[发明专利]基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法

说明书

本发明提供了一种基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域，所述方法包括：获取滚动轴承的时域振动信号；利用预设梅尔线性频率滤波器对时域振动信号进行特征提取，得到增强梅尔线性频率倒谱系数二维特征图；根据增强梅尔线性频率倒谱系数二维特征图与预设Transformer模型，得到最终的诊断结果；本发明能够在数据分布偏移条件下实现滚动轴承故障的精确和快速诊断。

技术领域

本发明涉及滚动轴承故障诊断技术领域，特别涉及一种基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

随着现代工业的蓬勃发展，越来越多的机械设备被布置到工业现场中执行生产任务，旋转机械就是其中的典型代表。但由于长时间的高负荷运转，以及恶劣的工作环境，旋转机械时常发生故障而导致停产。旋转机械中发生故障最频繁的部件就是轴承。因此，实现对轴承故障的及时诊断，以便能够提前进行维护避免设备停机停产，具有重要的现实意义。

基于深度学习的智能故障诊断方法，由于诊断精度高且对专业诊断知识的依赖小，因此在轴承故障诊断中得到了广泛的应用。其中最经典的就是卷积神经网络(Convolutional Neural Network，CNN)。但CNN在特征提取时的感受野有限，当想要在大范围数据内提取特征时需要不断叠加卷积层，这使得模型参数量较大，难于训练。此外，目前基于深度学习的故障诊断方法在新环境中进行应用时往往诊断效果较差，原因是新环境中数据与训练集分布不完全相同，这种分布的偏移使得模型学习的参数不再完美适用；此外，实际采集到的轴承振动信号包含的微弱故障信息往往被噪声掩盖，现有的信号处理方法很难提取到明显的故障特征。

发明内容

为了解决现有技术的不足，本发明提供了一种基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法，能够在数据分布偏移条件下实现滚动轴承故障的精确和快速诊断。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法。

一种基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法，包括以下过程：

获取滚动轴承的时域振动信号；

利用预设梅尔线性频率滤波器对时域振动信号进行特征提取，得到增强梅尔线性频率倒谱系数(Enhanced Mel-Linear Frequency Cepstrum Coefficient，EMLFCC)二维特征图；

根据增强梅尔线性频率倒谱系数二维特征图与预设Transformer模型，得到最终的诊断结果。

进一步的，利用预设梅尔线性频率滤波器对时域振动信号进行特征提取，包括：

将时域振动信号按每N个采样点分为一帧进行分帧，相邻帧之间设置重叠区域以避免频谱泄露，对帧信号乘以汉宁窗后进行离散傅里叶变换得到频谱，进而取模与平方得到能量谱；

构建M个梅尔线性频率滤波器，并用其进行滤波得到输出能量；

将输出能量以e为底取对数，得到对数能量，再对对数能量进行离散余弦变换得到增强梅尔线性频率倒谱系数向量；

设增强梅尔线性频率倒谱系数的阶数为G，将M个梅尔线性频率滤波器输出的滤波能量的G阶增强梅尔线性频率倒谱系数特征向量相加并乘倍数，得到一帧信号的增强梅尔线性频率倒谱系数向量C(g)；

对C(g)进行倒谱增强，得到倒谱增强后的增强梅尔线性频率倒谱系数；

每帧信号都经过上述处理，将各帧信号所得到的倒谱增强后的增强梅尔线性频率倒谱系数按顺序拼接，得到该段信号的增强梅尔线性频率倒谱系数二维特征图。