[发明专利]一种滚动轴承故障诊断模型建立方法及建立系统在审
申请号: | 202111498873.6 | 申请日: | 2021-12-09 |
公开(公告)号: | CN114201830A | 公开(公告)日: | 2022-03-18 |
发明(设计)人: | 程瑶;贾宁;杨飞宇;田又源;高晨斐 | 申请(专利权)人: | 重庆理工大学 |
主分类号: | G06F30/17 | 分类号: | G06F30/17;G06F30/27;G06F119/02 |
代理公司: | 石家庄德皓专利代理事务所(普通合伙) 13129 | 代理人: | 王梦幻 |
地址: | 400000 重庆*** | 国省代码: | 重庆;50 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 滚动轴承 故障诊断 模型 建立 方法 系统 | ||
1.一种滚动轴承故障诊断模型建立方法,其特征在于,所述方法包括:
获取滚动轴承在正常振动状态下的多个正常振动信号,在外圈故障振动状态下的多个外圈故障振动信号,在内圈故障振动状态下的多个内圈故障振动信号,以及在滚动体故障振动状态下的多个滚动体故障振动信号;
对每个振动信号进行特征提取,得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集;
利用SSA的全局优化能力对DBN的参数进行优化得到优化DBN;
将所述数据集输入至所述优化后的DBN中进行训练,得到所述滚动轴承故障诊断模型。
2.根据权利要求1所述的一种滚动轴承故障诊断模型建立方法,其特征在于,所述对每个振动信号进行特征提取,得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集,包括:
针对每个正常振动信号,依次通过VMD和WVD进行时频变化后得到正常矩阵;
针对每个内圈故障振动信号,依次通过VMD和WVD进行时频变化后得到外圈故障矩阵;
针对每个内圈故障振动信号,依次通过VMD和WVD进行时频变化后得到内圈故障矩阵;
针对每个滚动体故障振动信号,依次通过VMD和WVD进行时频变化后得到滚动体故障矩阵;
将所有的正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。
3.根据权利要求2所述的一种滚动轴承故障诊断模型建立方法,其特征在于,所述针对每个正常振动信号,依次通过VMD和WVD进行时频变化后得到正常矩阵,包括:
针对每个正常振动信号,通过VMD将所述正常振动信号分解为不同频率的多个正常BIMF,比较每个正常BIMF的方差贡献率,通过WVD将贡献率最大的正常BIMF从一维时域信号转换为二维特征谱,得到所述正常矩阵。
4.根据权利要求3所述的一种滚动轴承故障诊断模型建立方法,其特征在于,采用以下公式比较每个正常BIMF的方差贡献率:
其中,uk(j)为原信号经过VMD分解得到j个IMF分量,mseb(i)为IMFi的方差贡献率,N为信号长度。
5.根据权利要求1所述的一种滚动轴承故障诊断模型建立方法,其特征在于,所述利用SSA的全局优化能力对DBN的参数进行优化得到优化后的DBN,包括:
S301、设置SSA的所有预设参数并初始化最大迭代次数和搜索预设范围,所述预设参数包括预设麻雀数量、预设感知危险的麻雀数量、以及预设警戒值;
S302、初始化麻雀位置并计算适应度,将待优化DBN训练数据的RMSE作为SSA的适应度函数;
S303、比较每个麻雀个体的估计适应度,得到麻雀的最优位置和最差位置;
S304、当判断当前优化迭代次数达到最大迭代次数,则结束迭代并输出所述最优位置,用所述最优位置训练待优化DBN,得到具有最优学习率和最优批量大小的优化DBN。
6.根据权利要求5所述的一种滚动轴承故障诊断模型建立方法,其特征在于,所述步骤还包括:
S305、当判断当前优化迭代次数未达到最大迭代次数时,更新每个麻雀个体的位置及其适应度,重新初始化,设定新的搜索范围,所述新的搜索范围位于所述搜索预设范围之外;
S306、将当前最优位置作为DBN训练部分的参数值,得到初始优化DBN;
S307、比较每个麻雀个体的估计适应度,得到麻雀的最优位置;
S308、判断当前优化迭代次数是否达到最大迭代次数,执行步骤S304或步骤S305,得到优化DBN。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于重庆理工大学,未经重庆理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111498873.6/1.html,转载请声明来源钻瓜专利网。