系统故障诊断模型空间爆炸问题，用于提高轴承故障诊断模型的适应性和故障诊断的准确性。

第一方面，本发明提供一种电机轴承故障诊断方法，包括：

步骤S1，采集电机轴承的连续振动故障信号；

步骤S2，对采集到的连续振动故障信号进行预处理，得到对应的故障特征信息向量；

步骤S3，利用支持向量机SVM对故障特征信息向量进行训练，得到用于对电机轴承的运行状态进行分类的故障分类模型；并利用训练得到的故障分类模型，对实测的轴承振动信号进行在线分类，并将输出的每一个分类按照预先设定的标签化规则进行数字标签化；电机轴承的运行状态为正常运行、滚动体故障、内圈故障和外圈故障；所述预先设定的标签化规则为，采用阿拉伯数字1、2、3、4对上述四种运行状态进行数字标签化；

步骤S4，对数字标签化得到的标签进行分析，输出代表发生故障的标签；

步骤S5，基于CLPSO-FPN网络搭建电机轴承的故障诊断模型；

步骤S6，对所搭建的故障诊断模型进行训练，得到训练好的故障诊断模型；

步骤S7，根据上述输出的标签激活训练好的故障诊断模型中的对应库所，之后根据训练好的电机故障诊断模型进行故障诊断推理。

进一步地，步骤S2的实现方法包括：