[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

说明书

本发明提出一种轴承故障诊断模型的训练方法、诊断方法及诊断装置，所述训练方法包括：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。本发明能够有效识别不同类型和损伤程度的轴承故障，平均识别率达99.74％。

技术领域

本发明属于轴承故障诊断技术领域，具体涉及了一种轴承故障诊断模型的训练方法、诊断方法及诊断装置。

背景技术

机械设备正在朝着大型化、精密化方向发展，智能化也日益提高，对设备运行中的可靠性也提出更高要求。作为旋转机械中的核心回转支承部件，其表面的轻微缺陷就可能导致整个装置系统的运行故障，造成巨大人员伤亡和财产损耗。传统的用于滚动轴承检测方法，需要工作人员定期从机械设备上将轴承拆卸下来进行安全检验，耗费大量人力物力，对工业生产进程造成影响。智能维护方案利用先进的传感器和检测技术，获得设备运行的状态信息，当故障发生时，也能通过建立物理与统计模型对设备的剩余寿命进行预测，并在设备完全失效前对设备展开维修工作。因此，开展轴承故障诊断和状态检测对提高设备运行的安全性有着重要意义。

轴承作为旋转机械的关键精密元件，各种复杂工况会使轴承出现疲劳剥落、裂纹、磨损、压痕等损伤，加剧轴承振动，产生安全隐患。为了减少事故的发生，有必要对轴承进行状态监测和故障诊断。

发明内容

为解决上述技术问题，本发明提出一种轴承故障诊断模型的训练方法、诊断方法及诊断装置，以实现对轴承进行状态监测和故障诊断，从而避免轴承出现疲劳剥落、裂纹、磨损、压痕等损伤而加剧轴承振动，从而避免产生安全隐患。

本发明提出一种轴承故障诊断模型的训练方法，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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，α^T+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[α^T-1，α^T]，其中Λ_n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；