[发明专利]一种基于卷积自编码器的轴承健康状态监测方法

说明书

本发明提出一种基于卷积自编码器的轴承健康状态监测方法，属于轴承故障预测与健康管理领域。该方法首先获取一个全新轴承的全生命周期数字振动信号及健康状态标注值；分别提取该数字振动信号的本征模态分量统计量特征和利用卷积自编码器学习的深度特征，将两种特征进行拼接并筛选，将筛选出的特征输入全连接回归网络当中进行回归训练，最终得到该轴承全生命周期的健康状态曲线图；之后，获取同型号待监测轴承目前的健康状态曲线图；对比两张曲线图，得到该待监测轴承的健康状态监测结果。本发明通过卷积自编码器提升轴承振动信号特征的完整性，运用特征排序和特征选择的方法去除冗余特征，能够得到较为准确的轴承健康状态。

技术领域

本发明属于轴承故障预测与健康管理领域，具体涉及一种基于卷积自编码器的轴承健康状态监测方法。

背景技术

轴承是各类旋转机械当中必不可少的部件，轴承的健康与否直接影响着整个旋转机械系统的运行状况，尤其在大型机械场景当中，例如飞机、风力发电机、电梯等机械系统，一旦出现轴承部件的健康问题，都有可能造成极大的生命财产损失。因此，近年来轴承的健康状态监测及其故障预测愈来愈受到高度的关注。对于旋转机械中轴承健康状态的监测，我们无法通过直接测量或者直观估计得出。目前，比较常用的监测方法大多通过分析轴承的振动信号而得出轴承的健康状态。

轴承振动信号非常复杂，一维的振动信号中包含着大量的特征信息，须通过一定的分析方法从振动信号当中获取这些特征信息，常见的轴承振动信号分析方法多采用直接分解或者滤波后再分解的方式。经验模态分解是直接分解中比较常用的一种方法。基于经验模态分解的特征提取方法，是在经验模态分解的基础上进行特征提取的，首先将振动信号分解为若干个本征模态分量，再对每个本征模态分量进行统计量特征的分析，该方法只是基于专家经验获取振动信号特征，在特征完整性方面存在一定的局限性，且在得到的众多特征当中存在大量的冗余特征，这些冗余特征对轴承健康状态的监测具有负面作用，从而影响轴承健康状态监测的准确性。

发明内容

本发明的目的是为克服现有的旋转机械设备中轴承部件的健康状态监测中，轴承振动信号复杂，特征提取不全，特征冗余的不足之处，提出一种基于卷积自编码器的轴承健康状态监测方法。本发明通过采用卷积自编码器提升轴承振动信号特征的完整性，运用特征排序和特征选择的方法去除冗余特征，能够得到较为准确的轴承健康状态。

本发明提出一种基于卷积自编码器的轴承健康状态监测方法，其特征在于，该方法首先在一个全新的轴承上安装振动传感器并获取该轴承全生命周期的数字振动信号及对应的健康状态标注值；对该数字振动信号分别进行两种特征提取操作：一是将该数字振动信号进行经验模态分解，选取若干个本征模态分量并得到每个选取的本征模态分量的统计量特征；二是将该数字振动信号输入到一个卷积自编码器中进行深度学习训练，训练完毕后，得到输入信号的深度特征；然后将两种特征进行拼接并筛选，将筛选出的特征输入一个全连接回归网络当中进行回归训练，最终得到该轴承全生命周期的健康状态曲线图；获取同型号待监测轴承的数字振动信号，利用训练完毕的卷积自编码器和全连接回归网络，获取该轴承的健康状态预测值，进而生成该轴承目前的健康状态曲线图；通过两张曲线图的对比，得到该待监测轴承的健康状态监测结果。该方法包括以下步骤：

1)选取一个全新的轴承，获取该轴承在全生命周期的数字振动信号及对应的健康状态标注值；具体步骤如下：

1-1)选取一个全新的轴承；

1-2)在该轴承的轴承座上安装振动传感器，利用振动传感器获取轴承从开始运行直到报废的全生命周期的的振动信号，将获取的振动信号转化为数字振动信号；

1-3)对数字振动信号进行预处理操作，该预处理操作包括对步骤1-2)得到的数字振动信号进行采样，得到预处理完毕的所有采样点的数字振动信号并计算每个采样点对应的健康状态标注值；