[发明专利]基于时频和CNN的轴承诊断方法、系统、设备及介质

说明书

本发明涉及一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质，其方法包括：首先，获取变转速工况下多个轴承振动信号；其次，将轴承振动信号分为多个分段信号并进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；接着，将分段时频图输入卷积神经网络以获得各个轴承振动信号的故障类别；再者，对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；最后，求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。本发明克服了变工况下的噪声干扰，很好地提取了故障特征信息及转速信息，具有较大的应用价值及推广意义。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质。

背景技术

随着新能源发展的需求日益增加，风能逐渐成为了一种重要的新能源。风力发电机组的稳定运行对电力系统的稳定至关重要。风电场大多位于偏远地区，气候环境恶劣，电网设备条件较差，风电机组故障频次较多，严重地影响机组的使用寿命。轴承作为风机的重要组成部分，发挥着举足轻重的作用。其是否处于正常状态，直接影响整机的稳定运行。因此，对风电机组主轴承的故障诊断是十分必要的。运转的轴承一旦发生故障，可能会造成巨大的经济损失甚至安全隐患。

在实际中，大多数风机的运行状况都较为复杂。在变转速的工况下，轴承发生故障的同时，常常伴随着巨大的噪声，这种噪声目前也没有有效消除的方法。因此很多基于稳速工况下的故障诊断产生了很大的局限性。这也就使得变转速工况下的故障诊断成为了重难点所在。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于时频分析和CNN的变转速轴承故障诊断方法、系统、设备及介质，其解决了现有技术针对变工况下的信号处理难以有效去噪的技术问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种基于时频分析和CNN的变转速轴承故障诊断方法，包括：

获取变转速工况下多个轴承振动信号；

将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图；

基于按预设比例配置的训练集、验证集以及测试集，将所有分段时频图输入预设的卷积神经网络进行深度学习以获得各个轴承振动信号的故障类别；

对已确定故障类别的各个轴承振动信号进行降采样处理，依次通过希尔伯特变换和短时傅里叶变换得到故障特征曲线；

求取不同故障类别的故障特征系数并结合故障特征曲线上各故障特征频率，得到轴承转速信息。

可选地，获取变转速工况下多个轴承振动信号包括：

获取升速工况下的多个轴承振动信号，所述多个轴承振动信号包括健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号。

可选地，获取变转速工况下多个轴承振动信号之后，还包括：对所述多个轴承振动信号进行降采样处理。

可选地，将每一个轴承振动信号分为多个分段信号，依次对所有分段信号进行希尔伯特变换和时频分析，得到各个轴承振动信号的分段时频图包括：

将每一个轴承振动信号按照频率变化分为100段信号，每段信号长度为20000；

对所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的300个分段信号进行希尔伯特变换，分别得到所述健康轴承振动信号、内圈故障轴承振动信号以及外圈故障轴承振动信号的故障分量的包络信号；