[发明专利]轴承故障诊断模型的训练方法、诊断方法及诊断装置在审
申请号: | 202210259973.1 | 申请日: | 2022-03-16 |
公开(公告)号: | CN114608826A | 公开(公告)日: | 2022-06-10 |
发明(设计)人: | 陈剑;季磊 | 申请(专利权)人: | 合肥工业大学 |
主分类号: | G01M13/045 | 分类号: | G01M13/045;G06K9/00;G06K9/62;G06F17/14;G06N3/04;G06N20/00 |
代理公司: | 上海光华专利事务所(普通合伙) 31219 | 代理人: | 王积毅 |
地址: | 230009 安*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 轴承 故障诊断 模型 训练 方法 诊断 装置 | ||
1.一种轴承故障诊断模型的训练方法,其特征在于,包括:
采集轴承的不同类型故障的故障振动信号,以获取样本集;
对所述样本集中的故障振动信号进行经验傅里叶分解以获取多个模态信号分量;
分别通过峭度和相关系数对多个所述模态信号分量进行筛选,并对筛选结果进行重构以获取重构信号序列;
利用改进层次斜率熵算法对所述重构信号序列进行处理,以获取故障特征信息并组成训练特征集;
利用所述训练特征集对所述轴承故障诊断模型进行训练,以获取训练好的轴承故障诊断模型。
2.根据权利要求1所述的轴承故障诊断模型的训练方法,其特征在于,所述不同类型故障至少包括正常、内圈单点故障、外圈单点故障、滚子单点故障、外圈滚子复合故障、内圈滚子复合故障、内圈多点故障、外圈多点故障和滚珠多点故障。
3.根据权利要求1所述的轴承故障诊断模型的训练方法,其特征在于,所述对样本集进行经验傅里叶分解以获取多个模态信号分量的步骤包括:
将所述样本集内的故障振动信号的傅里叶谱归一化至[0,π]区间,预定义所需要划分的频段数N;
将傅里叶谱中的初值和极大值定为M个控制点,并根据所述频段数N和控制点数M获取最终控制点数T;
按所述最终控制点数T来划分区间,并且每个控制点的位置为αn,其中,1≤n≤T,α1=0,αT+1=π;
根据确定傅里叶分解的频谱分割边界ωn,定义前T个边界为min[αT-1,αT],其中Λn为前T个边界的集合;
确定连续区间Ω=[ωi,ωi+1],并计算每个区间的解析傅里叶固有频带函数,其中i=1,2,…,T;
对每个区间的解析傅里叶固有频带函数的实部进行傅里叶逆变换后,以获取多个模态信号分量。
4.根据权利要求3所述的轴承故障诊断模型的训练方法,其特征在于,根据所述频段数N和控制点数M获取最终控制点数T包括:
当M≥N时,只取M个控制点按降序排列的前N个分段,即最终控制点数T为N个;
当M<N时,振动信号中能够被划分的频段小于预定义的频段数N,此时最终控制点数T为M个。
5.根据权利要求1所述的轴承故障诊断模型的训练方法,其特征在于,通过峭度和相关系数对多个所述模态信号分量进行筛选以获取重构信号包括:
计算各个模态信号分量的峭度值Kurtn,并保留峭度值Kurtn大于3的所有分量,以构成集合U;
计算各个模态信号分量与所述故障振动信号y的相关系数ρn,并以相关系数ρn的标准差为最低阈值对各个所述模态信号分量进行筛选,作为故障振动信号的主要旋转分量,构成集合V;
取集合U和集合V的并集并将其中的信号相加以得到重构信号序列。
6.根据权利要求5所述的轴承故障诊断模型的训练方法,其特征在于,所述峭度值Kurtn通过公式:
计算得到,其中efdn,k为第n个模态信号分量的k点;n=1,2,…,T;k=1,2,…,L;u和σ为efdn的均值和方差;E[n]表示n的数学期望。
7.根据权利要求5所述的轴承故障诊断方法,其特征在于,所述相关系数ρn通过公式:
计算得到,其中,表示第n个模态分量的平均值,zk表示故障振动信号z的第k个采样点,表示故障振动信号z所有采样点的均值。
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合肥工业大学,未经合肥工业大学许可,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/202210259973.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:蜗壳离心风机
- 下一篇:一种全自动高速热熔胶涂布机及方法