[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

说明书

本发明涉及一种基于VMD‑WVD和SSA参数优化DBN的滚动轴承故障诊断模型。该模型建立方式如下：获取滚动轴承在不同振动状态下的多个振动信号，首先，通过变分模态分解将振动信号分解为一系列不同频率的BIMF。比较每个BIMF的方差贡献率。通过WVD将贡献率最大的BIMF信号从一维时域信号转换为二维特征谱，从而得到故障状态的二维特征矩阵。利用SSA的全局优化能力对DBN参数组合进行优化得到优化DBN，将二维特征矩阵输入值优化DBN，从而得到DBN的最佳网络结构，即为得到滚动轴承故障。结果表明，本发明建立的模型能够提高信号特征提取能力，在全局优化条件下解决问题，提高了故障诊断的准确性。

技术领域

本发明涉及工业设备故障诊断技术领域，尤其涉及一种基于 VMD-WVD和SSA参数优化DBN的滚动轴承故障诊断模型建立方法及建立系统。

背景技术

滚动轴承作为传动仪表的重要组成部分，广泛应用于电力、风电、军事、工业机械生产等领域的各种传动系统中。滚动轴承由于其工作时间长、工作频率高、工作环境恶劣等特点，常伴随着磨损、噪声、负载不平衡等故障。

滚动轴承故障诊断分为三个部分：数据采集、特征提取和模式识别。其中，特征提取是最重要的部分，它极大地影响着模式识别精度的上下限。各种一维或二维信号特征提取技术被应用于振动信号特征提取，如傅里叶变换、经验模态分解、综合经验模态分解、连续小波变换、希尔伯特包络谱和变分模式分解。

随着深度学习的发展，深度学习模型经常被用于优化、诊断和预测。常用的网络模型包括深度信念网络(DBN)、卷积神经网络(CNN)、长短时记忆神经网络(LSTM)、支持向量机(SVM)等。经过信号特征处理后，深度学习网络模型的分类识别精度高于其他机器学习算法。

因此，亟需提供一种基于深度学习来建立滚动轴承故障诊断模型的方法，以提高故障诊断的准确性。

发明内容

本发明所要解决的技术问题是提供一种基于VMD-WVD和SSA参数优化DBN的滚动轴承故障诊断模型建立方法及建立系统。

为解决上述问题，本发明所采取的技术方案是：

一方面，提供了一种滚动轴承故障诊断模型建立方法，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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：